本发明专利技术涉及图像重建技术领域，具体公开了一种基于残差通道注意力生成对抗网络的图像重建方法。本发明专利技术通过将通道注意力网络与残差网络相结合，构建生成器网络，接收输入的LR图像，进行卷积操作，提取特征，进行超分辨率重建，生成SR图像；在判别器网络中，将SR图像与LR图像进行相似性判断，输出判断结果；将生成器网络和判别器网络构建SRGAN网络，进行L1损失、感知损失和对抗损失的计算与融合，优化SRGAN网络。实现将低分辨率图像生成超分辨率图像，且能够解决现有的对高频特征信息利用率低的问题，还能够减少过拟合风险，同时通过损失函数的计算与融合，优化SRGAN网络，能够提高网络性能。
1、高分辨率磁共振图像，可提供细粒度的解剖信息，有助于临床诊断和准确的决策制定。但它不仅需要昂贵的硬件设备，且磁共振成像的扫描时间较长，让患者保持长时间的静止也较为困难。
2、超分辨率重建，是指将所获取一张或多张的低分辨率图像，通过算法重建出对应的高分辨率图像的过程。图像超分辨率重建一直是计算机视觉的一个热门研究方向，在医学影像、卫星图像以及监控设备等实际生活中都有重要的应用。其中，通过计算机技术来提高磁共振图像的分辨率，能够给医生提供更加清晰的医学图像，以便他们可以精准地分析人体组织结构和病灶区，从而给出精确的诊断信息。
4、(1)基于插值法。基于插值法是最早的超分辨率重建方法，其经典的方法有最近邻插值法、双线性插值法和双三次插值法，插值法虽然在一定程度上可以提高图像分辨率，但获取到的超分辨图像较为模糊且在图像的纹理细节处理效果不佳；
5、(2)基于重构法。基于重构的方法包括迭代反投影法、凸集投影法和最大后验概率法等。虽然基于重构的方法能够重建出较清晰的超分辨率图像，但计算量大，导致重构图像的时间较长；
6、(3)基于学习法。基于学习的超分辨率重建算法的主要思想是通过网络自主训练来学习低分辨率图像与高分辨率图像之间的映射关系，从而提高重建图像的信噪比和结构相似性，但是具有对高频特征信息利用率低问题。
r/>技术实现思路
1、本专利技术实施例的目的在于提供一种基于残差通道注意力生成对抗网络的图像重建方法，旨在解决
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术实施例提供如下技术方案：
3、一种基于残差通道注意力生成对抗网络的图像重建方法，所述方法具体包括以下步骤：
4、将通道注意力网络与残差网络相结合，构建生成器网络，接收输入的lr图像，进行卷积操作，提取特征，进行超分辨率重建，生成sr图像；
5、在判别器网络中，引入全局平均池化、bn层、mish激活函数以及卷积操作，将所述sr图像与所述lr图像进行相似性判断，输出判断结果；
6、将所述生成器网络和所述判别器网络构建srgan网络，进行l1损失、感知损失和对抗损失的计算与融合，优化所述srgan网络。
7、作为本专利技术实施例技术方案进一步的限定，所述将通道注意力网络与残差网络相结合，构建生成器网络，接收输入的lr图像，进行卷积操作，提取特征，进行超分辨率重建，生成sr图像具体包括以下步骤：
8、将通道注意力网络与残差网络相结合，构建生成器网络；
9、接收输入的lr图像；
10、对所述lr图像进行卷积操作，提取浅层特征；
11、将所述浅层特征以映射的方式映射到高维上，继续提取深层特征；
12、根据所述浅层特征和所述深层特征，构建输入特征图；
13、根据所述输入特征图，对所述lr图像进行超分辨率重建，生成sr图像。
14、作为本专利技术实施例技术方案进一步的限定，所述生成器网络由多个rg模块、多个卷积层和一个长跳跃连接组成，通过所述长跳跃连接，跳过所述lr图像中的低频信息，对所述lr图像中的高频信息进行处理，提高超分辨率重建的质量。
15、作为本专利技术实施例技术方案进一步的限定，所述rg模块由一个短跳跃连接、一个卷积层和多个reca模块组成，通过所述短跳跃连接，提高超分辨率重建的精度。
16、作为本专利技术实施例技术方案进一步的限定，所述reca模块将通道注意力网络与残差网络相结合，在提取特征时，不仅全局平均池化，还引入全局最大池化作为补充。
17、作为本专利技术实施例技术方案进一步的限定，所述全局平均池化，是将所述输入特征图上每个通道的所有值都进行平均，得到一个代表整张特征图平均值的标量；所述全局最大池化，是选取所述输入特征图上每个通道中的最大值。
18、作为本专利技术实施例技术方案进一步的限定，所述在判别器网络中，引入全局平均池化、bn层、mish激活函数以及卷积操作，将所述sr图像与所述lr图像进行相似性判断，输出判断结果具体包括以下步骤：
19、在判别器网络中，引入全局平均池化、bn层、mish激活函数以及卷积操作；
20、输入所述sr图像与所述lr图像；
21、对所述sr图像与所述lr图像进行相似性判断，输出概率值，所述概率值在[0,1]范围内。
22、作为本专利技术实施例技术方案进一步的限定，所述bn层加速所述判别器网络的模型训练过程，让所述判别器网络收敛；所述mish激活函数替换原来的lrelu激活函数，提高所述判别器网络的非线性拟合能力和泛化能力。
23、作为本专利技术实施例技术方案进一步的限定，所述l1损失的公式为：
24、
25、其中，w和h为ilr的大小，c为通道数；
26、所述感知损失的公式为：
27、
28、其中，wi,j和hi,j为vgg网络中各自特征图的维度，为vgg网络中的第i个最大池化层之前的第j个卷积层激活后输出的特征图；
29、所述对抗损失的公式为：
30、
31、作为本专利技术实施例技术方案进一步的限定，所述将所述生成器网络和所述判别器网络构建srgan网络，进行l1损失、感知损失和对抗损失的计算与融合，优化所述srgan网络中，计算与融合的总损失函数为：
32、
33、其中，η为感知损失对应的权重系数，λ为对抗损失对应的权重系数。
34、与现有技术相比，本专利技术的有益效果是：
35、本专利技术实施例通过将通道注意力网络与残差网络相结合，构建生成器网络，接收输入的lr图像，进行卷积操作，提取特征，进行超分辨率重建，生成sr图像；在判别器网络中，将sr图像与lr图像进行相似性判断，输出判断结果；将生成器网络和判别器网络构建srgan网络，进行l1损失、感知损失和对抗损失的计算与融合，优化srgan网络。实现将低分辨率图像生成超分辨率图像，且能够解决现有的对高频特征信息利用率低的问题，还能够减少过拟合风险，同时通过损失函数的计算与融合，优化srgan网络，能够提高网络性能。
本文档来自技高网...
【技术保护点】
1.一种基于残差通道注意力生成对抗网络的图像重建方法，其特征在于，所述方法具体包括以下步骤：
2.根据权利要求1所述的基于残差通道注意力生成对抗网络的图像重建方法，其特征在于，所述将通道注意力网络与残差网络相结合，构建生成器网络，接收输入的LR图像，进行卷积操作，提取特征，进行超分辨率重建，生成SR图像具体包括以下步骤：
3.根据权利要求2所述的基于残差通道注意力生成对抗网络的图像重建方法，其特征在于，所述生成器网络由多个RG模块、多个卷积层和一个长跳跃连接组成，通过所述长跳跃连接，跳过所述LR图像中的低频信息，对所述LR图像中的高频信息进行处理，提高超分辨率重建的质量。
4.根据权利要求3所述的基于残差通道注意力生成对抗网络的图像重建方法，其特征在于，所述RG模块由一个短跳跃连接、一个卷积层和多个RECA模块组成，通过所述短跳跃连接，提高超分辨率重建的精度。
5.根据权利要求4所述的基于残差通道注意力生成对抗网络的图像重建方法，其特征在于，所述RECA模块将通道注意力网络与残差网络相结合，在提取特征时，不仅全局平均池化，还引入全局最大池化作为补充。
6.根据权利要求5所述的基于残差通道注意力生成对抗网络的图像重建方法，其特征在于，所述全局平均池化，是将所述输入特征图上每个通道的所有值都进行平均，得到一个代表整张特征图平均值的标量；所述全局最大池化，是选取所述输入特征图上每个通道中的最大值。
7.根据权利要求1所述的基于残差通道注意力生成对抗网络的图像重建方法，其特征在于，所述在判别器网络中，引入全局平均池化、BN层、Mish激活函数以及卷积操作，将所述SR图像与所述LR图像进行相似性判断，输出判断结果具体包括以下步骤：
8.根据权利要求7所述的基于残差通道注意力生成对抗网络的图像重建方法，其特征在于，所述BN层加速所述判别器网络的模型训练过程，让所述判别器网络收敛；所述Mish激活函数替换原来的LReLU激活函数，提高所述判别器网络的非线性拟合能力和泛化能力。
9.根据权利要求1所述的基于残差通道注意力生成对抗网络的图像重建方法，其特征在于，所述L1损失的公式为：
10.根据权利要求9所述的基于残差通道注意力生成对抗网络的图像重建方法，其特征在于，所述将所述生成器网络和所述判别器网络构建SRGAN网络，进行L1损失、感知损失和对抗损失的计算与融合，优化所述SRGAN网络中，计算与融合的总损失函数为：
...
【技术特征摘要】
1.一种基于残差通道注意力生成对抗网络的图像重建方法，其特征在于，所述方法具体包括以下步骤：
2.根据权利要求1所述的基于残差通道注意力生成对抗网络的图像重建方法，其特征在于，所述将通道注意力网络与残差网络相结合，构建生成器网络，接收输入的lr图像，进行卷积操作，提取特征，进行超分辨率重建，生成sr图像具体包括以下步骤：
3.根据权利要求2所述的基于残差通道注意力生成对抗网络的图像重建方法，其特征在于，所述生成器网络由多个rg模块、多个卷积层和一个长跳跃连接组成，通过所述长跳跃连接，跳过所述lr图像中的低频信息，对所述lr图像中的高频信息进行处理，提高超分辨率重建的质量。
4.根据权利要求3所述的基于残差通道注意力生成对抗网络的图像重建方法，其特征在于，所述rg模块由一个短跳跃连接、一个卷积层和多个reca模块组成，通过所述短跳跃连接，提高超分辨率重建的精度。
5.根据权利要求4所述的基于残差通道注意力生成对抗网络的图像重建方法，其特征在于，所述reca模块将通道注意力网络与残差网络相结合，在提取特征时，不仅全局平均池化，还引入全局最大池化作为补充。
6.根据权利要求5所述的基于残差通道注意力生成...
【专利技术属性】
技术研发人员：曾孟佳，黄旭，陈成，石丹丹，
申请(专利权)人：湖州学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。