[发明专利]图像超分辨率处理方法

说明书

本发明公开了一种图像超分辨率处理方法，其包括：获取训练图像集，训练图像集包括多组图像组，每组图像组均包括彼此对应的第一图像和第二图像，第一图像的分辨率低于第二图像的分辨率；基于傅里叶域特征通道注意力机制和卷积神经网络搭建第一模型或第二模型；通过训练图像集训练第一模型，或者通过训练图像集训练第二模型；通过训练完成的第一模型或第二模型完成待处理图像的超分辨率处理。该方法可以更加有效地提取图像特征，在不同超分辨模态和不同成像条件下，实现比现有方法更精确、更鲁棒的超分辨率图像预测和重建。

技术领域

本发明涉及图像处理领域，特别涉及一种图像超分辨率处理方法。

背景技术

在显微成像领域，荧光显微成像是一种可以在活体条件下观测生物细胞、组织、器官的显微成像技术，是生命科学发展强有力的助推器。但是通常来讲，荧光显微成像的分辨率会被光学衍射极限限制在荧光波长的一半(250nm)左右，使得传统荧光显微成像技术无法看清比衍射极限更细微的生物结构。近年来，基于光学系统改进的超分辨率荧光显微成像技术蓬勃发展。随机激发光学重建超分辨显微技术(Stochastic opticalreconstruction microscopy，简称STORM技术)可以将光学成像的分辨率提高到10nm，但是成像速度较慢；受激发射损耗超分辨显微技术(Stimulated emission depletionmicroscopy，简称STED技术)可以将分辨率提升至60nm，同时保持较高的成像速度，但是其需要的激光功率较高，对生物组织造成的光毒性和光漂白比较严重。

基于算法的图像超分辨率处理方法在近年来也取得了巨大的发展。基于深度学习算法的图像超分辨率处理方法被广泛应用于自然图像领域，超分辨卷积神经网络(Superresolution convolutional neural network)、增强深度残差网络(Enhanced deepresidual network)、残差特征通道注意力网络(Residual channel attention network)等基于深度卷积神经网络的方法在自然图像超分辨任务中表现出了极佳的性能。而在显微成像领域，相比于基于光学系统改进的图像超分辨率处理方法，虽然基于算法的图像超分辨率处理方法可以避免光毒性和光漂白，但是当前已有的基于算法的图像超分辨率处理方法虽然在很多特定的成像条件下表现出了不错的效果，但是仍然存在预测不准确、细节模糊等问题，特别是在原始数据信噪比较低的条件下，现有的基于算法的图像超分辨率处理方法无法达到理想效果。

发明内容

鉴于此，本发明提供一种图像超分辨率处理方法，能够实现比现有方法更好的超分辨率处理效果，也能够避免在原始数据信噪比较低的条件下，图像预测不准确、细节模糊等问题。

具体而言，包括以下的技术方案：

本发明实施例提供了一种图像超分辨率处理方法，包括：

获取训练图像集，所述训练图像集包括多组图像组，每组所述图像组均包括彼此对应的第一图像和第二图像，所述第一图像的分辨率低于所述第二图像的分辨率；

基于傅里叶域特征通道注意力机制和卷积神经网络搭建第一模型或第二模型；

通过所述训练图像集训练所述第一模型，或者通过所述训练图像集训练所述第二模型；

通过训练完成的所述第一模型或所述第二模型完成待处理图像的超分辨率处理。

可选地，所述基于傅里叶域特征通道注意力机制和卷积神经网络搭建第一模型或第二模型，包括：

基于所述傅里叶域特征通道注意力机制构建傅里叶域特征通道注意力卷积模块，基于所述傅里叶域特征通道注意力卷积模块在所述卷积神经网络中搭建所述第一模型或所述第二模型。

可选地，所述傅里叶域特征通道注意力机制通过傅里叶域特征通道注意力模块来实现，所述傅里叶域特征通道注意力模块包括：