【技术实现步骤摘要】
本专利技术涉及图像超分辨重建领域，特别是一种面向低分辨率模糊场景的图像超分辨重建算法。
技术介绍
1、图像超分辨率重建算法被广泛应用于各个领域，如监控视频处理、医学图像处理、卫星图像处理等，以提升图像的清晰度、细节和识别性。
2、因此，面向模糊图像的图像超分辨率重建算法在不同应用场景中扮演着重要的角色，为改善图像质量、提高细节还原能力、增强图像识别和分析等方面带来了显著的效果和应用潜力。
3、当前，主要的超分辨率重建方法包括插值法、重建法和学习法。插值法一般采用双三次插值和基于几何特征的插值法，尽管简单，但易产生图像震荡和伪影。相比之下，重建法如最大后验估计法和迭代反向投影法在重建效果上有所提升，但运算效率较低，且受放大因子的影响较大。至于学习法，如邻域嵌入法和稀疏表示法，则通过学习hr图像和lr图像样本对的映射函数或利用图像内部相似性来实现hr图像的重建。
4、近年来，随着深度学习技术的迅速发展，卷积神经网络(cnn)在超分辨率任务中广泛应用，提出了一系列高效的图像超分辨率网络基于深度学习的sr方法已经实现了显著的性能改进，因为我们可以使用大量的数据为图像sr训练更大或者更深的神经网络。例如，rcan(residual channel attention networks)是一个具有代表性的基于cnn的图像sr网络，具有15.59m的参数量，深度超过400层。这些大模型最显著的缺点之一是它们需要很高的计算成本，这使得它们部署起来非常具有挑战性。
5、综上所述，现有技术存在的问题是
6、(1)端到端的图像超分辨网络往往通过加深特征提取模块完成图像特征细化。但是，这种过度堆叠模块的方式会大大增加网络的参数量和计算成本，并且带来冗余计算。
7、(2)目前大多数端到端的网络仅仅利用直连的方式来设计网络，大大降低了特征的利用率，而直接连接虽然能够展现特征之间的依赖关系，但其映射关系过于简单，同时也存在信息冗余的情况。
8、(3)在某些情况下，图像中的细节可能对特征提取和重建并不重要，现有算法难以对一些不必要的细节信息进行去除，算法的鲁棒性和泛化能力较低。
技术实现思路
1、本专利技术要解决的技术问题是针对上述现有技术的不足，而提供一种面向低分辨率模糊场景的图像超分辨重建算法。
2、为解决上述技术问题，本专利技术采用的技术方案是：
3、一种面向低分辨率模糊场景的图像超分辨重建算法，包括以下步骤：s1、设计面向低分辨率模糊场景的图像超分辨率重建模型框架，所述面向低分辨率模糊场景的图像超分辨率重建模型框架包括图像浅层特征提取模块、图像深层特征提取模块和图像重建模块；
4、s2、使用图像浅层特征提取模块对图像的浅层特征进行提取；
5、s3、使用图像深层特征提取模块对图像的深层特征进行提取；所述图像深层特征提取模块包括跨尺度局部特征投影模块、差异性特征提取模块和跨尺度全局特征投影模块，且所述各个模块采用知识蒸馏的方式连接；
6、s4、对图像进行重建，得到重建后的超分辨率图像。
7、作为本专利技术的进一步优选，所述图像浅层特征提取模块、图像深层特征提取模块和图像重建模块的总体关系如下：
8、fs＝hconv3(ilr) (1)
9、f1＝hfbb(fs) (2)
10、f2＝hfbb(f1) (3)
11、f3＝hfbb(f2) (4)
12、isr＝hconv3(hupsample(f3⊙(hconv1(fs))⊙(hconv1(f1))⊙(hconv1(f2)))) (5)
13、其中，ilr表示低分辨率图像，hconv3(·)表示卷积核大小为3*3的卷积，hconv1(·)表示卷积核大小为1*1的卷积，fs表示低分辨率图像ilr经过一个3×3卷积后得到的浅层特征；hfbb(·)表示特征基础块模块，fn＝1,2,3表示浅层特征fs经过fbb模块得到的深层特征；⊙为特征拼接操作，isr为最后重建的超分辨率图像。
14、作为本专利技术的进一步优选，所述跨尺度局部特征投影模块对输入特征分别进行四倍、二倍的下采样完成多尺度特征的提取，在模型结构上选择交替下采样和特征提取的方式。
15、作为本专利技术的进一步优选，所述差异性特征提取模块通过残差连接学习不同特征之间的差异以及进行特征的融合，与跨尺度局部特征投影模块的关系为：
16、xscale＝1＝gelu(dfb(hconv1(x))) (6)
17、xscale＝2＝gelu(dfb(hd(x))) (7)
18、xscale＝4＝gelu(dfb(hd(x))) (8)
19、xout＝xscale＝1|hu(xscale＝2)|hu(xscale＝4) (9)
20、其中，x为给定的输入特征，dfb为差异性特征提取模块，hd为最大池化卷积实现的下采样，xscale＝1,2,4为不同尺度下经过dfb处理后输出的特征，hu为最近邻插值实现的上采样，|为特征拼接方式，xout为跨尺度局部特征投影模块最终的输出；gelu为激活函数。
21、作为本专利技术的进一步优选，所述跨尺度全局特征投影模块设计了一个由深度可分离卷积和激活函数组成的自校准卷积注意力，经过注意力有选择地学习之后的特征再经过卷积处理，包括如下算法；
22、x'＝hconv1(x) (10)
23、w＝sigmoid(hconv1(hdwconv7(hconv1(x')))) (11)
24、
25、xb＝gelu(hdwconv3(hconv1(x'))) (13)
26、xout＝xa+xb (14)
27、其中，x'为经过卷积层处理后要输入进两条支路的特征，hconv1为1×1卷积核的卷积层，hdwconv7为7×7卷积核的深度可分离卷积，sigmoid为激活函数sigmoid，w为sigmoid函数输出的特征权重，hdwconv3为3×3卷积核的深度可分离卷积，xa为主干路输出的特征，xb为分支路输出的特征，gelu为激活本文档来自技高网...
【技术保护点】
1.一种面向低分辨率模糊场景的图像超分辨重建算法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种面向低分辨率模糊场景的图像超分辨重建算法，其特征在于：所述图像浅层特征提取模块、图像深层特征提取模块和图像重建模块的总体关系如下：
3.根据权利要求1所述的一种面向低分辨率模糊场景的图像超分辨重建算法，其特征在于：所述跨尺度局部特征投影模块对输入特征分别进行四倍、二倍的下采样完成多尺度特征的提取，在模型结构上选择交替下采样和特征提取的方式。
4.根据权利要求1所述的一种面向低分辨率模糊场景的图像超分辨重建算法，其特征在于：所述差异性特征提取模块通过残差连接学习不同特征之间的差异以及进行特征的融合，与跨尺度局部特征投影模块的关系为：
5.根据权利要求1所述的一种面向低分辨率模糊场景的图像超分辨重建算法，其特征在于：所述跨尺度全局特征投影模块设计了一个由深度可分离卷积和激活函数组成的自校准卷积注意力，经过注意力有选择地学习之后的特征再经过卷积处理，包括如下算法；
6.根据权利要求1所述的一种面向低分辨率模糊场景的图像超分
7.根据权利要求1所述的一种面向低分辨率模糊场景的图像超分辨重建算法，其特征在于：所述图像深层特征提取模块的三个特征基础块模块，即图像深层特征提取模块包括跨尺度局部特征投影模块、差异性特征提取模块和跨尺度全局特征投影模块均由四个特征融合模块和一个注意力模块组成。
8.根据权利要求1所述的一种面向低分辨率模糊场景的图像超分辨重建算法，其特征在于：所述图像重建模块由一个亚像素卷积层和一个卷积核大小为3×3的卷积组成，图像深层特征与三层蒸馏特征经过特征拼接操作融合，最后通过亚像素卷积层和3×3的卷积后得到重建后的超分辨率图像。
...【技术特征摘要】
1.一种面向低分辨率模糊场景的图像超分辨重建算法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种面向低分辨率模糊场景的图像超分辨重建算法，其特征在于：所述图像浅层特征提取模块、图像深层特征提取模块和图像重建模块的总体关系如下：
3.根据权利要求1所述的一种面向低分辨率模糊场景的图像超分辨重建算法，其特征在于：所述跨尺度局部特征投影模块对输入特征分别进行四倍、二倍的下采样完成多尺度特征的提取，在模型结构上选择交替下采样和特征提取的方式。
4.根据权利要求1所述的一种面向低分辨率模糊场景的图像超分辨重建算法，其特征在于：所述差异性特征提取模块通过残差连接学习不同特征之间的差异以及进行特征的融合，与跨尺度局部特征投影模块的关系为：
5.根据权利要求1所述的一种面向低分辨率模糊场景的图像超分辨重建算法，其特征在于：所述跨尺度全局特征投影模块设计了一个由深...
【专利技术属性】
技术研发人员：徐兴奎，徐明武，李冬冬，李继路，袁航，
申请(专利权)人：微山金源煤矿，
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。