[发明专利]基于残差模块和注意力机制的图像超分辨率重建方法

说明书

本发明公开了一种基于残差模块和注意力机制的图像超分辨率重建方法，使用双三次插值将单幅低分辨率图像调整至预定大小，以这个内插值的图像为y，目的是从y中恢复图像F(y)，使F(y)经过变换之后得到与高分辨率图像x相似的在学习映射函数F中，本发明引入了多级残差模块与多级注意力机制，多级残差模块的使用，可以实现将低频信息在不同维度直接传递，减少了训练难度；多级注意力机制的使用，可以使网络能够更好的建模出对最终输出的超分辨图像更重要的特征信息，并抑制无用或作用不大的特征。

技术领域

本发明涉及图像超分辨率重建领域，具体涉及一种基于残差模块和注意力机制的图像超分辨率重建方法。

背景技术

图像分辨率是衡量图像质量的一项重要指标。一幅高分辨率图像可以提供更加丰富的信息，相较于低分辨率图像更易进一步挖掘和利用其中信息。由于成像传感器及信号传输带宽等的限制,成像设备获取到的图像通常只具有较低的分辨率。

成像设备精度的提升、图像尺寸的缩小、单位面积内像素数量的增加可以提高图像分辨率，但都受到了当前制造水平的制约。也就是说，从硬件上提高图像分辨率较为困难，且耗时较长、成本极高；而且，成像系统会受到噪声、模糊等干扰，获取的图像存在质量下降、分辨率受损等问题。故软件和算法方面提升图像分辨率是一个非常重要的手段。

随着深度学习的热潮，基于卷积神经网络的图像超分辨重建技术获得了较快的发展。具体来说，图像超分辨率重建技术指的是利用数字图像处理、计算机视觉等领域的相关知识，借由特定的算法和处理流程，从给定的低分辨率图像中复原出高分辨率图像的过程。其旨在克服或补偿由于图像采集系统或采集环境本身的限制，而导致的成像图像模糊、质量低下、感兴趣区域不显著等问题。

图像超分辨率重建技术在多个领域都有着广泛的应用范围和研究意义。其中在航空侦察中，高分辨率图像有利于提高侦察效果，广泛应用于地形测绘、地质灾害监测、道路工程建设与车辆监管、农业林业及军事信息的解译等各个领域。

而现在，实现超分辨图像重建的方法大致分为两类：传统方法和卷积神经网络方法。传统方法主要是插值的方法，由低分辨率图像中临近像素通过一次或者多次多项式计算得到高分辨率图像中对应像素之间的插值来实现分辨率的增大。近年提出卷积神经网络算法如SRCNN，EDVR等，依赖于数据驱动的卷积神经网络模型来精确重建高分辨率影像所需的细节，在图像超分辨重建领域效果较传统算法有了较大提升。

本发明欲将残差模块和注意力机制应用到图像超分辨率重建方法中，以使图像超分辨性能得到进一步提升。

发明内容

本发明的目的在于提供一种基于残差模块和注意力机制的图像超分辨率重建方法，利用多级残差模块提高网络学习效率，并引入通道注意力机制，使网络能够更好地建模出对最终输出的超分辨图像更重要的特征信息，并抑制无用或作用不大的特征。

为实现上述目的，本发明设计一种基于残差模块和注意力机制的图像超分辨率重建方法，使用双三次插值将单幅低分辨率图像调整至预定大小，以这个内插值的图像为y，目的是从y中恢复图像F(y)，使F(y)经过变换之后得到与高分辨率图像x相似的包括以下步骤：

S1：将单幅低分辨率图像调整至预定大小，以这个内插值的图像为y，并且称y为低分辨率图像；

S2：学习映射函数F，该映射函数的表达式为：F(y)＝w*y+b，其中w为权重，b为偏置；函数的学习通过卷积神经网络实现，并运用多级残差模块和多级注意力机制；

S3：重建，该操作汇聚双三次插值、多级残差模块以及多级注意力机制所得的图像信息，得到能与高分辨率图像x相似的重建图像

进一步的，步骤S1中，使用了双三次插值的方式扩大图像的大小。