基于频域和空域的图像超分辨率方法技术

本发明专利技术公开了一种基于频域和空域的图像超分辨率方法，包括获取原始数据集并处理得到训练数据集；基于增强超分辨率生成对抗网络，并结合小波变换和注意力机制，从频域和空域两个角度构建图像超分辨率原始模型；采用训练数据集进行训练得到图像超分辨率模型；采用图像超分辨率模型对实际的图像进行超分辨率处理。本发明专利技术依据空域图像和频域图像不同的特征，采用生成对抗网络、注意力机制和小波变换等技术，训练得到图像超分辨率模型，分别对空域和频域图像进行深度特征提取和特征重建工作；因此本发明专利技术方法能够使得超分辨率后的图像拥有更多的高频信息、结构信息和纹理信息，而且兼具准确率和视觉效果，可靠性高、实际应用效果好且稳定精确。好且稳定精确。好且稳定精确。

【技术实现步骤摘要】
基于频域和空域的图像超分辨率方法


[0001]本专利技术属于数字图像处理领域，具体涉及一种基于频域和空域的图像超分辨率方法。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，电子图像已经广泛应用于人们生产和生活当中，给人们的生产和生活带来了无尽的便利。在电子图像大范围使用的今天，如何获取更高分辨率的电子图像，就成为了人们研究的重点。
[0003]目前，传统的获取更高分辨率的电子图像的方式，就是硬件升级，即通过硬件升级的方式，采用更加高级的传感器技术和光学制造技术，来获取更加高分辨率的电子图像。但是，受到传感器技术和光学制造技术的限制，通过硬件升级来获得更高质量和更高分辨率的图像的方法，不仅代价高昂，而且存在技术瓶颈。
[0004]图像超分辨率技术能够在一定的条件下，克服图像原有分辨率的限制，提高图像的分辨率，而且实现成本较低，实现效果较好。因此，图像超分辨率技术成为了现今的研究重点。
[0005]近年来，随着深度学习的快速发展，基于深度学习的超分辨率方法由于其优良的性能，已经逐步取代传统的基于插值和基于重建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于频域和空域的图像超分辨率方法，包括如下步骤：S1.获取原始数据集；S2.对步骤S1获取的原始数据集进行处理，从而构建训练数据集；S3.基于增强超分辨率生成对抗网络，并结合小波变换和注意力机制，从频域和空域两个角度，构建图像超分辨率原始模型；S4.采用步骤S2得到的训练数据集，对步骤S3构建的图像超分辨率原始模型进行训练，从而得到图像超分辨率模型；S5.采用步骤S5得到的图像超分辨率模型，对实际的图像进行超分辨率处理，完成实际图像的超分辨率。2.根据权利要求1所述的基于频域和空域的图像超分辨率方法，其特征在于步骤S2所述的对步骤S1获取的原始数据集进行处理，从而构建训练数据集，具体包括如下步骤：A.设定训练数据集中的高分辨率图像的分辨率和低分辨率图像的分辨率；B.将步骤S1获取的原始数据集中的图像进行切分，获取若干子图作为高分辨率图像；C.将步骤B得到的高分辨率图像进行下采样处理，从而得到对应的低分辨率图像；D.将步骤B得到的高分辨率图像和步骤C得到的低分辨率图像进行一一匹配，从而得到训练数据集。3.根据权利要求2所述的基于频域和空域的图像超分辨率方法，其特征在于步骤S3所述的基于增强超分辨率生成对抗网络，并结合小波变换和注意力机制，从频域和空域两个角度，构建图像超分辨率原始模型，具体包括如下步骤：a.构建空域超分网络，用于将输入的低分辨率图像进行特征提取、上采样和重建，从而得到重建空域图像特征；b.构建频域超分网络，用于将输入的低分辨率图像进行频域分解、特征提取、上采样和重建，从而得到重建频域图像特征；c.构建注意力融合网络，用于将步骤a得到的重建空域图像特征和步骤b得到的重建频域图像特征进行融合，并重建得到高分辨率图像。4.根据权利要求3所述的基于频域和空域的图像超分辨率方法，其特征在于步骤a所述的构建空域超分网络，具体包括如下步骤：空域超分网络包括依次串接的空域浅层特征提取模块、空域深层特征提取模块、空域上采样模块和空域特征重建模块；空域浅层特征提取模块包括一层卷积层，卷积核大小为3*3；空域浅层特征提取模块用于对输入的低分辨率图像进行浅层特征提取，并将提取到的浅层图像特征上传至空域深层特征提取模块；空域深层特征提取模块包括23个密集残差块和一层卷积层，卷积层的卷积核大小为3*3；输入的浅层图像特征依次通过密集残差块和卷积层后得到深层图像特征，并保留中间特征；空域深层特征提取模块用于进行图像的深层特征提取，并将提取到的深层图像特征上传至空域上采样模块；空域上采样模块包括依次串接的上采样层、一层卷积层和relu激活函数层，上采样层采用最近邻采样模式，卷积层的卷积核大小为3*3；输入的深层图像特征通过上采样层得到目标分辨率的空域图像特征，然后经过卷积层进行卷积操作，最后经过relu函数进行激活，
完成上采样处理，并将最终得到的空域图像特征上传至空域特征重建模块；空域特征重建模块包括依次串接的第一卷积层、一层relu激活函数层和第二卷积层，第一卷积层的卷积核大小为3*3，第二卷积层的卷积核大小为3*3；输入的空域图像特征通过第一卷积层进行卷积操作后，再通过relu函数进行激活，然后再通过第二卷积层进行卷积操作后，得到最终的重建空域图像特征。5.根据权利要求4所述的基于频域和空域的图像超分辨率方法，其特征在于步骤b所述的构建频域超分网络，具体包括如下步骤：频域超分网络包括依次串接的频域分解模块、频域浅层特征提取模块、频域深层特征提取模块、频域上采样模块和频域特征重建模块；频域分解模块采用稳定小波变换算法，将输入的低分辨率图像转换为4张频域图像：水平低频图像、水平高频图像、垂直高频图像和对角高频图像；并将得到的4张频域图像上传至频域浅层特征提取模块；频域浅层特征提取模块包括一层卷积层，卷积核的大小为3*3；频域浅层特征提取模块用于对输入的频域图像进行浅层特征提取，并将提取到的频域浅层图像特征上传至频域深层特征提取模块；频域深层特征提取模块包括依次串接的第一卷积层、第一密集残差块层、第二卷积层、第二密集残差块层、第三卷积层...

【专利技术属性】
技术研发人员：张师超，谢方鑫，章成源，
申请(专利权)人：中南大学，
类型：发明
国别省市：