[发明专利]基于通道-扩散双分支网络的图像超分辨率重建方法

说明书

本发明公开了一种通道‑扩散双分支网络的图像超分辨率重建方法，主要解决现有方法纹理细节不足、结构失真的问题，实现步骤为：构建训练样本集和测试样本集；构建通道‑扩散双分支网络：构建顺次连接的第一卷积层、D个通道‑扩散残差模块、第二卷积层、上采样模块的通道‑扩散双分支网络；通道‑扩散残差块包括自适应卷积模块以及与其连接的并行排布的通道注意力分支和扩散分支；自适应卷积模块包括多个卷积层和多个非线性激活层；扩散分支包括P‑M扩散层、卷积层和非线性激活层；通道注意力分支包括池化层、多个非线性激活层和多个卷积层；对通道‑扩散双分支网络进行迭代训练。本发明能够获得清晰、准确的超分辨率重建图像。

技术领域

本发明属于图像处理技术领域，涉及一种图像重建方法，具体涉及一种基于通道-扩散双分支网络的图像超分辨率重建方法，可用于行人再识别等技术领域。

背景技术

在图像采集过程中，由于成像设备、拍摄距离、光线等因素的限制，拍摄出来的图片的分辨率往往过低，质量不佳。为了得到分辨率更高的图像，通常采取超分辨率重建技术。图像超分辨率重建就是根据低分辨率图像生成高分辨率图像的技术。在行人再识别等对成像质量有严格要求的领域中，不仅要求图像具有较高分辨率，而且图像不应出现结构失真以及边缘纹理缺失，以防识别错误。目前常见的超分辨率方法主要有基于插值、基于重建和基于学习三种方法。基于插值的方法恢复的图像存在模糊、锯齿等现象。基于重建的方法从图像的降质退化模型出发，提取出低分辨率图像中的关键信息，从而生成高分辨率图像，与基于插值的方法相比，基于重建的方法取得了很大的进步，但效果仍然不佳。基于学习的超分辨率算法的主要思想是学习低分辨率图像和高分辨率图像之间的对应关系，根据这种对应关系指导图像的超分辨率重建。

近年来，深度学习发展势头迅猛，许多研究人员将其与图像的超分辨率重建结合起来，取得了有效的成果。例如中国计量大学在其申请的专利文献“单张图像超分辨率重建系统及方法”(专利申请号：202010218624.6，申请公布号为CN 111402140 A)中，提出了一种单张图像超分辨率重建方法，该方法包括：采用嵌入网络通过两个卷积层从原始的低分辨率图像中提取特征；两个级联的细提取块通过粗到细的方法由低分辨率特征重建高分辨率残差特征；重建的高分辨率残差特征被送到重建网络通过反卷积操作得到残差图像；将上采样的低分辨率图像与高分辨率残差图像相加，得到最终重建的高分辨率图像。该方法虽然提升了重建图像的分辨率，但是对图像中所有信息进行了相同的处理，没有着重针对纹理细节、结构和空间位置等重要的高频信息进行恢复，限制了图像重建性能的进一步提升。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于通道-扩散双分支的图像超分辨率重建方法，旨在通过通道-扩散双分支网络强化对高频信息的提取能力，以获取结构更加准确和边缘细节更加完整的重建图像。

为实现上述目的，本发明的技术方案包括如下：

(1)构建训练样本集和测试样本集：

(1a)获取N幅RGB图像，并对每幅RGB图像进行1/4降采样，得到降采样后的N幅RGB图像，其中N≥100；

(1b)将N幅RGB图像分别裁剪为大小为L×L的图像块，总共得到H个图像块，同时将每幅RGB图像对应的降采样后的RGB图像裁剪为大小为的图像块，得到H个降采样后的图像块，并将每个裁剪后的图像块作为对应的降采样后裁剪的图像块的标签，然后选取M个降采样后的图像块及其对应的标签组成训练样本集R，将其余降采样后的图像块及其对应的标签组成测试样本集E，其中L≥192，M≥1/2H；

(2)搭建通道-扩散双分支网络模型O：

构建顺次连接的第一卷积层、D个通道-扩散残差模块、第二卷积层、上采样模块的通道-扩散双分支网络模型O；通道-扩散残差块包括自适应卷积模块以及与其连接的并行排布的通道注意力分支和扩散分支；自适应卷积模块包括多个卷积层和多个非线性激活层；扩散分支包括P-M扩散层、卷积层和非线性激活层；通道注意力分支包括池化层、多个非线性激活层和多个卷积层；