[发明专利]一种基于残差特征聚合注意块的图像去马赛克方法

权利要求书

1.一种基于残差特征聚合注意块的图像去马赛克方法，其特征在于，按照以下步骤具体实施：

步骤1，构建绿通道恢复网络，该绿通道恢复网络的输入为Bayer滤光片阵列采样后的raw图，输出为重建的绿通道图；

步骤2，构建红通道恢复网络，输入为红采样图和重建的绿通道图，输出为重建的红通道图；

步骤3，构建蓝通道恢复网络；

步骤4，将重建得到的红通道图、绿通道图和蓝通道图融合成重建的RGB图；

步骤5，计算重建的RGB图与相对应的真实图像之间的平均绝对误差，以最小化L1损失函数为目标，优化该网络模型。

2.根据权利要求1所述的基于残差特征聚合注意块的图像去马赛克方法，其特征在于，在步骤1中，所述的绿通道恢复网络由级联的残差特征聚合注意块组成，绿通道恢复网络结构依次为：raw图作为输入→第一个卷积层Conv1→第二个卷积层Conv2→残差特征聚合注意块1→第二个卷积层Conv2的输出与残差特征聚合注意块1的输出在维度为1上进行拼接操作→第三个卷积层Conv3→残差特征聚合注意块2→上一个拼接操作的输出与残差特征聚合注意块2的输出在维度为1上进行拼接操作→第四个卷积层Conv4→残差特征聚合注意块3→上一个拼接操作的输出与残差特征聚合注意块3的输出在维度为1上进行拼接操作→第五个卷积层Conv5→第二个卷积层Conv2的输出与第五个卷积层Conv5的输出按元素进行加法操作→第六个卷积层Conv6→第七个卷积层Conv7→输出重建的绿通道图；其中，Conv1卷积核大小为1×1，步长为1，特征映射总数为3个；Conv2卷积核大小为3×3，步长为3，特征映射总数为64个；Conv3、Conv4和Conv5卷积核大小均为3×3，步长均为3，特征映射总数均为64个，并且均通过ReLU激活；Conv6卷积核大小为3×3，步长为3，特征映射总数为3个；Conv7卷积核大小为1×1，步长为1，特征映射总数为1个；

所述的残差特征聚合注意块的结构依次为：输入→残差块1→残差块2→残差块3→第一个卷积层Conv1→最初输入与Conv1输出按元素进行加法操作→第二个卷积层Conv2→多尺度注意块→最初输入与多尺度注意块的输出按元素进行加法操作→输出；其中，残差块1、残差块2和残差块3的结构均相同，其结构见下文；Conv1的作用是将三个残差块的输出进行合并，输入为三个残差块的输出，卷积核大小为1×1，步长为1，特征映射总数均为64个；Conv2卷积核大小为3×3，步长为3，特征映射总数为64个，并通过ReLU激活；

所述的残差块的结构依次为：输入→第一个卷积层Conv1→第二个卷积层Conv2→最初的输入与Conv2的输出按元素进行加法操作→输出；其中，Conv1和Conv2卷积核大小均为3×3，步长均为3，特征映射总数均为64个，并且均通过ReLU激活；

所述的多尺度注意块的结构依次为：输入→自适应平均池化→并行通过三个膨胀卷积层提取特征，包括Conv1、Conv2、Conv3→将三个卷积层的输出在维度为1上进行拼接操作→第四个卷积层Conv4→最初输入与Conv4的输出按元素进行相乘操作→输出；其中，Conv1的卷积核大小为3×3，步长为3，特征映射总数为4个，膨胀率为3，并通过ReLU激活；Conv2的卷积核大小为3×3，步长为3，特征映射总数为4个，膨胀率为5，并通过ReLU激活；Conv3的卷积核大小为3×3，步长为3，特征映射总数为4个，膨胀率为7，并通过ReLU激活；Conv4的卷积核大小为3×3，步长为3，特征映射总数为64个，并通过Sigmoid激活函数得到多尺度特征的权重。