[发明专利]一种基于通道注意力机制的图像质量增强方法

权利要求书

1.一种基于通道注意力机制的图像质量增强方法，其特征在于，步骤如下：

步骤一，将高质量原图处理成对应的低质量图像，得到低质量-高质量图像对照组；

步骤二，搭建图像增强网络模型；

步骤三，通过步骤一得到的低质量图像训练图像增强网络模型；

步骤四，将低质量的图像输入训练好的图像增强网络模型得到高质量图像。

2.根据权利要求1所述的一种基于通道注意力机制的图像质量增强方法，其特征在于，步骤一具体方法如下：

通过对高质量原图进行JPEG压缩，(QF30)或改变曝光度(增加或降低曝光度在±3EV之间)的方法使图像的质量降低，得到低质量-高质量图像对照组；

将成对的低质量-高质量图像对照组进行相同的随机反转和旋转操作，为加快训练速度，将低质量-高质量图像对照组再进行随机选取裁剪位置的裁剪操作，裁剪成128*128的图像。

3.根据权利要求2所述的一种基于通道注意力机制的图像质量增强方法，其特征在于，步骤二具体方法如下；

图像增强网络模型包括图像增强网络模型包括降采样部分，残差网络部分，通道注意力模块，上采样部分组成；其中降采样部分包括两级PixelUnshuffle和一个卷积核大小为3*3的二维卷积，残差网络部分包括由N个结构相同的残差块组成的残差块部分和一个卷积核大小为3*3的二维卷积构成，上采样部分包括两级Pixel Shuffle和一个卷积核大小为3*3的二维卷积；

输入图像为经过步骤一处理后的低质量图像；

图像增强网络模型的结构如下，其中：

降采样部分(Down Scale)采用两级Pixel Unshuffle方法对图像进行四倍降采样处理，将具有RGB三通道的图像输入，首先使用缩放倍数为2的PixelUnshuffle方法将图像的长和宽缩小为输入图像的1/2，通道数变为12，然后使用卷积核大小为3*3的二维卷积将图像由12通道转为64通道，再使用缩放倍数为2的Pixel Unshuffle方法将图像的长和宽缩小为输入图像的1/4，通道数变为256，最后使用卷积核大小为3*3的二维卷积将图像由256通道转为64通道；

残差块部分为N个结构相同的残差块(ResidualBlock)，每个残差块由卷积核大小为3*3的二维卷积、线性整流单元、卷积核大小为3*3的卷积组成，个数N为16；

Conv3*3为一个卷积核大小为3*3的二维卷积；

通道注意力模块(SeBlock)，由步长为2的3*3二维卷积、全局池化层、全连接层、线性整流单元、全连接层、Sigmoid激活函数构成；SeBlock首先对卷积得到的特征图进行Squeeze操作，得到通道级的全局特征，然后对全局特征进行Excitation操作，学习各个通道间的关系，也得到不同通道的权重，最后乘以原来的特征图得到最终特征；这种注意力机制让模型可以更加关注信息量最大的通道特征，而抑制那些不重要的通道特征；从而使特征被更好的利用；

上采样部分(Up Scale)采用两级Pixel Shuffle方法对图像进行四倍上采样处理，首先通过一个卷积核大小为3*3的二维卷积将特征图的通道数由64变为256，然后使用缩放倍数为2的PixelShuffle方法将图像的长和宽放大为输入特征图的2倍，通道数变为64，再使用一个卷积核大小为3*3的二维卷积将特征图的通道数由64变为256，最后使用缩放倍数为2的Pixel Shuffle方法将图像的长和宽放大为输入特征图的4倍，通道数变为64，最后使用一个卷积核大小为3*3的二维卷积将64通道的特征图转换为RGB三通道的经过网络增强后的高质量图像输出。

4.根据权利要求3所述的一种基于通道注意力机制的图像质量增强方法，其特征在于，步骤三具体方法如下；

训练采用Adam优化器作为优化器，采用Charbonnier Loss作为损失函数；

训练过程中，初始学习率设定为1e-4，每n个epoch学习率降为当前学习率的一半，前期较高的学习率能使网络快速收敛，后期较低的学习率能使模型进行微调，让模型效果更优，epoch数n根据训练数据集样本大小及训练效果决定，当学习率低于1e-6时结束训练。