[發明專利]高質量輕量級超分辨率重建網絡模型設計方法

在審

• 申請號: 202110345763.X
• 申請日: 2021-03-31
• 公開（公告）號: CN113139899A
• 公開（公告）日: 2021-07-20
• 發明（設計）人: 彭智勇;梁紅珍;黃揚鈚;秦祖軍
• 申請（專利權）人: 桂林電子科技大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06N3/04;G06N3/08;G06K9/46;G06K9/62
• 代理公司: 桂林文必達專利代理事務所(特殊普通合伙) 45134
• 代理人: 張學平

本發明公開了一種高質量輕量級超分辨率重建網絡模型設計方法，對獲取的圖像進行預處理，并對得到的輸入圖像進行底層細化特征提取；對所述輸入圖像進行多級復合特征的多種程度的特征提??；采用跳躍連接的方式對得到的底層細微特征和多級復合特征進行融合；基于超分辨率算法對融合得到的多尺度復合特征進行重構放大，得到超分辨率重建網絡模型，在殘差網絡的基礎上，提出了結合多尺度、多抽象度的卷積神經網絡來實現特征提取，并對提取的各局部特征與全局特征進行融合，從而充分利用不同尺度、不同抽象程度特征信息進行超分辨率重構，能重建出更清晰紋理細節的圖像。

技術領域

本發明涉及圖像處理技術領域，尤其涉及一種高質量輕量級超分辨率重建網絡模型設計方法。

背景技術

圖像超分辨率重建能針對輸入的細節缺失低分辨率圖像，重建輸出細節更豐富、畫質更清晰的高分辨率圖像，它是圖像處理和計算機視覺領域中的經典命題，在醫學圖像處理、衛星遙感影像、安防監控以及圖像壓縮傳輸等領域中都有著非常廣泛的應用。但一幅低分辨率圖像，有無數幅與其對應的高分辨率圖像，故超分辨率重建是一個病態問題。為解決這個問題，研究人員提出了多種圖像超分辨率重建算法，大體上可以分為兩大類：一是基于傳統的重建方法；二是基于深度學習的方法。

傳統的超分辨率重建算法有插值法、迭代反投影法等，算法相對簡單，效率較高，雖然在一定程度上提高了圖像的分辨率，但是在圖像紋理細節上由于無法準確預測對象的紋理結構信息遠遠達不到人們對圖像質量的需求。

發明內容

本發明的目的在于提供一種高質量輕量級超分辨率重建網絡模型設計方法，能重建出更清晰紋理細節的圖像。

為實現上述目的，本發明提供了一種高質量輕量級超分辨率重建網絡模型設計方法，包括以下步驟：

對獲取的圖像進行預處理，并對得到的輸入圖像進行底層細化特征提取；

對所述輸入圖像進行多級復合特征的多種程度的特征提取；

采用跳躍連接的方式對得到的底層細微特征和多級復合特征進行融合；

基于超分辨率算法對融合得到的多尺度復合特征進行重構放大，得到超分辨率重建網絡模型。

其中，所述方法還包括：

獲取多張RGB訓練集圖像，并對所述RGB訓練集圖像進行增強和裁剪處理，然后將處理后的所述RGB訓練集圖像輸入所述超分辨率重建網絡模型進行訓練；

獲取多張RGB驗證集圖像，并輸入訓練后的所述超分辨率重建網絡模型進行驗證。

其中，對所述輸入圖像進行多級復合特征的多種程度的特征提取，包括：

通過1ⅹ1的卷積對輸入特征數量進行線性擴增；

對所得的特征圖進行切分，并分別輸入到不同路徑進行特征提取，得到多級復合特征。

其中，采用跳躍連接的方式對得到的底層細微特征和多級復合特征進行融合，包括：

采用跳躍連接的方式，將得到的底層細微特征和多個多級復合特征進行求和；

對得到的和值進行卷積運算，得到多尺度復合特征。

其中，基于超分辨率算法對融合得到的多尺度復合特征進行重構放大，得到超分辨率重建網絡模型，包括：

基于設定的上采樣因子對得到的多尺度復合特征進行上采樣運算；

使用尺寸為3X3的卷積核對上采樣運算后的結果進行卷積運算，得到超分辨率重建網絡模型。