[发明专利]一种基于Transformers的低分辨率图像超分辨方法及系统

说明书

本发明公开了一种基于Transformers的低分辨率图像超分辨方法及系统，首先基于卷积神经网络和Transformer模块，构建低分辨率图像超分辨网络；然后利用训练数据进行低分辨率图像超分辨网络训练，获得调优的网络参数；最后利用训练好的低分辨率图像超分辨网络对低分辨率图像进行超分辨获得高分辨率图像。本发明自动化程度高，可以大幅度提高效率，降低成本。

技术领域

本发明属于低分辨率图像超分辨技术领域，涉及一种低分辨率图像超分辨方法，具体涉及一种基于Transformers的低分辨率图像超分辨方法。

背景技术

随着计算机技术、信息处理技术和视觉通信技术的高速发展，人类进入了一个全新的信息化时代。人们所能能够获取的知识量呈爆炸式的增长，因此迫切的要求信息处理技术不断的完善和发展，以便能够为人们提供更加方便、快捷和多样化的服务。数字图像及其相关处理技术是信息处理技术的重要内容之一，在很多领域得到了越来越广泛的应用。对于数字图像在一些情况下一般要求是高分辨图像，如：医学图像要求能够显示出那些人眼不能辨别出的细微病灶；卫星地面要求卫星图像至少能够辨别出人的脸相甚至是证件；有些检测识别控制装置需要足够高分辨率的图像才能保证测量和控制的精度。因此提高图像分辨率是图像获取领域里追求的一个目标。

具有丰富细节的高分辨率图像对于许多地方的应用至关重要，例如目标检测与识别等。许多研究人员不是致力于物理成像技术，而是致力于使用一种称为超分辨率(Super-Resolution)的图像处理技术从低分辨率图像中恢复高分辨率图像。早期有许多关于图像超分辨率的研究，其中大多数是针对多幅图像设计的，其中使用一系列低分辨率图像来恢复高分辨率图像。最近的一些研究旨在通过学习从低分辨率图像到高分辨率图像的映射函数，并利用大量训练数据中的图像先验知识，从单个低分辨率图像中恢复高分辨率图像。

在遥感图像处理领域中，近年来已经提出了单图像和多图像超分辨率方法。Superresolution for remote sensing images based on a universal hidden Markov treemodel一文中提出了一种多图像超分辨率方法，称为具有最大后验的隐马尔可夫树模型。对于单遥感图像的超分辨率，通常使用自然图像统计的稀疏先验。Super-resolution basedon compressive sensing and structural self-similarity for remote sensingimages文中提出基于压缩感知和结构自相似性从单个低分辨率图像中恢复高分辨率遥感图像。Super resolution image generation using wavelet domain interpolationwith edge extraction via a sparse representation文中采用离散小波变换和稀疏表示相结合的方法来进行遥感图像超分辨。Hyperspectral Image Super-Resolution bySpectral Mixture Analysis and Spatial-Spectral Group Sparsity中探索了光谱和空间域中的稀疏属性，实现了高光谱图像的超分辨率。