[发明专利]一种基于级联网络的轻量图像超分辨率重建方法

权利要求书

1.一种基于级联网络的轻量图像超分辨率重建方法，其特征在于，包含以下几个步骤：

S1：获取DIV2K数据集，将.PNG数据转换成.npy数据格式。

S2：在S1基础上，对.npy数据进行裁剪，裁剪大小为128×128的高分辨率图像HR，随后下采样得到低分辨率图像LR，形成高低分辨率图像对。

S3：在S2基础上，使用卷积设计低层特征提取网络进行特征提取，提取到的特征表示为F_L。

S4：在S3基础上，设计深度特征提取模块DGSA，DGSA包括轻量卷积和注意力机制两部分。共由4个DGSA级联组成深度特征提取网络。使用S3中提取的低层特征作为深度特征提取网络的输入，提取深度特征F_H。

S5：在S4基础上，使用提取到的深度特征F_H输入上采样网络将特征图放大到目标重建的尺寸。随后经过重建模块，恢复到目标图像相同的通道数，输出目标SR。

S6：通过S1得到的HR和S5得到的SR，使用L1损失函数计算两者之间的误差。并进行梯度负反馈，对特征提取层、上采样层及重建层的参数更新。

S7：将S2-S6进行多次的迭代，不断更新网络参数，达到设定的训练量后，固定模型。并将待重建图像作为模型的输入进行重建得到目标的超分辨率图像SR_T。

2.一种基于级联网络的轻量图像超分辨率重建方法，其特征在于，所述步骤S1中：

将原始获得的.PNG的图像文件转换成.npy数据，加快读取文件速度。

3.一种基于级联网络的轻量图像超分辨率重建方法，其特征在于，所述步骤S2中：

对生成的.npy文件进行裁剪，裁剪尺寸为128×128分辨率，并针对不同的重建尺度进行下采样。

4.一种基于级联网络的轻量图像超分辨率重建方法，其特征在于，所述步骤S3中：

设计低层特征提取网络，低层特征提取网络由卷积核大小为3的卷积构成，输入通道数为3，输出通道数为64。特征图尺寸不变。

5.一种基于级联网络的轻量图像超分辨率重建方法，其特征在于，所述步骤S4中：

设计深度特征提取模块DGSA(Depthwise-Group ShuffleNet with Attention)。DGSA由两个通道主城，通道1直接通过一个FE模块特征提取之后输出。通道2首先通过一个FE模块进行第一次的特征提取之后，进行特征通道重组，改变通道的位置，增强通道间的信息交互。FE模块64通道深度卷积和分组卷积组成，分组数为4。并使用ReLU函数激活。获取两个通道的特征之后，进行卷积核为1×1的卷积将两个通道的信息进行残差连接，融合通道的信息，最后输出特征F_H1＝DGSA(F_L)。随后将低层特征和深度特征融合，进行通道的拼接之后使用卷积核为1×1的标准卷积进行通道融合，最后输出F_H。

6.一种基于级联网络的轻量图像超分辨率重建方法，其特征在于，所述步骤S5中：

通过卷积核为3×3的卷积进行通道扩张，随后进行Pixel Shuffle进行特征图放大，并保证通道数为64，如果放大倍数为2和3，则只放大一次，如果放大倍数为4，则执行两次上述操作，分别放大两倍。

7.一种基于级联网络的轻量图像超分辨率重建方法，其特征在于，所述步骤S6中：

使用L1损失作为网络训练的损失函数，Adam优化器作为网络的优化器，计算SR和HR之间的误差进行反向传播，训练100个Epoch。进行参数的更新。

8.一种基于级联网络的轻量图像超分辨率重建方法，其特征在于，所述步骤S7中：

训练结束之后，固定好模型的参数，将待重建的图像作为网络的输入，输出则是目标的超分辨率图像。