欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 202011318695X
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于多尺度通道注意力机制的单幅图像超分辨率方法,其特征在于,具体操作步骤如下:步骤(1.1)、对低分辨率输入图像进行预处理,把输入的低分辨率图像上采样至其目标高分辨率图像的大小;

步骤(1.2)、针对经过预处理后的低分辨图像Ipreup,将其送入由一个核大小为3×3的卷积层构成的浅层特征提取模块进行特征Is的提取;将提取到的特征Is送入由L1,L2和L3分支组成的特征提取网络进行深层特征IDF提取;

步骤(1.3)、再将提取到的深层特征IDF送入由j个多尺度通道注意力网络和一个3×3卷积层构成的重建模块中,从而输出最终的高分辨图像SR;

其中,通过L1,L2和L3分支组成的特征提取网络,具体如下式所示:IL1=FL1(Is)=FMSCAB,m(FMSCAB,m‑1(...FMSCAB,1(Is)...))    (1)IDF=[IL1,IL2,IL3]       (4)

式中,IL1,IL2和IL3分别表示L1,L2和L3提取到的特征;中括号表示连接操作;IDF表示将提取到的三个分支的特征进行连接后得到的深层特征;FL1,FL2和FL3分别表示L1,L2和L3特征提取操作,FMSCAB,m、FMSCAB,n和FMSCAB,k均表示多尺度通道注意力网络操作,其下标m、n和k分别表示L1、L2和L3分支中多尺度通道注意力网络的个数;FDOWM2,FUP2分别表示采样因子为2的下采样操作和上采样操作,其上标表示所在分支;其中,下采样模块由步长为2的卷积、LeakyReLU激活函数和3×3卷积层组成,上采样模块由PixelShuffle层和3×3卷积层构成;

其中,Is分别表示浅层特征提取的特征。

2.根据权利要求1所述的一种基于多尺度通道注意力机制的单幅图像超分辨率方法,其特征在于,在步骤(1.1)中,所述把输入的低分辨率图像上采样至其目标高分辨率图像的大小,具体如下式所示:Ipreup=Fup4(ILR)       (5)

式中,Fup4表示采样因子为4的上采样操作,ILR表示输入低分辨率图像,Ipreup表示上采样预处理后的图像。

3.根据权利要求1所述的一种基于多尺度通道注意力机制的单幅图像超分辨率方法,其特征在于,在步骤(1.2)中,所述进行特征Is的提取,具体如下式所示:Is=Fs(Ipreup)        (6)

式中,Fs表示浅层特征提取操作的特征。

4.根据权利要求1所述的一种基于多尺度通道注意力机制的单幅图像超分辨率方法,其特征在于,在步骤(1.3)中,所述多尺度通道注意力网络具体表示如下式所示:FConcat1=[F3,1,F5,1,In‑1]        (9)FConcat2=[F3,2,F5,2,FConcat1]       (12)式中,w和b分别表示卷积层的权重和偏差,上标表示位于的层数,下标表示卷积核的大小,σ表示ReLU激活函数,中括号表示级联操作;In‑1表示送入多尺度注意网络的特征;FCA表示通道注意力机制。

5.根据权利要求4所述的一种基于多尺度通道注意力机制的单幅图像超分辨率方法,其特征在于,所述的通道注意力机制具体的操作如下式所示:式中,ICA,n,ICA,n‑1分别表示注意力机制的输出和输入,fsigmoid表示Sigmoid函数,WDOWN,WUP分别表示对特征通道以比例r进行缩放,H,W表示输入特征的大小;

此外,引入短连接从而利用提取到的特征信息;其输出如下式所示:

In=(w1×1(F1,3)+b)+In‑1       (15)式中,In表示多尺度注意力模块网络的输出,w1×1表示卷积核为1×1的卷积层,用于减少输出特征数量,保持输入输出特征数量一致,降低计算复杂程度。

6.根据权利要求1所述的一种基于多尺度通道注意力机制的单幅图像超分辨率方法,其特征在于,在步骤(1.3)中,所述的高分辨图像SR如下式所示:ISR=FRE(FMSCAB,j(FMSCAB,j‑1(...FMSCAB,1(IDF)...))) (16)式中,FRE表示重建操作,ISR表示重建后的高分辨图像,FMSCAB,j表示多尺度通道注意力网络,j表示该网络的个数。