【技术实现步骤摘要】
一种基于元迁移的残差通道注意力水下图像超分辨率方法
[0001]本专利技术涉及图像处理和深度学习领域,更具体的说,本专利技术面向水下图像的超分辨率重建任务。
技术介绍
[0002]随着海洋资源的不断开采,水下机器人技术也随之不断发展。水下机器人被广泛应用于海洋资源探索等方面,水下退化图像的增强和复原技术由于其对于海洋探索开发利用的重要意义而备受关注。海洋环境复杂度多样,多重不利因素如光在水中传输时又会受到水的吸收、反射和散射等影响而发生严重的衰减,采集到的水下图像难免会出现可见范围有限、模糊不清、低对比度、非均匀光照、色彩不协调以及噪声等问题。
技术实现思路
[0003]本专利技术的目的在于提出一种新的高效的针对水下图像超分辨率重建模型。
[0004]一种基于元迁移的残差通道注意力水下图像超分辨率方法,包括以下步骤:
[0005]S1、建立模型框架:本专利技术提出一种基于元迁移的残差通道注意力水下图像超分辨率方法,网络主要由4个模块组成,分别为提取浅层特征的单层卷积层模块、提取深层特征的双重残差模块、图像上采样模块以及图像重建模块;浅层特征提取模块使用了一个卷积层从输入的LR图像中提取浅层特征F0:
[0006]F0=H
SF
(I
LR
),
[0007]其中,H
SF
为卷积运算,F0作为后续双重残差模块的深度特征提取中的输入。
[0008]深度特征提取使用包含多个残差组的双重残差(RIR)模块:
[0
【技术保护点】
【技术特征摘要】
1.一种基于元迁移的残差通道注意力水下图像超分辨率方法,其特征在于,具体实现步骤如下:S1、建立模型框架:本发明提出一种基于元迁移的残差通道注意力水下图像超分辨率方法,网络主要由4个模块组成,分别为提取浅层特征的单层卷积层模块、提取深层特征的双重残差模块、图像上采样模块以及图像重建模块;浅层特征提取模块使用了一个卷积层从输入的LR图像中提取浅层特征F0:F0=H
SF
(I
LR
),其中,H
SF
为卷积运算,F0作为后续双重残差模块的深度特征提取中的输入;深度特征提取使用包含多个残差组的双重残差(RIR)模块:F
DF
=H
RIR
(F0),双重残差结构包含G个残差组和一个长跳跃连接,每一个残差组具有B个包含段跳跃连接的残差通道注意模块;残差组表示如下:F
g
=H
g
(F
g
‑1)=H
g
(H
g
‑1(
…
H1(F0)
…
)),其中,H
g
表示为第g个残差块,F
g
‑1和F
g
为H
g
的输入和输出;长跳跃连接:F
DF
=F0+W
LsC
F
g
=F0+W
LsC
H
g
(H
g
‑1(
…
H1(F0)
…
)),其中,W
LSC
为与最后一个双重残差模块连接的卷积层权重;在每个残差块中有着多个残差信道注意块;第g个残差块中的第b个残差通道注意力块表示为:F
g,b
=H
g,b
(F
g,b
‑1)=H
g,b
(H
g,b
‑1(
…
H
...
【专利技术属性】
技术研发人员:罗笑南,鲁家豪,
申请(专利权)人:桂林慧谷人工智能产业技术研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。