【技术实现步骤摘要】
本专利技术涉及电力图像处理，具体涉及一种轻量级多尺度图像超分辨率重建方法。
技术介绍
1、随着深度学习在电力图像处理领域的蓬勃发展，图像超分辨率重建已在军事、影视、医疗等领域广泛应用。然而，为改进性能，现有方法往往以急剧增加的参数量为代价，从而限制超分辨率重建方法在实际应用中的可行性。随着物联网终端设备的大规模普及，提升超分辨率重建方法的实时性与实用性成为当前亟需解决的问题。为了解决上述问题，如中国专利公布号为cn115063297a，其公开一种基于参数重构的图像超分辨率重建方法及系统，其首先利用标准卷积来提取输入图像数据的浅层特征，然后利用参数重构的深度可分离卷积提取浅层特征中的深层特征，利用深层特征进行图像重建；利用收集的样本数据进行网络训练；并针对待重建的图像数据，利用训练后的超分辨率重建网络进行特征提取和图像重建。但该方案存在的一些轻量级超分辨率方法主要局限于单一尺度下的特征提取，存在缺失多尺度特征的问题。与此同时，关注多尺度特征的网络往往采用transformer结构，其注意力机制对所有像素点进行注意力计算，导致在处理大尺度图像时出现高计算复杂度和大量内存占用的现象。此外，高参数量使得模型在实时运行方面面临挑战，尤其是在资源受限的移动设备上，难以应用于实际生活中。
技术实现思路
1、本专利技术要解决的技术问题是：克服现有技术的不足，提供一种轻量级多尺度图像超分辨率重建方法。
2、本专利技术采用的技术方案如下：
3、一种轻量级多尺度图像超分辨率重建方
4、s1、采集到的图像像进行预处理，将其分别划分为训练集、验证集与测试集，以确保数据的有效性和可靠性；
5、s2、将经过预处理的低分辨率图像输入网络中，进行浅层特征信息提取，得到浅层信息，在初始阶段获取图像的基础特征；
6、s3、引入多尺度特征信息提取方法，根据提取出浅层特征的图像在三个尺度上进行深层特征提取，完成充分提取特征的同时降低参数量的任务，从而优化网络的效率和性能；
7、s4、基于全局语义信息捕捉模块，获取全局语义信息；
8、s5、将采集到的图像浅层特征信息与所提取的多尺度特征信息进行融合，实现超分辨率重建，在重建过程中既考虑初始特征信息，利用多尺度特征的优势，提高重建的准确性和质量。
9、本技术方案成功解决现有超分辨率网络中参数量巨大的问题，通过引入综合多尺度特征模块，有效降低计算量和参数量，同时保证超分辨率重建的准确性和效率，特别适用于计算资源受限的场景，如物联网终端设备，为图像超分辨率重建领域带来显著的技术突破提升。具体地，首先，利用深度学习在图像处理领域的优势，特别是卷积神经网络（cnn）在特征提取方面的强大能力，通过浅层特征提取模块，网络能够快速地获取到输入图像的基础特征，为后续的超分辨率重建提供必要的特征信息，通过引入多尺度特征信息提取方法，网络在三个不同的尺度上进行特征提取，捕捉到图像在不同尺度上的细节信息，用于解决传统超分辨率方法中出现的特征信息丢失或失真问题，从而提高重建的准确性和质量，利用全局语义信息捕捉模块，通过计算跨通道的注意力来隐式地编码全局上下文信息，通过引入用于网络在超分辨率重建过程中更好地理解图像的整体结构和内容，进一步提高重建效果；将采集到的图像浅层特征信息与所提取的多尺度特征信息进行融合，既考虑初始特征信息的重要性，又充分利用多尺度特征的优势，使得网络在重建过程中能够综合考虑不同层次的特征信息，从而提高重建的准确性和质量。
10、另外，根据本专利技术上述提出轻量级多尺度图像超分辨率重建方法还具有如下附加技术特征：
11、根据本专利技术的一个实施例，所述步骤s1中，图像进行预处理将分别在训练集、验证集、测试集图像上进行，确保对不同数据集的一致性处理，从而提高网络模型的泛化能力与鲁棒性；
12、网络模型使用反向传播算法对轻量级多尺度图像超分辨率网络进行训练，通过计算损失函数关于网络参数的梯度，实现对网络参数的更新，从而使网络逐步收敛到最优解，反向传播算法在训练过程中能够有效地优化网络参数，提高图像超分辨率重建的准确性和效率，提高网络的泛化能力。
13、本技术方案通过一致性的数据预处理提高模型的泛化能力和鲁棒性，同时利用反向传播算法优化网络参数，提高图像超分辨率重建的准确性和效率，以及网络的泛化能力，在保证重建效果的同时降低计算复杂度，使得轻量级网络模型在实际应用中具有更高的可行性。在数据预处理方面确保不同数据集（训练集、验证集、测试集）之间的一致性处理；因为不一致的数据处理导致网络模型在某一特定数据集上表现良好，但在其他数据集上表现较差，即模型的泛化能力较弱；通过一致性的预处理，消除数据之间的不一致性，使模型更好地学习到数据的本质特征，从而提高其泛化能力；一致性的预处理也用于提高模型的鲁棒性，使其在面对各种复杂情况时都能保持稳定的性能。其次，在网络训练方面，采用反向传播算法对轻量级多尺度图像超分辨率网络进行训练；通过计算损失函数关于网络参数的梯度，实现对网络参数的更新，有效地优化网络参数，使网络逐步收敛到最优解，在训练过程中，网络会根据输入的低分辨率图像和对应的真实高分辨率图像计算损失，然后通过反向传播算法调整网络参数，以减小损失值，网络能够逐渐学习到从低分辨率图像到高分辨率图像的映射关系，从而提高图像超分辨率重建的准确性和效率，在训练过程中的优化作用不仅体现在提高重建准确性和效率上，还体现在提高网络的泛化能力上；通过不断优化网络参数，网络能够更好地适应各种不同的输入数据，从而提高其泛化能力；优化后的网络在超分辨率重建任务上的性能也会得到提升，使其在实际应用中具有更高的实用价值。
14、根据本专利技术的一个实施例，所述步骤s1中，采集到的图像像将为同一分辨率的设备拍摄的图像作为数据，并将图片缩小4倍作为训练数据；
15、将采集到的图像划分为训练集、验证集、测试集，并将低分辨率图像与对应的高分辨率图像整合，划分好的数据送入网络中。
16、本技术方案通过采集同一分辨率设备拍摄的图像、模拟低分辨率图像的生成、合理划分数据集以及构建输入-输出对等方式，为后续的模型训练提供高质量、一致性的数据支持，从而用于提高模型的训练效果和性能。首先，由于图像采集设备的分辨率固定，所拍摄的图像在细节、色彩、对比度等方面会具有相对一致的特性，对于后续的图像处理和分析，用于减少因设备差异导致的图像质量波动，从而提高模型的训练效果和泛化能力。在实际应用中，往往需要从低分辨率的图像中恢复出高分辨率的信息，通过将原始高分辨率图像缩小一定倍数，生成对应的低分辨率图像，作为模型的输入数据，通常通过插值算法实现，能够保留原始图像的大部分结构信息，同时去除部分细节信息，从而模拟出低分辨率图像的视觉效果。其中，训练集用于训练模型，使其学习到从低分辨率到高分辨率的映射关系；验证集用于在训练过程中调整模型的超参数和监控模型的性能，以防止过拟合或欠拟合；测试集则用于评估模型的最终性能，以验证本文档来自技高网...
【技术保护点】
1.一种轻量级多尺度图像超分辨率重建方法，其特征在于，包括如下步骤：
2.如权利要求1所述的轻量级多尺度图像超分辨率重建方法，其特征在于，所述步骤S1中，图片进行预处理将分别在训练集、验证集、测试集图像上进行，确保对不同数据集的一致性处理，从而提高网络模型的泛化能力与鲁棒性；
3.如权利要求1或2所述的轻量级多尺度图像超分辨率重建方法，其特征在于，所述步骤S1中，采集到的图像为同一分辨率的设备拍摄的图像作为数据，并将图像缩小4倍作为训练数据；
4.如权利要求3所述的轻量级多尺度图像超分辨率重建方法，其特征在于，所述步骤S2中，浅层特征信息提取包括如下小步：
5.如权利要求1或4所述的轻量级多尺度图像超分辨率重建方法，其特征在于，所述步骤S3中，多尺度特征提取的具体步骤如下：
6.如权利要求5所述的轻量级多尺度图像超分辨率重建方法，其特征在于，所述步骤S32中，中尺度特征捕获块采用动态稀疏关注机制，以实现更轻量级、更灵活的中特征提取，首先构建一个中级关联图，然后限制其中每个节点与前k个节点的连接，每个节点只保留前k个连接，
7.如权利要求1或6所述的轻量级多尺度图像超分辨率重建方法，其特征在于，所述步骤S4中，全局语义信息捕捉模块由一个跨通道自注意力机制与可选择的前向反馈网络组成，在充分利用Transformer结构对全局特征捕捉能力的同时维持计算的高效性，减少参数量；选择跨通道自注意，计算跨通道注意来隐式编码全局上下文信息；在计算特征协方差以生成全局注意力图谱之前，引入深度卷积，以强调图像的上下文信息，包括如下小步：
8.如权利要求7所述的轻量级多尺度图像超分辨率重建方法，其特征在于，所述步骤S4中，全局语义信息捕捉模块考虑跨信道特征，强调空间局部背景，同时处理信道方面的全局信息，有效控制各层之间的信息流，使每一层都能专注于互补的精细细节，在平衡计算要求的同时，实现高效、精确的全局信息捕捉，从而实现轻量级图像超分辨率重建。
...【技术特征摘要】
1.一种轻量级多尺度图像超分辨率重建方法，其特征在于，包括如下步骤：
2.如权利要求1所述的轻量级多尺度图像超分辨率重建方法，其特征在于，所述步骤s1中，图片进行预处理将分别在训练集、验证集、测试集图像上进行，确保对不同数据集的一致性处理，从而提高网络模型的泛化能力与鲁棒性；
3.如权利要求1或2所述的轻量级多尺度图像超分辨率重建方法，其特征在于，所述步骤s1中，采集到的图像为同一分辨率的设备拍摄的图像作为数据，并将图像缩小4倍作为训练数据；
4.如权利要求3所述的轻量级多尺度图像超分辨率重建方法，其特征在于，所述步骤s2中，浅层特征信息提取包括如下小步：
5.如权利要求1或4所述的轻量级多尺度图像超分辨率重建方法，其特征在于，所述步骤s3中，多尺度特征提取的具体步骤如下：
6.如权利要求5所述的轻量级多尺度图像超分辨率重建方法，其特征在于，所述步骤s32中，中尺度特征捕获块采用动态稀疏关注机制，以实现...
【专利技术属性】
技术研发人员：束云豪，张关应，陆歆，朱文明，苏正华，吴海斌，候姝斌，孟凡奇，王艺钢，徐畅，
申请(专利权)人：国网江苏省电力有限公司常州供电分公司，
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。