[发明专利]一种基于特征通道划分的图像超分辨率重建方法

权利要求书

1.一种基于特征通道划分的图像超分辨率重建方法，其特征在于，具体步骤包括：

S1、构建图像超分辨率重建模型，图像超分辨率重建模型包括特征提取模块、非线性特征映射模块和重建模块；特征提取模块、非线性特征映射模块和重建模块串联；特征提取模块用于输入的低分辨率图像提取浅层特征作为非线性特征映射模块的输入；非线性特征映射模块用于对输入的浅层特征进行提取信息，得到深层特征并送入重建模块；重建模块用于将输入的深层特征提取信息后通过亚像素卷积生成残差图像与低分辨率图像使用最近邻插值法上采样后获得的图像相加获得高分辨率图像；

S2、构建训练集；

S3、训练图像超分辨率重建模型，用步骤S2的训练集对步骤S1的图像超分辨率重建模型进行训练，包括设置损失函数、权重更新算法和设置学习率；

S4、将待处理的图像输入到训练后的图像超分辨率重建模型，输出得到重建后的高分辨率图像。

2.根据权利要求1所述的基于特征通道划分的图像超分辨率重建方法，其特征在于，所述特征提取模块采用3×3卷积对输入的低分辨率图像提取浅层特征后输入非线性特征映射模块，同时将RGB通道转化为n通道。

3.根据权利要求1所述的基于特征通道划分的图像超分辨率重建方法，其特征在于，所述非线性特征映射模块由n个串联的特征通道划分模块组成，前一个特征通道划分模块的输出特征作为后一个特征通道划分模块的输入，其中最后一个特征通道划分模块的输出特征将作为重建模块的输入。

4.根据权利要求3所述的基于特征通道划分的图像超分辨率重建方法，其特征在于，每个特征通道划分模块用于使用特征通道划分对输入特征进行分别处理，充分利用特征的信息，其主体结构包括1个初始特征处理模块、3个通道划分子模块、3个残差块、1个聚合模块和1个通道注意力模块；初始特征处理模块用于对输入的浅层特征进行3×3卷积后输入通道划分子模块；每个通道划分子模块用于对输入的图像特征使用通道划分，获得待精炼特征F_reserved和待处理粗特征F_coarse，对获得的F_reserved用1×1残差块对其进行精炼获得精炼特征F_refined，并输出到聚合模块；对获得的F_coarse进行3×3卷积后作为下一个通道划分子模块的输入；最后一个通道划分子模块获得的F_coarse进行3×3卷积后得到精炼特征F_refined，并输出到聚合模块；聚合模块用于将所有的F_refined特征聚合，聚合后的特征经过1×1卷积后输入通道注意力模块；通道注意力模块用于对输入的特征进行精炼并输出特征。

5.根据权利要求1所述的基于特征通道划分的图像超分辨率重建方法，其特征在于，步骤S2具体为：将训练数据中高分辨率裁减192×192大小图片，低分辨率按超分辨率倍数缩小；同时，对训练数据进行旋转，翻转进行数据增强，得到训练集。

6.根据权利要求1所述的基于特征通道划分的图像超分辨率重建方法，其特征在于，步骤S3的具体训练过程如下：

S31、预训练模型：首先训练放大倍数为2的超分辨率模型，对于放大倍数为3或4模型，使用放大倍数为2的模型参数初始化网络；

S32、设置损失函数：使用L1范数损失函数，公式为：

其中θ代表模型的参数，代表将低分辨率图像输入模型后重建的高分辨率图像，代表真实图像，||*||₁代表L1损失；

S33、权重更新算法：使用Adam算法作为网络优化器，其初始参数设置为β₁＝0.9，β₂＝0.99，ε＝0.99；

S34、学习率设置：初始学习率设置为2×10^-4，并每200个批次学习率减半；

S35、在训练1000批次后模型得到收敛，获得最优的图像超分辨率重建系统。