基于残差通道注意力网络的图像超分辨率重建方法及系统技术方案

本发明专利技术属于图像处理技术领域，提供了基于残差通道注意力网络的图像超分辨率重建方法及系统，根据待重建的低分辨率图像和图像超分辨率重建模型，得到高分辨率重建图像；其中，所述图像超分辨率重建模型的构建过程包括：浅层特征提取和深层特征提取，其中经过浅层特征通道得到浅层特征，基于残差通道注意力网络构建深层特征提取模型，根据浅层特征和深层特征提取模型提取深层特征，所述深层特征提取模型包括多个像素和通道注意网络，所述每一个像素和通道注意网络内部并列设置通道注意力单元、像素注意力单元以及Inception单元，并列外层加入残差结构。可以使网络提取更多更有用的信息，以此来实现更高精度的超分辨率重建。以此来实现更高精度的超分辨率重建。以此来实现更高精度的超分辨率重建。

【技术实现步骤摘要】
基于残差通道注意力网络的图像超分辨率重建方法及系统


[0001]本专利技术属于图像处理
，尤其涉及基于残差通道注意力网络的图像超分辨率重建方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]目前，图像超分辨率的方法主要可以分为以下三个类别：基于插值的超分辨率重建、基于重构的超分辨率重建以及基于学习的超分辨率重建。
[0004]其中，基于插值的超分辨率重建方法是提升分辨率最简单的方法，但是这种方法的重建效果并不是很好。基于重构的超分辨率重建技术在细节问题上有了改进，但是随着尺度因子的增大它的性能有所下降，而且这个方法也很耗时，基于学习的超分辨率重建的方法中，深度学习顾名思义网络是很深的，所以就会产生梯度消失、过拟合等问题。

技术实现思路

[0005]为了解决上述
技术介绍
中存在的至少一项技术问题，本专利技术提供基于残差通道注意力网络的图像超分辨率重建方法及系统，其提出了一种改进的利用通道注意提高图像分辨率的方法，在提高图像分辨率的同时又避本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于残差通道注意力网络的图像超分辨率重建方法，其特征在于，包括如下步骤：获取待重建的低分辨率图像；根据待重建的低分辨率图像和图像超分辨率重建模型，得到高分辨率重建图像；其中，所述图像超分辨率重建模型的构建过程包括：浅层特征提取和深层特征提取，其中经过浅层特征通道得到浅层特征，基于残差通道注意力网络构建深层特征提取模型，根据浅层特征和深层特征提取模型提取深层特征，所述深层特征提取模型包括多个像素和通道注意网络，每一个像素和通道注意网络内部并列设置通道注意力单元、像素注意力单元以及Inception单元，并列外层加入残差结构。2.如权利要求1所述的基于残差通道注意力网络的图像超分辨率重建方法，其特征在于，所述深层特征提取模型进行图像处理的过程包括：基于通道注意力单元，通过重新加权所有信道的滤波器响应，获得一个一维的注意力特征向量；基于像素注意力单元，使用1
×
1卷积层和sigmoid函数来获得注意力图，然后将其与输入特征相乘，生成一个三维矩阵作为注意力特征；基于Inception单元，通过1x1卷积来降低通道数进行视觉信息聚集，进行不同尺度的特征提取以及池化，得到多个尺度的信息，最后将特征进行叠加输出。3.如权利要求2所述的基于残差通道注意力网络的图像超分辨率重建方法，其特征在于，所述一维的注意力特征向量获取的具体的过程包括：通过使用全局平均池，将通道相关的全局空间信息转化为通道描述符；引入了门控机制，从聚合信息中完全捕获通道之间的依赖关系；获得最终的通道统计信息，用于重新缩放输入特征的位置，将通道统计信息与通道注意力单元的输入特征图进行相乘。4.如权利要求2所述的基于残差通道注意力网络的图像超分辨率重建方法，其特征在于，所述三维矩阵作为注意力特征获取的过程包括：采用1
×
1卷积层和sigmoid函数来获得注意力图，然后将其与输入特征相乘。5.如权利要求2所述的基于残差通道注意...

【专利技术属性】
技术研发人员：王春兴，栗亚星，孙建德，乔建苹，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：