[发明专利]基于深度坐标注意力网络模型的图像超分辨率重建方法

权利要求书

1.一种基于深度坐标注意力网络模型的图像超分辨率重建方法，其特征在于：包括以下步骤：

(1)、构建训练集：

对训练样本图像集中已有的样本图像进行变换操作进而增加训练样本的容量与多样性，并对这些样本图像进行降采样从而缩小图像尺寸，得到高分辨率图像X_i以及对应的低分辨率图像Y_i，并以此构建训练集其中N代表训练集容量；

(2)、初始化基于深度坐标注意力机制的卷积神经网络，具体包括：

(2.1)、采用浅层特征提取模块对网络输入的原始低分辨率图像Y进行浅层特征提取，假设所述浅层特征提取模块表示为H_S，输入为低分辨率图像Y，输出为初始特征图像F₀，则所述浅层特征提取模块的处理过程为：

F₀＝H_S(Y)；

所述浅层特征提取模块用于对输入的低分辨率图像Y进行卷积运算，产生新的初始特征图像F₀；

(2.2)、采用残差深层特征提取模块对浅层特征提取模块输出的初始特征图像F₀进行深层特征提取，假设所述残差深层特征提取模块表示为H_L，输入为初始特征图像F₀，输出为深层特征图像F₁，则所述残差深层特征提取模块的处理过程为：

F₁＝H_L(F₀)+F₀；

所述残差深层特征提取模块包括多个大型残差块和卷积层，每个大型残差块均包括多个小型残差块和卷积层，每个小型残差块依次包括卷积层、ReLU激活函数层、卷积层和坐标注意力机制模块；

(2.3)、采用上采样重建模块对残差深层特征提取模块输出的深层特征图像F₁进行上采样重建，生成高分辨率图像并输出，假设所述上采样重建模块表示为H_U，输入为深层特征图像F₁，输出为高分辨率图像X_SR，则所述上采样重建模块的处理过程为：

X_SR＝H_U(F₁)；

(3)、训练基于深度坐标注意力机制的卷积神经网络：

利用步骤(1)中的训练集对步骤(2)中初始化后的基于深度坐标注意力机制的卷积神经网络进行训练，所述卷积神经网络的损失函数L为：

其中X_SRi为预测的高分辨率图像，X_i为真实的高分辨率图像，Num为批处理样本的大小，M为输出的超分辨率后的图像的像素点总数；

随后，利用梯度下降法与误差的反向传播来优化调整权重，最终，得到训练优化后的卷积神经网络；

(4)、利用训练好的卷积神经网络重建低分辨率图像：

首先，读入一副低分辨率图像，将该低分辨率图像输入步骤(3)训练好的卷积神经网络中，预测输出高分辨率图像；

假设所述的坐标注意力机制模块的输入为特征图像F_I，输出为特征图像F_O，则所述的坐标注意力机制模块的处理过程具体包括：

(a)、将F_I进行X方向的平均池化运算，得到F_X；将F_I进行Y方向的平均池化运算，得到F_Y；

(b)、将F_X和F_Y进行连接，然后进行卷积运算，将维度缩小为原来16倍，得到F_XY；

(c)、将步骤(b)的结果依次进行批规范化和非线性激活运算，再进行分离，得到F_X'和F_Y'；

(d)、将F_X'进行二维卷积运算，将维度扩大16倍，并进行Sigmoid激活运算，得到X方向的权重F_X”；将F_Y'进行二维卷积运算，将维度扩大16倍，并进行Sigmoid激活运算，得到X方向的权重F_Y”；

(e)、将F_I中每一个像素的值乘以像素所在坐标(x、y)在方向权重F_X”和F_Y”中所对应的权重值，得到输出F_O。