图像超分辨率重建方法、系统、设备和存储介质技术方案

本发明专利技术涉及图像超分辨率重建方法、系统、设备和计算机可读存储介质，包括将低分辨率图像映射高维空间，提取图像浅层特征；利用稀疏注意力结构处理图像浅层特征，得到多尺度深度特征；利用移位卷积结构加强多尺度深度特征，得到强化多尺度深度特征；将强化多尺度深度特征进行上采样操作，得到超分辨率特征图；利用最小绝对偏差损失函数训练由稀疏注意力结构和移位卷积结构组成的高分辨率网络；利用高分辨率网络，将超分辨率特征图与待重建的低分辨率图像对应的高分辨率标签图像进行迭代更新运算，得到完成训练的图像超分辨率重建模型。能够充分利用图像的多尺度特征，同时减少冗余特征，增强图像特征表征能力，从而提高图像超分辨率的重建性能。分辨率的重建性能。分辨率的重建性能。

【技术实现步骤摘要】
图像超分辨率重建方法、系统、设备和存储介质


[0001]本专利技术涉及计算机视觉
，尤其是指图像超分辨率重建方法、系统、设备和计算机可读存储介质。

技术介绍

[0002]图像超分辨率是一种通过数学算法来提高低分辨率图像的分辨率的技术。它可以从原始低分辨率图像中生成高分辨率图像，从而提高图像的质量和清晰度。这种技术可以用于许多领域，如医学成像、视频监控、航空航天、电影制作等。在这些领域中，高分辨率图像对于提高图像质量和准确度至关重要。
[0003]传统提高图像分辨率的方法通常为插值和重建。插值是通过对低分辨率图像进行插值来提高图像的分辨率，简单快速，但是在提高图像质量和细节方面效果较差。而重建是通过将低分辨率图像转换为高分辨率图像来提高图像的质量和分辨率。这种方法可以利用深度学习、卷积神经网络等技术来实现，可以有效地提高图像质量和细节，并且已经成为了图像超分辨率的主要研究方向。
[0004]近年来，基于深度学习的方法在图像超分辨率领域中得到了广泛的应用。这些方法主要使用卷积神经网络进行高分辨率图像的重建。常见的卷积神经网络包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像超分辨率重建方法，其特征在于，包括：S1、将待重建的低分辨率图像映射高维空间，提取图像浅层特征；S2、利用稀疏注意力结构处理所述图像浅层特征，提取单尺度深度特征；S3、设置三个不同尺度参数的窗口，处理所述单尺度深度特征，得到多尺度深度特征；S4、利用移位卷积结构加强所述多尺度深度特征，得到强化多尺度深度特征；S5、将所述强化多尺度深度特征进行上采样操作，得到超分辨率特征图；S6、利用最小绝对偏差损失函数训练由所述稀疏注意力结构和移位卷积结构组成的高分辨率网络；S7、利用所述高分辨率网络，将所述超分辨率特征图与所述待重建的低分辨率图像对应的高分辨率标签图像进行迭代更新运算，得到完成训练的图像超分辨率重建模型。2.根据权利要求1所述的图像超分辨率重建方法，其特征在于，所述利用稀疏注意力结构处理所述图像浅层特征，提取单尺度深度特征包括：S21、对所述图像浅层特征进行窗口划分，将其划分为多个相等大小的窗口；S22、在每个所述窗口的范围内计算所述图像浅层特征的非局部注意力，得到相似度权重矩阵；S23、对所述相似度权重矩阵进行稀疏化操作，并过滤所述相似度权重矩阵中不相关的权重值，利用剩余的相似度权重矩阵对图像浅层特征矩阵中的每个值进行加权求和，得到所述单尺度深度特征。3.根据权利要求2所述的图像超分辨率重建方法，其特征在于，提取所述单尺度深度特征包括：将图像浅层特征矩阵F0∈R
C
×
H
×
W
作为输入；对所述图像浅层特征进行窗口划分，将其划分为个大小均为M
×
M的窗口，此时图像浅层特征矩阵利用由1
×
1的卷积实现的转移矩阵W
q
，W
k
，W
v
分别对所述图像浅层特征进行线性变换,得到矩阵Q、K和V；利用所述矩阵Q和K在每个所述窗口的范围内计算非局部注意力，得到相似度权重矩阵保留所述相似度权重矩阵A的前K个最相关的权重、不相关的权重赋值为负无穷，完成稀疏化操作，得到稀疏化权重矩阵A
*
；利用softmax激活函数过滤所述稀疏化权重矩阵A
*
，并对过滤后的权重矩阵对矩阵V进行加权求和，得到所述单尺度深度特征F；其计算公式为：Q＝W
q
F0，K＝W
k
F0，V＝W
v
F0A＝QK
T
A
*
＝Sparse(A)F＝Softmax(A
*
)V其中，K
T
表示K的转置，C，H，W分别表示图像浅层特征的通道数、长、宽，L＝M
×
M，Sparse
为稀疏化操作。4.根据权利要求1所述的图像超分辨率重建方法，其特征在于，所述设置三个不同尺度参数的窗口，处理所述单尺度深度特征，得到多尺度深度特征包括：S31、设置三个不同尺度参数的窗口；S32、将所述单尺度深度特征F在通道维度上平均分割成三份f1、f2和f3，并分别输入到不同尺度参数的窗口的稀疏注意力结构中，得到三个单尺度的深度特征F1、F2和F3；S33、将所述三个单尺度的深度特征F1、F2和F3在通道维度进行融合，得到多尺度深度特征F1；其计算公式为：f1，f2，f3＝Split(F)F1，F2，F3＝SA(f1，f2，f3)F1＝Concat(F1，F2，F3)其中，Split为通道分割函数，SA为设有不同尺度参数...

【专利技术属性】
技术研发人员：钟宝江，肖宪伟，
申请(专利权)人：苏州大学，
类型：发明
国别省市：