[發明專利]一種基于超像素和卷積神經網絡的圖像超分辨方法有效
| 申請號： | 201910053628.0 | 申請日： | 2019-01-21 |
| 公開（公告）號： | CN109785236B | 公開（公告）日： | 2022-11-08 |
| 發明（設計）人： | 李現;陳帥印;王敏杰;徐剛;肖江劍 | 申請（專利權）人： | 中國科學院寧波材料技術與工程研究所;中國科學院大學 |
| 主分類號： | G06T3/40 | 分類號： | G06T3/40;G06N3/04 |
| 代理公司： | 南京利豐知識產權代理事務所(特殊普通合伙) 32256 | 代理人： | 王茹;王鋒 |
| 地址： | 315201 浙江*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 像素 卷積 神經網絡 圖像 分辨 方法 | ||
1.一種基于超像素和卷積神經網絡的圖像超分辨方法，其特征在于包括：
輸入圖像；
對圖像依次進行超像素塊特征提取、超像素特征映射和超像素特征重建，獲得重建后的超像素特征；
對圖像依次進行淺層特征提取、深層特征提取和特征融合，獲得降維后的特征；
將所述重建后的超像素特征與所述降維后的特征進行特征融合，獲得融合特征；
采用尺度調整模塊對所述融合特征進行提升，獲得提升尺度的特征圖；以及
通過重建模塊對所述提升尺度的特征圖進行重建，得到超分辨重建的結果并輸出。
2.根據權利要求1所述基于超像素和卷積神經網絡的圖像超分辨方法，其特征在于包括：
利用超像素特征塊提取和映射網絡對圖像依次進行超像素塊特征提取、超像素特征映射和超像素特征重建，獲得重建后的超像素特征FF2；以及
通過深度殘差注意力網絡對圖像依次進行淺層特征提取、深層特征提取和特征融合，獲得降維后的特征FF1。
3.根據權利要求2所述基于超像素和卷積神經網絡的圖像超分辨方法，其特征在于具體包括：
定義超像素塊提取模塊HSLIC(·)，通過超像素提取模塊得到圖像的超像素塊特征FSF＝HSLIC(ILR)；
通過定義非線性映射關系Hmapping(·)，將提取的超像素特征塊經過特征映射，得到映射的超像素映射特征FSMF＝Hmapping(FSF)；
對超像素塊進行重建HSREC(·)，得到重建后的超像素特征FF2＝HSREC(FSMF)。
4.根據權利要求2所述基于超像素和卷積神經網絡的圖像超分辨方法，其特征在于具體包括：
定義網絡模型的輸入ILR和輸出為ISR，定義卷積操作為HLF(·)，通過一層卷積進行淺層特征的提取，得到淺層特征F1＝HLF(ILR)；
通過深度殘差注意力網絡HDRAN(·)進行圖像的深度特征提取，得到圖像的深層特征FDF＝HDRA(F1)，繼而通過特征融合HFF(·)降低所獲圖像的深層特征數據的維度，獲得降維后的特征FF1＝HFF(FDF)。
5.根據權利要求2所述基于超像素和卷積神經網絡的圖像超分辨方法，其特征在于具體包括：
通過特征融合將重建后的超像素特征FF2與降維后的特征FF1融合，得到融合特征
通過向上的尺度調整模塊HUP(·)對所述融合特征進行處理，得到提升尺度的特征圖FUP＝HUP(FFF)；
通過重建模塊HREC(·)對所述提升尺度的特征圖進行重建，得到超分辨重建的結果IHR＝HREC(FUP)。
6.根據權利要求2所述基于超像素和卷積神經網絡的圖像超分辨方法，其特征在于包括：對深度殘差注意力網絡選擇L1損失函數進行訓練和優化。
7.根據權利要求6所述基于超像素和卷積神經網絡的圖像超分辨方法，其特征在于具體包括：
對深度殘差注意力網絡，給出訓練集進行訓練，以使L1損失函數最小：
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于中國科學院寧波材料技術與工程研究所;中國科學院大學，未經中國科學院寧波材料技術與工程研究所;中國科學院大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910053628.0/1.html，轉載請聲明來源鉆瓜專利網。
