【技术实现步骤摘要】
本专利技术涉及图像重建，尤其涉及一种实时动态超分辨率图像重建方法及其重建系统。
技术介绍
1、随着数字图像技术的快速发展，高分辨率图像在医疗诊断、卫星遥感、安防监控等多个领域的应用需求日益增加。然而，受限于成像设备的物理限制、网络传输带宽等因素，实际获取到的图像往往是低分辨率的，难以满足上述领域对图像细节和清晰度的要求。因此，研究如何从低分辨率图像中重建出高分辨率图像，即超分辨率图像重建技术，具有重要的理论意义和实用价值。
2、传统的超分辨率图像重建方法主要依赖于插值、重建滤波等技术，这些方法虽然简单易行，但重建出的高分辨率图像往往缺乏足够的细节信息，视觉效果较差。近年来，随着深度学习技术的兴起，基于卷积神经网络(cnn)的超分辨率图像重建方法取得了显著的进步。然而，这些方法在追求高分辨率重建效果的同时，往往面临着计算量大、模型复杂度高的问题，难以在实时动态场景下应用。
3、因此，有必要提供一种实时动态超分辨率图像重建方法及其重建系统解决上述技术问题。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种实时动态超分辨率图像重建方法及其重建系统，通过构建元学习轻量化模型，有效降低了模型的复杂度，提高了重建速度；同时，引入混合注意力机制和深度细化网络，使得模型能够更好地捕获图像的细节信息，提高重建图像的质量。
2、本专利技术提供的一种实时动态超分辨率图像重建方法，重建方法包括以下步骤：
3、s1：获取待重建的低分辨率图像，并对所述低
4、s2：利用预先构建的元学习轻量化模型提取预处理后的所述低分辨率图像在不同尺度下的浅层特征，得到尺度特征图；
5、s3：利用混合注意力机制对所有尺度特征图中的浅层特征进行加权，并将加权的所有尺度特征图进行融合，得到融合特征图；
6、s4：利用深度卷积网络对所述融合特征图进行特征增强处理，得到增强特征图；
7、s5：利用双三次插值方法对增强特征图进行上采样，利用深度细化网络对上采样后的低分辨率图像进行细节恢复，得到目标高分辨率图像。
8、优选的，在步骤s1中，对所述低分辨率图像的预处理包括尺寸标准化、去噪和灰度化。
9、优选的，步骤s2具体包括以下步骤：
10、s201：基于与低分辨率图像同领域的低分辨率样本图像集训练得到元学习轻量化模型，其中，所述低分辨率样本图像集中每张低分辨率样本图像在纹理、光照条件及场景内容上与待重建的低分辨率图像均不同；
11、s202：基于不同大小的卷积核获取不同尺度下的低分辨率图像；
12、s203：利用训练得到的元学习轻量化模型提取不同尺度下的低分辨率图像中的浅层特征，得到对应于不同尺度的尺度特征图。
13、优选的，在步骤s201中，元学习轻量化模型的构建步骤包括：
14、获取与低分辨率图像同领域的低分辨率样本图像集，并将低分辨率样本图像集分为训练集和验证集；
15、构建基于神经网络架构的元学习模型，并根据元学习原则初始化元学习模型的元参数φ；
16、定义元学习任务，并根据所述元学习任务的输出迭代更新元学习模型的参数θ，同时记录元学习任务的性能值，其中，所述元学习任务为从训练集中进行特征提取，参数θ的更新公式为：
17、
18、式中，θ*为更新后的元学习模型的参数，α学习率，l为损失函数，d为低分辨率样本图像集，为参数θ的梯度，fθ基于参数θ的特征提取函数，x为d中的低分辨率样本图像，x∈d；
19、在参数θ迭代完成后，基于所有元学习任务在验证集上的评估指标数值迭代调整所述元学习模型的元参数φ，直到元参数φ收敛，从而获得元学习模型；
20、通过知识蒸馏方法将元学习模型提炼并压缩至轻量化网络中，从而获得元学习轻量化模型。
21、优选的，步骤s3具体包括以下步骤：
22、s301：基于通道注意力机制和空间注意力机制分别计算得到各尺度特征图的通道注意力权重和位置注意力权重，并作为尺度特征图中每个元素的加权系数；
23、s302：将每个尺度特征图与相应的加权系数进行逐元素加权，得到加权后的尺度特征图；
24、s303：对加权后的尺度特征图进行加权求和，形成融合特征图。
25、优选的，在步骤s301中，通道注意力权重的计算步骤包括：
26、对每个尺度特征图进行全局平均池化操作，将每个通道的特征压缩为一个特征向量；
27、利用第一全连接层对特征向量进行线性变换，并使用relu激活函数对线性变换后特征向量进行非线性变换，再利用第二全连接层对非线性变换后的特征向量进行线性变换，得到每个通道的权重；
28、通过逐通道乘法操作将得到权重应用于尺度特征图的每个通道，得到各尺度特征图中每个通道的通道注意力权重。
29、优选的，在步骤s301中，位置注意力权重的计算步骤包括：
30、利用3x3卷积对尺度特征图进行通道信息融合，并通过sigmoid激活函数计算得到尺度特征图中每个位置的位置注意力权重。
31、优选的，步骤s4具体包括以下步骤：
32、s401：将融合特征图输入到深度卷积网络的初始层，并将融合特征图中的特征从融合空间映射到特征表示空间；
33、s402：基于连续的卷积层和激活函数逐步提取特征映射后的融合特征图中的深层特征；
34、s403：将深层特征输入特征增强层中，并利用残差连接进行特征增强操作，最终输出增强特征图。
35、本专利技术还提供了一种实时动态超分辨率图像重建系统，应用于一种实时动态超分辨率图像重建方法，重建系统包括：
36、预处理模块，用于获取待重建的低分辨率图像，并对所述低分辨率图像进行预处理；
37、尺度特征图获取模块，用于利用预先构建的元学习轻量化模型提取预处理后的所述低分辨率图像在不同尺度下的浅层特征，得到尺度特征图；
38、融合特征图获取模块，用于利用混合注意力机制对所有尺度特征图中的浅层特征进行加权，并将加权的所有尺度特征图进行融合，得到融合特征图；
39、增强特征图获取模块，用于利用深度卷积网络对所述融合特征图进行特征增强处理，得到增强特征图；
40、目标高分辨率图像获取模块，用于利用双三次插值方法对增强特征图进行上采样，利用深度细化网络对上采样后的低分辨率图像进行细节恢复，得到目标高分辨率图像。
41、与相关技术相比较，本专利技术提供的一种实时动态超分辨率图像重建方法及其重建系统具有如下有益效果：
42、本专利技术通过元学习轻量化模型的构建，显著降低了计算成本，使得图像重建过程更加高效，混合注意力机制的引入有效提升了特征提取的精确性，通过对不同尺度下的特征进行加权和融合，使得重建图像能够保留更多的细节信息，深度卷积网络的应用，本文档来自技高网...
【技术保护点】
1.一种实时动态超分辨率图像重建方法，其特征在于，重建方法包括以下步骤：
2.根据权利要求1所述的一种实时动态超分辨率图像重建方法，其特征在于，在步骤S1中，对所述低分辨率图像的预处理包括尺寸标准化、去噪和灰度化。
3.根据权利要求2所述的一种实时动态超分辨率图像重建方法，其特征在于，步骤S2具体包括以下步骤：
4.根据权利要求3所述的一种实时动态超分辨率图像重建方法，其特征在于，在步骤S201中，元学习轻量化模型的构建步骤包括：
5.根据权利要求4所述的一种实时动态超分辨率图像重建方法，其特征在于，步骤S3具体包括以下步骤：
6.根据权利要求5所述的一种实时动态超分辨率图像重建方法，其特征在于，在步骤S301中，通道注意力权重的计算步骤包括：
7.根据权利要求5所述的一种实时动态超分辨率图像重建方法，其特征在于，在步骤S301中，位置注意力权重的计算步骤包括：
8.根据权利要求1所述的一种实时动态超分辨率图像重建方法，其特征在于，步骤S4具体包括以下步骤：
9.一种实时动态超分辨率图
...【技术特征摘要】
1.一种实时动态超分辨率图像重建方法，其特征在于，重建方法包括以下步骤：
2.根据权利要求1所述的一种实时动态超分辨率图像重建方法，其特征在于，在步骤s1中，对所述低分辨率图像的预处理包括尺寸标准化、去噪和灰度化。
3.根据权利要求2所述的一种实时动态超分辨率图像重建方法，其特征在于，步骤s2具体包括以下步骤：
4.根据权利要求3所述的一种实时动态超分辨率图像重建方法，其特征在于，在步骤s201中，元学习轻量化模型的构建步骤包括：
5.根据权利要求4所述的一种实时动态超分辨率图像重建方法，其特征在于...
【专利技术属性】
技术研发人员：宋小民，刘征，虞建，李怡，姚玉立，吴成志，付瑜，殷作铭，孙博，常智林，李齐梦，
申请(专利权)人：四川新视创伟超高清科技有限公司，
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。