[发明专利]基于AFAN模型的偏振图像超分辨率重建方法

权利要求书

1.一种AFAN模型，其特征在于，所述AFAN模型包括头部模块、深层特征提取模块、多尺度自适应加权重构模块和跳跃模块，所述深层特征提取模块由n个叠加的自适应辅助特征双注意力学习块组成，而每个自适应辅助特征双注意力学习块包含一维卷积通道注意力模块、改进型空间注意力模块和WDSR模块。

2.基于权利要求1所述的AFAN模型的偏振图像超分辨率重建方法，其特征在于，具体包括以下步骤：

(1)头部模块使用一层卷积核大小为3的卷积层对LR偏振图像进行浅层特征提取；

X₀＝f_head(I_LR) (1)

式中，X₀表示从I_LR中提取的浅层特征，f_head表示浅层特征提取的卷积运算函数，I_LR表示低分辨率偏振图像；

(2)利用深层特征提取模块进一步从X₀中提取信息，在第i个自适应辅助特征双注意力学习块中，特征X_i是从之前的X₀，X₁，X₂，…，X_i-1的所有特征中提取出来；

式中，表示第i个自适应辅助特征双注意力学习函数；

(3)从最后一个自适应辅助特征双注意力学习块获得特征X_n后，将该特征输入到多尺度自适应加权重构模块中，该模块分别采用卷积核为3和卷积核为5的卷积层提取多尺度特征，然后向两个卷积层中添加权重和并将加权后的特征输入到后面的像素重组层；

式中，f₃和f₅分别表示3×3卷积运算函数和5×5卷积运算函数，f_ps表示像素重组函数，和表示可训练标量参数即赋予的权重；

(4)将低分辨率偏振图像特征输入到跳跃模块中，该模块是由3×3的卷积层和像素重组层构成，得到全局残差信息；

X_skip＝f_skip(I_LR) (4)

式中，f_skip表示上采样函数；

(5)通过融合多尺度自适应加权重构模块与跳跃模块的输出特征得到超分辨率重建后的偏振图像；

式中，I_SR表示超分辨率重建后的偏振图像，表示逐元素求和。

3.根据权利要求2所述的偏振图像超分辨率重建方法，其特征在于，所述第i个自适应辅助特征双注意力学习块内部投射函数的输出特征为：

式中，表示1×1的卷积运算函数，[X₀,X₁,...,X_i-1]表示沿着通道拼接X₀，X₁，X₂，…,X_i-1；

所述一维卷积通道注意力模块的输出特征为：

式中，表示一维卷积通道注意力函数，通过堆叠一层平均池化层，两层卷积核大小为3的1维卷积和一层sigmoid层实现；符号表示逐通道乘法；

所述改进型空间注意力模块的输出特征为：

式中，表示空间注意力函数，通过堆叠一层3×3卷积层，一层1×1卷积层，一层3×3跨步卷积层，一层最大池化层，一层3×3的膨胀卷积，一层上采样层，一层1×1卷积层和一层sigmoid层构成；

所述WDSR模块的输出特征为：

式中，表示特征提取函数，通过堆叠一层3×3卷积层，一层ReLU层和一层3×3卷积层实现；

所述第i个自适应辅助特征双注意力学习块的输出特征为：

式中，分别表示不同特征的自适应特征因子。