1.一种基于双重注意力机制的轻量级图像超分辨率重建方法,其特征在于,具体包括以下步骤:步骤1,构建训练数据集:
(1a)首先将DIV2K数据集中的900张高分辨率图像进行数据增强处理,然后将数据增强处理后的高分辨率图像进行双三次插值下采样操作,从而得到相对应的低分辨率图像;
(1b)将高分辨率图像和对应的低分辨率图像构成一对训练样本,从而得到训练数据集;
步骤2,构建超分辨率网络模型:
网络模型包括四个部分:浅层特征提取模块、增强型局部特征提取组、深度特征融合模块、上采样模块;浅层特征提取模块由一个3×3卷积层组成,用以提取浅层特征;增强型局部特征提取组由8个增强型局部特征提取块堆叠组成,将浅层特征输入到增强型局部特征提取组后由8个增强型局部特征提取块依次提取深度层次特征;深度特征融合模块对深度层次特征进行融合、筛选得到深度融合特征;最后,将浅层特征和深度融合特征相加,通过上采样模块得到重建的高分辨率图像;
步骤3,训练超分辨率网络模型,从而得到训练好的超分辨率网络模型:
将训练数据集中的所有训练样本输入到超分辨率网络模型中,利用梯度下降法,对网络的参数进行迭代更新,直到损失函数收敛为止,从而得到训练好的超分辨率网络模型;
步骤4,对低分辨率图像进行超分辨率重建:
将自然场景下的低分辨率图像输入到训练好的超分辨率网络模型中,经处理后得到超分辨率重建的高分辨率图像。
2.根据权利要求1所述的一种基于双重注意力机制的轻量级图像超分辨率重建方法,其特征在于,所述步骤(1a)中的数据增强指的是,对DIV2K数据集的高分辨率图像进行随机水平翻转、随机垂直翻转、随机旋转90°、180°、270°处理;所述步骤(1a)中的双三次插值下采样指的是:ILR=IHR↓S,ILR表示低分辨率图像,IHR表示高分辨率图像,↓S表示双三次插值下采样操作,S表示下采样因子。
3.根据权利要求1所述的一种基于双重注意力机制的轻量级图像超分辨率重建方法,其特征在于,所述步骤2中的增强型局部特征提取块由两个增强型空间注意力模块和两个残余局部特征层组成;
所述增强型空间注意力模块由一个1×1卷积层、一个3×3卷积层、一个最大池化层、一个卷积组(2个3×3卷积层串联)、一个上采样层、一个Sigmoid函数组成,该模块能够选取重要的空间特征;
所述残余局部特征层由一个LN层、两个1×1的卷积层、一个3×3的卷积层、一个GELU激活函数、一个简单通道注意力模块组成;
所述简单通道注意力模块由一个全局平均池化层、一个1×1的卷积层、一个Sigmoid激活函数组成,该模块能够选取重要的通道特征。
4.根据权利要求1所述的一种基于双重注意力机制的轻量级图像超分辨率重建方法,其特征在于,所述步骤2中的深度特征融合模块由两个堆叠的卷积层(一个1×1卷积层和一个3×3卷积层)和一个GELU激活函数组成,该模块将深度层次特征进行融合、筛选。
5.根据权利要求1所述的一种基于双重注意力机制的轻量级图像超分辨率重建方法,其特征在于,所述步骤2中的上采样模块由一个3×3卷积层和一个高效的亚像素卷积层组成,其中3×3卷积层用于压缩特征图通道,亚像素卷积层将低分辨特征图通过多通道间的重组得到高分辨率图像。
6.根据权利要求1所述的一种基于双重注意力机制的轻量级图像超分辨率重建方法,其特征在于,所述步骤3,本发明在训练超分辨率网络模型中,采用L1损失函数,L1损失函数的数学表达式为:L(θ)表示L1损失函数,θ表示超分辨率网络模型要学习的参数,N表示用于训练的图像数,‖·‖1表示平均绝对误差, 表示第i个高分辨率原图像, 表示第i个超分辨率重建后的图像。