[发明专利]一种基于特征通道自适应加权的超分辨图像重建方法

说明书

本发明属于图像重建领域，特别是涉及一种基于特征通道自适应加权的超分辨图像重建方法。一种基于特征通道自适应加权的超分辨图像重建方法，包括以下步骤：(1)改进压缩激励网络SE的激励函数，得到ISE模块；(2)简化现有的EDSR网络；(3)将ISE模型嵌入到简化的EDSR网络，得到ISE‑EDSR模型；(4)用训练样本训练ISE‑EDSR模型。本发明的优点有：训练难度低；自适应学习特征通道权重；避免网络中间层输出值过低的问题；超分辨率重建后的图像峰值信噪比高。

技术领域

本发明属于图像重建领域，特别是涉及一种基于特征通道自适应加权的超分辨图像重建方法。

背景技术

超分辨率图像重建是指使用信号处理或者图像处理算法，将低分辨率图像转变成高分辨率图像的技术。更具体地说，是把单幅或者多幅混淆、退化的低分辨率图像恢复为高分辨率图像的技术。根据所用低分辨率图像的数量，可以将超分辨图像重建技术分为基于单幅图像的和基于多幅图像的重建方法。其中，单幅图像的超分辨率重建技术广泛应用于医学图像处理、视频监控、刑侦分析、图像打印、卫星成像等计算机视觉领域。

近年来，基于卷积神经网络CNN的超分辨率图像重建技术方兴未艾。主要的网络模型包括密集残差网络和强化的针对单一图像超分辨率的深度残差网络EDSR。这些网络模型同等对待各特征通道，从而影响了重构的图像质量。现有的研究表明：区别对待各特征通道，有助于提高图像重建的精度。

为了从单幅低分辨率图像更加准确地重建出超分辨率图像，本发明将改进的压缩激励网络ISE嵌入简化的EDSR模型，提出一种新的超分辨率图像重建方法。该方法能够差别对待的各个深度特征通道，提高图像的重建精度。

发明内容

本发明的目的在于提出一种基于特征通道自适应加权的超分辨图像重建方法。

本发明的目的是这样实现的：

一种基于特征通道自适应加权的超分辨图像重建方法，包括以下步骤：

(1)改进压缩激励网络SE的激励函数，得到ISE模块；

(2)简化现有的EDSR网络；

(3)将ISE模型嵌入到简化的EDSR网络，得到ISE-EDSR模型；

(4)用训练样本训练ISE-EDSR模型。

所述的改进压缩激励网络SE的激励函数是在原始SE网络的基础上，利用下式将输入层和输出层进行残差连接，实现网络通道权重自适应学习；

E(y)＝(σ(W₂δ(W₁y))×0.8+σ(y)×0.2)×2

其中，y为SE网络的输入向量，E(y)为网络的通道权重，σ和δ分别表示Sigmoid函数和ReLU函数，W₁和W₂是单隐层神经网络的权值且C为通道个数。

所述的简化现有的EDSR网络主要是减少EDSR网络的残差块个数和卷积核数量。

所述的将ISE模型嵌入到简化的EDSR网络，得到ISE-EDSR模型具体为：在浅层提取块、残差深层提取块和放大块的每个卷积层后嵌入ISE模块，得到基于通道自适应加权的超分辨图像重建模型。

所述的用训练样本训练ISE-EDSR模型具体为：使用DIV2K数据集对模型进行训练，对训练图像进行90度、180度、270度旋转、水平翻转和0均值处理，将增强后的训练图像4倍下采样后，与原始高分辨率图像一起构成训练样本对集合，通过训练得到最终的超分辨图像重建网络模型。

本发明的有益效果在于：

1)训练难度低；

2)自适应学习特征通道权重；