基于双重注意力机制的轻量级图像超分辨率重建方法技术

本发明专利技术公开一种基于双重注意力机制的轻量级图像超分辨率重建方法，属于图像处理技术领域，实现步骤为：1)构建训练数据集；2)构建超分辨率网络模型；3)训练超分辨率网络模型，从而得到训练好的超分辨率网络模型；4)获得超分辨率重建图像。本发明专利技术通过基于简单通道注意力机制和增强型空间注意力机制的轻量级图像超分辨率重建方法，能够获取有利于图像超分辨率重建的通道特征信息和空间特征信息，不仅有效地提升了超分辨率网络模型的重建性能，同时，相较于主流的轻量级超分辨率网络模型有更低的参数量和计算量。的参数量和计算量。的参数量和计算量。

【技术实现步骤摘要】
基于双重注意力机制的轻量级图像超分辨率重建方法


[0001]本专利技术涉及图像处理
，更进一步地，涉及图像超分辨率重建
中的一种基于双重注意力机制的轻量级图像超分辨率重建方法。

技术介绍

[0002]图像超分辨率(SR)重建的目标是从给定的低分辨率图像中恢复出相应的高分辨率图像。图像超分辨率重建作为一种典型的低水平计算机视觉任务，在卫星遥感、生物特征识别、图像分析和影像监控等领域起着重要的作用。然而SR是一个病态问题，即一幅低分辨率(LR)图像可以由不同的高分辨率(HR)图像退化而来。深度学习的兴起为解决这一问题提供了一个强大的工具。Dong等人首次将基于CNN的方法应用于图像超分辨率重建，并开发出了一个只有三层卷积的SRCNN网络。Kim等人提出了一个拥有20层卷积的VDSR网络，取得了比SRCNN更好的性能，结果表明：通过加深网络的深度可以提高图像超分辨率的重建性能。此后，Zhang等人提出的RDN网络和RCAN网络，将网络深度分别增加到100层和400层。
[0003]然而，这些大规模的网络模型会消耗巨大的存储空间以及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双重注意力机制的轻量级图像超分辨率重建方法，其特征在于，具体包括以下步骤：步骤1，构建训练数据集：(1a)首先将DIV2K数据集中的900张高分辨率图像进行数据增强处理，然后将数据增强处理后的高分辨率图像进行双三次插值下采样操作，从而得到相对应的低分辨率图像；(1b)将高分辨率图像和对应的低分辨率图像构成一对训练样本，从而得到训练数据集；步骤2，构建超分辨率网络模型：网络模型包括四个部分：浅层特征提取模块、增强型局部特征提取组、深度特征融合模块、上采样模块；浅层特征提取模块由一个3
×
3卷积层组成，用以提取浅层特征；增强型局部特征提取组由8个增强型局部特征提取块堆叠组成，将浅层特征输入到增强型局部特征提取组后由8个增强型局部特征提取块依次提取深度层次特征；深度特征融合模块对深度层次特征进行融合、筛选得到深度融合特征；最后，将浅层特征和深度融合特征相加，通过上采样模块得到重建的高分辨率图像；步骤3，训练超分辨率网络模型，从而得到训练好的超分辨率网络模型：将训练数据集中的所有训练样本输入到超分辨率网络模型中，利用梯度下降法，对网络的参数进行迭代更新，直到损失函数收敛为止，从而得到训练好的超分辨率网络模型；步骤4，对低分辨率图像进行超分辨率重建：将自然场景下的低分辨率图像输入到训练好的超分辨率网络模型中，经处理后得到超分辨率重建的高分辨率图像。2.根据权利要求1所述的一种基于双重注意力机制的轻量级图像超分辨率重建方法，其特征在于，所述步骤(1a)中的数据增强指的是，对DIV2K数据集的高分辨率图像进行随机水平翻转、随机垂直翻转、随机旋转90
°
、180
°
、270
°
处理；所述步骤(1a)中的双三次插值下采样指的是：I
LR
＝I
HR
↓
S
，I
LR
表示低分辨率图像，I
HR
表示高分辨率图像，
↓
S
表示双三次插值下采样操作，S...

【专利技术属性】
技术研发人员：谢峰，卢佩，刘效勇，郝晓辰，周子豪，
申请(专利权)人：桂林理工大学，
类型：发明
国别省市：