一种基于深层注意力机制的超分辨率重建方法技术

本发明专利技术公开了一种基于深层注意力机制的超分辨率重建方法，具体包括如下步骤：步骤1，获取低分辨率LR图像；步骤2，将低分辨率LR图像输入到深层注意力机制网络中，得到浅层特征图；步骤3，将步骤2中的浅层特征图输入到深层特征提取模块中，将浅层特征图和深层特征图进行级联，得到级联特征图，对级联特征图进行给予权重分配，并对特征图降维，得到降维特征图；步骤4，将步骤3中得到的降维特征图与步骤1中获取的LR图像相加，学习特征残差，得到全局特征图；步骤5，将步骤4中得到的全局特征图再输入到上采样模块中，将低分辨率特征图放大到输出尺度，最后在重建模块对图像进行超分辨率重建。建。建。

【技术实现步骤摘要】
一种基于深层注意力机制的超分辨率重建方法


[0001]本专利技术属于图像处理方法
，涉及一种基于深层注意力机制的超分辨率重建方法。

技术介绍

[0002]注意力机制的概念可以用生活化的例子做出解释，比如当人们在阅读一本书的时候，会把注意力放在文字上面，而不会去关注书页上的空白区域，而当某一页有一幅彩色插图，人们往往又会被这张彩色插图吸引。人们的视觉系统倾向于关注图像中辅助判断的部分信息，并忽略掉不相关的信息。计算机视觉任务中，注意力机制会确保深度网络学习相对重要的信息，而忽略无关信息。2014年Google团队首次把注意力机制运用到了一个图像分类的任务上。同年，Bahdanau等人把他们的注意力模型广泛地运用到了一个机器译码的任务中。现如今的注意力机制已被广泛地应用于各个领域,Xu等在2015年将有关注意力的机制研究运用到了一个图片表达的任务,并提出了硬、软注意力机制的概念。Hu等在2017年将注意力机制运用到了目标检测任务中，提升了模型的识别效果。注意力机制可以分为硬注意力机制和软注意力机制。
[0003]硬注意力机制(Hard本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深层注意力机制的超分辨率重建方法，其特征在于：具体包括如下步骤：步骤1，获取低分辨率LR图像；步骤2，将步骤1中的低分辨率LR图像输入到深层注意力机制网络中，经过浅层特征提取模块提取，得到浅层特征图；步骤3，将步骤1中的低分辨率LR图像输入到深层注意力机制网络中，经过深层特征提取模块进行深度特征提取，得到深层特征图；将浅层特征图和深层特征图进行级联，得到级联特征图，对级联特征图进行给予权重分配，并对特征图降维，得到降维特征图；步骤4，将步骤3中得到的降维特征图与步骤1中获取的LR图像相加，学习特征残差，得到全局特征图；步骤5，将步骤4中得到的全局特征图输入到上采样模块中，将低分辨率特征图放大到输出尺度，最后在重建模块中对图像进行超分辨率重建。2.根据权利要求1所述的一种基于深层注意力机制的超分辨率重建方法，其特征在于：所述步骤1的具体操作为：步骤1.1，在网络上分别下载Set5、Set14、BSD100、URBAN100、MANGA109数据集；步骤1.2，对步骤1.1中的各个数据集进行4倍下采样预处理，得到各自对应的低分辨率LR图像。3.根据权利要求1所述的一种基于深层注意力机制的超分辨率重建方法，其特征在于：所述步骤2具体步骤为：将步骤1中的低分辨率LR图像输入到深层注意力机制网络中，经过浅层特征提取模块，通过两层带有ReLU激活函数的卷积层将输入网络的低分辨率图像变换到特征图空间，浅层特征提取过程的数学公式如(1)、(2)：F
‑1＝H
SFEB
(I
LR
)
ꢀꢀꢀꢀꢀꢀ
(1)；F0＝H
SFEB
(F
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)；式中，I
LR
代表低分辨率图像，H
SFEB
()代表潜层特征提取，F
‑1代表经过第一次潜层特征提...

【专利技术属性】
技术研发人员：刘晶，杨慧，薛雨馨，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：