[发明专利]基于注意力机制和双通道网络的图像超分辨率重建方法

说明书

本发明属于人工智能、深度学习和图像处理领域，具体涉及一种基于注意力机制和双通道网络的图像超分辨率重建方法，该方法包括：实时获取待检测图像，对待检测图像进行预处理；将预处理后的图像输入到训练好的图像超分辨率重建模型中，得到高清重建图；采用峰值信噪比和结构相似性对重建图进行评价，根据评价结果对高清重建图进行标记；图像超分辨率重建模型基础为卷积神经网络；本发明使用了双通道网络，一路网络使用改进的残差结构提取了有价值的高频特征‑即高级特征，一路网络使用改进的VGG网络，保证了输入输出的图像尺度大小一致，提取了丰富的低频特征，在最后进行特征融合，使得重建后的图像更清晰。

技术领域

本发明属于人工智能、深度学习和图像处理领域，具体涉及一种基于注意力机制和双通道网络的图像超分辨率重建方法。

背景技术

图像超分辨率重建技术就是利用一组低质量、低分辨率图像(或运动序列)来产生高质量、高分辨率图像。图像超分辨率重建应用于各种计算机视觉任务中，包括监控成像，医学成像，物体识别等。在现实生活中，受限于图像采集设备成本、视频图像传输带宽，抑或是成像模态本身的技术瓶颈，我们并不是每一次都有条件获得边缘锐化，无块状模糊的大尺寸高清图像。在这种需求背景下，超分辨率重建技术应运而生，传统的图像超分辨率(SR)重建问题被定义为从其低分辨率(LR)观察中恢复高分辨率(HR)图像。使用图像超分辨率重建技术可以提高图像的识别能力和识别精度，可以实现目标物的专注分析，从而可以获取感兴趣区域更高空间分辨率的图像，而不必直接采用数据量巨大的高空间分辨率图像的配置。而基于学习的图像超分辨率重建技术是近些年的热门方向，借助深度学习中端到端映射的卷积神经网络技术，通过学习低分辨与高分辨图像之间的映射关系估计低分辨图像中丢失的高频细节，以获得边缘清晰、纹理细节丰富的高质量图像。近年来，随着注意力机制的提出，越来越多的模型开始尝试使用注意力机制提升效果，在图像超分辨率重建中，将注意力机制嵌入到模型中，提升结果的精度。

传统图像重建方法中，常采用CNN卷积神经网络计算，在计算过程中会逐步的丢失许多平滑的信息，而图像超分辨率重建的主要目的就是获取高精度的高清图片，任何信息的丢失都会影响最终的重建精度；且CNN卷积神经网络的计算采用局部感受野的方式，在计算时，受限于卷积核尺寸的大小，所获取的信息是图片的局部信息，无法获取整张图片的全局信息，而图片中的像素点之间是有关联的，较远的长距离依赖的信息也是图像重建的一个重要依赖信息。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种基于注意力机制和双通道网络的图像超分辨率重建方法，该方法包括：实时获取待检测图像，对待检测图像进行预处理；将预处理后的图像输入到训练好的图像超分辨率重建模型中，得到高清重建图；采用峰值信噪比和结构相似性对重建图进行评价，根据评价结果对高清重建图进行标记；图像超分辨率重建模型基础为卷积神经网络；

对图像超分辨率重建模型进行训练的过程包括：

S1：获取原始高清图片数据集，采用双三次插值降解模型对数据集中的图片进行缩放；

S2：对缩放后的数据集进行预处理，得到训练数据集；

S3：将训练数据集中的每个图像数据分别输入到图像超分辨率重建模型中的浅层特征通道和深层特征通道中进行特征提取；

S4：采用第一卷积层提取输入图像的初始特征；将初始特征输入到信息级联模块中，聚合卷积层的层级特征信息；

S5：将信息级联模块聚合的层级特征信息输入到改进的残差模块中，得到通道上的关联性和全局空间上的依赖信息；

S6：采用非局部空洞卷积对依赖信息进行全局特征提取，得到最终的深层特征图；

S7：采用第二卷积层提取输入图像的初始特征；将初始特征输入到改进的VGG网络中，提取图像的浅层特征，得到浅层特征图；

S8：将深层特征图和浅层特征图进行融合，对融合特征图进行上采样，得到高清重建图；