一种基于浅层通道分离与聚合的单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浅层通道分离与聚合的单图像超分辨率重建方法，属于超分辨率图像重建领域。首先对数据进行预处理得到高分辨率图片和低分辨率图片；然后构建并训练基于浅层通道分离与聚合的单图像超分辨率重建网络，包括通道分离与聚合模块和全局特征聚合模块；通道分离与聚合模块用于对浅层图片信息的特征提取，能更好的获得图片的细节和纹理信息；全局特征聚合模块用于聚合通道分离与聚合模块所得的特征信息，更好的获得全局信息。本发明专利技术方法有利于学习深浅特征模式的关系，从而恢复更多的细粒度信息，与大型重量级网络相比，在计算资源和性能之间达到了较好的均衡。计算资源和性能之间达到了较好的均衡。计算资源和性能之间达到了较好的均衡。

【技术实现步骤摘要】
一种基于浅层通道分离与聚合的单图像超分辨率重建方法


[0001]本专利技术属于图像处理
，涉及基于深度学习的单张图像超分辨重建方法，特别涉及基于通道分离与聚合的单图像超分辨重建方法。

技术介绍

[0002]视觉信息具有直观高效的描述能力，在人类社会中扮演着重要的角色。图像中包含了大量的视觉信息，人们能从图像中获得所描述对象的相关信息，是重要的信息载体。一般来说，图像的分辨率越高，蕴含的细节会更多，而在很多领域中，如医学影像、视频监控等应用中，细节起到了非常关键作用。但由于硬件设备、自然环境、人为因素和其他因素的影响，成像系统采集的图像存在分辨率低、图像模糊等问题，无法满足高质量图像的需求。图像超分辨重建技术可以将采集的低质量图像重建成更清晰、分辨率更高、视觉效果更好的图像，从而提高图像的分辨率，恢复图像中的细节。近二十年来，图像超分辨重建一直是图像处理、计算机视觉和机器学习等领域的研究热点，广受工业界和学术界的关注。
[0003]传统超分辨率重建算法主要包括基于插值的超分辨率重建、基于退化模型的超分辨率重建、基于学习的超分辨率重建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于浅层通道分离与聚合的单图像超分辨率重建方法，其特征在于，该方法包括：步骤(1)、训练数据集处理；对长宽为H
r
×
W
r
的I
HR
高分辨图像进行降质处理并缩放至s倍，获得长宽为(H
r
//s)
×
(W
r
//s)的I
LR
低分辨图像；将所有高分辨率图像对与低分辨率图像对组成训练集；步骤(2)、构建基于浅层通道分离与聚合的单图像超分辨率重建网络；图像超分辨率重建网络包括浅层通道分离与聚合模块、全局特征聚合模块和上采样模块；浅层通道分离与聚合模块用于对低分辨率图像的通道进行分离和聚合，提取其中的特征；而全局特征聚合模块聚合每个浅层通道分离与聚合模块所得的特征；上采样模块是将通过网络训练所得的图像放大至高分辨率图像大小一样；步骤(3)、训练基于浅层通道分离与聚合的单图像超分辨率重建网络；步骤(4)、通过训练好的单图像超分辨重建网络完成单图像超分辨重建任务。2.根据权利要求1所述的浅层通道分离与聚合的单图像超分辨率重建方法，其特征在于，步骤(1)具体方法如下：采用公开数据集DIV2K数据集作为训练数据，DIV2K数据集包含800张训练集、100张验证集、100张测试集；DIV2K中的800张训练集为高清图像，将其降质处理；采用的降质方法是双三次插值法并进行指定倍数下采样的模糊处理，得到缩小指定倍数的低分辨率图像I
LR
；低分辨率图像I
LR
由高分辨率图像I
HR
经过倍数为s的双三次插值法下采样得到，即低分辨率图像I
LR
的宽和高均为高分辨率图像I
HR
的1/s；将训练数据的低分辨率图像I
LR
作为模型训练过程中的输入图像，高分辨率图像I
HR
作为模型训练过程中所得图像的对比图像。3.根据权利要求1所述的浅层通道分离与聚合的单图像超分辨率重建方法，其特征在于，步骤(2)具体方法如下：基于浅层通道分离与聚合的图像超分辨率重建网络分为并联的第一分支和第二分支；第一分支对通道进行分离，依次加入第二分支中，以丰富浅层网络的纹理信息；...

【专利技术属性】
技术研发人员：李艳春，范明慧，裴廷睿，朱江，申冬苏，贺新安，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：