[发明专利]一种基于矢量图与深度学习的超分辨率方法

权利要求书

1.一种基于矢量图与深度学习的超分辨率方法，其特征在于，包括以下步骤：

步骤1：制作特征图数据集；

步骤2：构建RCAB模块；

步骤3：构建RB模块；

步骤4：构建特征提取模块；

步骤5：计算边缘信息特征图；

步骤6：构建上采样模块；

步骤7：搭建超分辨率模型；

步骤8：训练超分辨率模型，完成低分辨率图像的超分辨率方法。

2.根据权利要求1所述的一种基于矢量图与深度学习的超分辨率方法，其特征在于，所述步骤1具体为：取公开数据集DIV2K数据集中的全部训练图像，通过双三次插值得到低分辨率图像；将低分辨率图像随机剪裁为相同大小的图像块，并且裁取相同位置范围的高分辨率图像块，然后对裁剪后的图像块以50％概率分别选取顺时针旋转90度，逆时针旋转90度以及沿对角线翻转的数据增强操作，形成特征图。

3.根据权利要求1所述的一种基于矢量图与深度学习的超分辨率方法，其特征在于，步骤2所述RCAB模块沿网络传输方向依次设置卷积核为3×3卷积层，ReLU激活函数层，卷积核为3×3的卷积层，平均池化层，卷积核为1×1卷基层，ReLU激活函数层，卷积核为1×1的卷基层，Sigmoid激活函数层；将特征图将作为输入特征张量，特征张量经过该模块的前三层得到中间特征张量，中间特征张量通过剩余层后，得到通道注意力因子张量；将中间特征张量与通道注意力因子张量进行矩阵乘法后与输入特征张量相加，最终得到RCAB模块的输出特征张量。

4.根据权利要求1所述的一种基于矢量图与深度学习的超分辨率方法，其特征在于，步骤3所述RB模块沿网络传输方向依次设置20个RCAB模块，则输出为输入特征张量依次通过20个RCAB模块得到的中间特征张量与输入特征张量之和。

5.根据权利要求1所述的一种基于矢量图与深度学习的超分辨率方法，其特征在于，步骤4所述特征提取模块沿网络传输方向依次设置6个RB模块，则输出为输入特征张量依次通过6个RB模块得到的中间特征张量与输入特征张量之和。

6.根据权利要求1所述的一种基于矢量图与深度学习的超分辨率方法，其特征在于，所述步骤5具体为：将步骤1制备好的的低分辨率图像矢量化，并放大预先设置的放大倍数，最终位图化得到边缘信息特征图。

7.根据权利要求1所述的一种基于矢量图与深度学习的超分辨率方法，其特征在于，所述步骤6具体为：所述上采样模块沿网络传播方向依次为卷积核为3×3的卷积层，一个像素重排层，一个步骤3中构建的RB模块，以及一个卷积核为3×3的卷积层，其中像素重排层将输入的特征张量重新排序，通过减少特征向量层数，以将特征张量的长和宽放大至预先设置的放大倍数，将特征张量作为输入特征张量，输入特征张量依次通过卷积层和像素重排层得到上采样特征张量，之后将上采样特征张量与步骤5得到的计算边缘特征图进行组合，将组合后的组合特征张量输入RB模块得到中间特征张量，最后将中间特征张量与组合特征张量相加输入最后的卷基层后得到超分辨率图像。

8.根据权利要求1所述的一种基于矢量图与深度学习的超分辨率方法，其特征在于，所述步骤7具体为：所述超分辨率模型沿网络传播方向依次为归一化模块，卷积核为3×3的卷积层，特征提取模块以及上采样模块；由步骤1中的低分辨率图像作为输入，一方面按照步骤5提取边缘信息特征张量，一方面沿着网络传播方向依次通过归一化模块，卷基层，特征提取模块，在上采样模块中按步骤6中与边缘信息特征张量组合，并继续通过上采样模块，最终得到超分辨率图像。

9.根据权利要求1所述的一种基于矢量图与深度学习的超分辨率方法，其特征在于，所述步骤8具体为：以随机高斯分布生成超分辨率模型的默认参数，将步骤1中的低分辨率图像块进行组合，，组合后输入超分辨率模型，经过超分辨率模型后得到超分辨率图像块；计算超分辨率图像与低分辨率图像块对应的高分辨率图像块之间的损失值，计算损失值的函数为：

Loss＝δ₁(HR-SR)

其中，δ₁为L1Loss，SR为超分辨率图像，HR为高分辨率图像；

随后将损失值进行反向传播，使用Adam算法优化超分辨率模型参数，参数更新如下：

其中，Δθ_t为超分辨率模型参数应改变梯度，为超分辨率模型参数的一阶梯度估计的矫正，为超分辨率模型参数的二阶梯度估计的矫正，ε为超参数，η为学习率。