1.一种多阶段渐进式图像超分辨率方法,其特征在于:
S1,使用多尺度特征提取模块MSFEB提取待重建图像的特征;所述多尺度特征提取模块MSFEB包括若干相连接的基础特征提取模块BFE和一个通道注意力模块CA;所述待重建图像为低分辨率图像;
S2,基于提取到的待重建图像的特征,采用残差特征融合机制,获得第一阶段的重建图像;
S3,使用精细化模块,对第一阶段中得到的重建图像进行优化,得到精细的重建图像;
S4,构建损失函数,对第一阶段中得到的重建图像和精细的重建图像进行损失计算;
S3中,使用精细化模块,对第一阶段中得到的重建图像进行优化,得到精细的重建图像,具体包括:通过第一阶段中得到的重建图像的高频特征来弥补待重建图像丢失的局部细节信息,从而将第一阶段中得到的重建图像优化为精细的重建图像;
第一阶段中得到的重建图像优化为精细的重建图像的方法如下式:其中,I
S4中,构建损失函数,对第一阶段中得到的重建图像和精细的重建图像进行损失计算,具体包括:采用Charbonnier Loss来构造损失函数,其表达式如下:其中,ω
Charbonnier Loss的计算公式如下:
其中,i∈(1,2)的整数;ζ为常数。
2.根据权利要求1所述的多阶段渐进式图像超分辨率方法,其特征在于,S1中,若干所述基础特征提取模块BFE分别使用由Inception构成的残差模块RIB与由感受野组成的残差模块RRFB,所述残差模块RIB和所述残差模块RRFB包括不同尺寸卷积核的多分支结构,且所述残差模块RIB设置在所述残差模块RRFB的前端;每个所述基础特征提取模块BFE与对应的跳跃连接共同组成一个子残差块以效增强上下文特征之间的关联性。
3.根据权利要求2所述的多阶段渐进式图像超分辨率方法,其特征在于,所述残差模块RIB包括三条分支,三条分支上的卷积核尺度分别为1×1、1×1和3×3及1×1和一组级联的3×3,分别对应不同的感受野,以学习更多尺度的特征,最后将来自三个不同分支的特征融合;
所述残差模块RRFB由RIB改进而成,具体地,使用一组1×3、3×1的非对称卷积结构来替代一个3×3的卷积核,同时在各个支路结构末端引入空洞卷积来调整特征的感受野,以进一步增强特征表示能力,最后将各条分支得到的特征相融合。
4.根据权利要求1所述的多阶段渐进式图像超分辨率方法,其特征在于,所述通道注意力模块CA用于根据不同的通道特征进行自适应校准,对不同通道的特征赋予不同的关注度,增强与特征相关的通道信息,并抑制无效的通道信息,以提升模型的特征表示能力。
5.根据权利要求4所述的多阶段渐进式图像超分辨率方法,其特征在于,所述通道注意力模块CA由全局平均池化层GAP、最近邻连接模块和通道特征表示层组成,其中最近邻连接模块只对邻近的k个通道进行连接;所述通道表示通过基础特征提取模块BFE提取到的特征通道;
特征y的第i个通道y
其中,δ表示Sigmoid激活函数,
6.根据权利要求1所述的多阶段渐进式图像超分辨率方法,其特征在于,S2中,基于提取到的待重建图像的特征,采用残差特征融合机制,获得第一阶段的重建图像,具体包括:S21,使用全局特征融合模块,执行如下操作:
将由各个多尺度特征提取模块MSFEB得到的特征进行自适应融合,通过长跳跃连接结构传送至全局特征融合模块中,以利用各个上下文特征的关联性;
S22,使用全局残差学习模块,执行如下操作:
使用全局残差学习机制,自适应地学习残差特征的权重,将浅层特征与深层特征进行融合。
7.根据权利要求6所述的多阶段渐进式图像超分辨率方法,其特征在于,还包括:在所述全局特征融合模块后引入1×1的卷积层,以自适应地控制输出的特征数量。