[发明专利]一种基于卷积神经网络的新型超分辨率重建方法

权利要求书

1.一种基于卷积神经网络的新型超分辨率重建方法，其特征在于：包括如下步骤：

步骤1、获取若干低分辨率LR图像和高分辨率HR图像，构建用于真实图像超分辨率SR重建的训练集；

步骤2、构建基于自校准卷积和自适应密度连接的图像超分辨率重建SCCADC-SR网络，并利用步骤1中的训练集进行训练，获得图像超分辨率重建模型；

SCCADC-SR网络包括第一上采样模块，像素重组Pixel-shuffle模块，特征提取模块，大残差块LRB组，第二上采样模块和第一卷积模块；其中，大残差块LRB组包括若干个级联的LRB，每个LRB包括若干个基本残差块BRB和第二卷积模块，相邻两个BRB模块之间设置一个有效通道注意ECA模块；LR图像I_LR输入第一上采样模块进行上采样，第一上采样模块的上采样结果依次通过Pixel-shuffle模块和特征提取模块，特征提取模块的特征提取结果输入LRB组，LRB组的输出与特征提取模块的特征提取结果对位相乘相加后输入第二上采样模块，第二上采样模块的上采样结果输入第一卷积模块，第一卷积模块的输出与第一上采样模块的上采样结果对位相乘相加后输出SR重建图像I_SR；

步骤3、利用步骤2中的图像超分辨率重建模型进行SR重建。

2.如权利要求1所述的一种基于卷积神经网络的新型超分辨率重建方法，其特征在于：所述步骤2中，第一上采样模块使用最邻近插值模块进行上采样，第二上采样模块采用亚像素卷积进行上采样。

3.如权利要求1所述的一种基于卷积神经网络的新型超分辨率重建方法，其特征在于：所述步骤2中，第一卷积模块的输出与第一上采样模块的上采样结果对位相乘相加的表达式为其中，I_h表示第一卷积模块的输出，α表示可训练的参数。

4.如权利要求1所述的一种基于卷积神经网络的新型超分辨率重建方法，其特征在于：所述步骤2中，LRB组的输出与特征提取模块的特征提取结果对位相乘相加的表达式为x_LRB＝βx_conv+x_LRB′，其中，x_conv表示特征提取模块的特征提取结果，x_LRB′表示LRB组的输出，β表示可训练的参数。

5.如权利要求1所述的一种基于卷积神经网络的新型超分辨率重建方法，其特征在于：每个所述LRB包括第一至第三BRB，第一和第二ECA模块以及第二卷积模块；第一BRB的输入和输出一起作为第一ECA模块的输入，第一ECA模块的输出为第二BRB的输入；第一BRB的输入，第一ECA模块的输出，第二BRB的输出一起作为第二ECA模块的输入，第二ECA模块的输出为第三BRB的输入；第一BRB的输入，第一ECA模块的输出，第三BRB的输出一起作为第二卷积模块的输入，第二卷积模块的输出与第一BRB的输入对位相乘相加后作为LRB的输出。

6.如权利要求1所述的一种基于卷积神经网络的新型超分辨率重建方法，其特征在于：每个所述BRB包括第一至第三自校准卷积SCC模块，第三和第四ECA模块，第三卷积模块以及通道注意CAB模块；第一SCC模块的输入和输出一起作为第三ECA模块的输入，第三ECA模块的输出为第二SCC模块的输入；第一SCC模块的输入，第三ECA模块的输出，第二SCC模块的输出一起作为第四ECA模块的输入，第四ECA模块的输出为第三SCC模块的输入；第一SCC模块的输入，第三ECA模块的输出，第三SCC模块的输出一起作为第三卷积模块的输入，第三卷积模块的输出为CAB模块的输入，CAB模块的输出与第一SCC模块的输入对位相乘相加后作为BRB的输出。

7.如权利要求1所述的一种基于卷积神经网络的新型超分辨率重建方法，其特征在于：该方法还包括使用CutBlur方法对图像超分辨率重建模型的重建结果进行增强。