【技术实现步骤摘要】
本申请涉及图像处理，特别是涉及一种图像超分辨率处理方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
1、图像超分辨率处理是从一张或多张低分辨率图像中重建出对应高分辨率图像的过程，是计算机底层视觉的一个经典问题。图像超分辨率本身是一个不适定问题，对于一个低分辨率图像始终存在多个与其对应的高分辨率图像。传统图像超分辨率算法主要分为基于插值的方法和基于学习的方法，使用稀疏编码、多尺度等先验知识建模实现高分辨率图像的恢复。这些算法虽然能够提升图像分辨率，但是在恢复高频细节信息和纹理细节方面存在不足。
2、随着人工智能技术的再次兴起和深度神经网络的迅速发展，深度神经网络在计算机视觉领域取得了巨大成功。基于深度神经网络的图像超分辨率算法得到了积极探索，涌现出一大批基于卷积神经网络、生成对抗网络、残差神经网络的图像超分辨率模型。利用深度神经网络强大的特征表示和学习非线性变换的能力，模型能够更深入地挖掘高、低分辨率图像之间的映射关系，更好的重建出图像的高频细节信息。
3、尽管基于卷积神经网络的图像超分辨率算法已经取得了良好的性能。但由于卷积核感受野大小的限制，导致神经网络无法建模图像中长距离像素之间的依赖关系，最终计算结果不准确。并且基于卷积神经网络的图像超分辨率算法通常需要耗费大量计算资源，导致训练时间长、算法调优慢。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种高效、且准确的图像超分辨率处理方法、装置、计算机设备、存储介质和计算机程序产品。p>
2、第一方面，本申请提供了一种图像超分辨率处理方法。所述方法包括：
3、获取待处理的低分辨率图像；
4、提取所述低分辨率图像的特征，得到初始特征图；
5、基于通道注意力机制提取所述初始特征图中的全局通道结构特征、并基于稠密分块通道注意力机制提取所述初始特征图中的局部通道细节特征；
6、融合所述全局通道结构特征和所述局部通道细节特征，得到融合特征，并基于融合特征和空间注意力机制提取局部空间细节特征，得到具有增强全局通道信息、局部通道信息和局部空间信息的目标特征图；
7、对所述目标特征图进行上采样和下采样，生成高分辨率图像。
8、在其中一个实施例中，所述提取所述低分辨率图像的特征，得到初始特征图包括：
9、基于预设卷积核大小的卷积层，提取所述低分辨率图像的特征，得到初始特征图。
10、在其中一个实施例中，基于通道注意力机制提取所述初始特征图中的全局通道结构特征包括：
11、以所述初始特征图作为特征嵌入；
12、对所述特征嵌入进行映射矩阵与维度变换处理，得到映射后的矩阵；
13、基于映射后的矩阵进行缩放点积注意力与注意力加权处理，得到通道维度上的缩放点积注意力，所述通道维度上的缩放点积注意力表征全局通道结构特征。
14、在其中一个实施例中，基于稠密分块通道注意力机制提取所述初始特征图中的局部通道细节特征包括：
15、以所述初始特征图作为特征嵌入；
16、将所述特征嵌入按照稠密窗口划分为若干非重叠窗口，形成稠密窗口特征嵌入；
17、对每个稠密窗口特征嵌入计算通道注意力，得到注意力分数矩阵；
18、对注意力分数矩阵的每一行进行归一化，得到权重矩阵；
19、基于所述权重矩阵以及所述注意力分数矩阵，得到稠密分块的缩放点积通道注意力；
20、将每个稠密分块的缩放点积通道注意力按照划分顺序重新拼接，得到局部通道细节特征。
21、在其中一个实施例中，所述融合所述全局通道结构特征和所述局部通道细节特征，得到融合特征，并基于融合特征和空间注意力机制提取局部空间细节特征，得到具有增强全局通道信息、局部通道信息和局部空间信息的目标特征图包括：
22、交替使用通道注意力和稠密分块通道注意力，融合所述全局通道结构特征和所述局部通道细节特征，得到融合特征；
23、基于融合特征和空间注意力机制提取局部空间细节特征，得到具有增强全局通道信息、局部通道信息和局部空间信息的目标特征图。
24、在其中一个实施例中，所述交替使用通道注意力和稠密分块通道注意力，融合所述全局通道结构特征和所述局部通道细节特征，得到融合特征包括：
25、以所述初始特征图作为特征嵌入；
26、将所述特征嵌入经过归一化和通道注意力，得到第一输出特征；
27、将所述特征嵌入加上所述第一输出特征得到中间结果；
28、将所述中间结果送入归一化和gmlp中，得到通道注意力的第二输出特征；
29、将所述第二输出特征加上所述中间结果作为通道注意力的最终输出特征；
30、以所述最终输出特征作为稠密分块通道注意力输入，以融合所述全局通道结构特征和所述局部通道细节特征，得到融合特征。
31、第二方面，本申请还提供了一种图像超分辨率处理装置。所述装置包括：
32、数据获取模块，用于获取待处理的低分辨率图像；
33、初始化模块，用于提取所述低分辨率图像的特征，得到初始特征图；
34、特征提取模块，用于基于通道注意力机制提取所述初始特征图中的全局通道结构特征、并基于稠密分块通道注意力机制提取所述初始特征图中的局部通道细节特征；
35、特征融合模块，用于融合所述全局通道结构特征和所述局部通道细节特征，得到融合特征，并基于融合特征和空间注意力机制提取局部空间细节特征，得到具有增强全局通道信息、局部通道信息和局部空间信息的目标特征图；
36、采样模块，用于对所述目标特征图进行上采样和下采样，生成高分辨率图像。
37、第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
38、获取待处理的低分辨率图像；
39、提取所述低分辨率图像的特征，得到初始特征图；
40、基于通道注意力机制提取所述初始特征图中的全局通道结构特征、并基于稠密分块通道注意力机制提取所述初始特征图中的局部通道细节特征；
41、融合所述全局通道结构特征和所述局部通道细节特征，得到融合特征，并基于融合特征和空间注意力机制提取局部空间细节特征，得到具有增强全局通道信息、局部通道信息和局部空间信息的目标特征图；
42、对所述目标特征图进行上采样和下采样，生成高分辨率图像。
43、第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
44、获取待处理的低分辨率图像；
45、提取所述低分辨率图像的特征，得到初始特征图；
46、基于通道注意力机制提取所述初始特征图中的全局通道结构本文档来自技高网...
【技术保护点】
1.一种图像超分辨率处理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述提取所述低分辨率图像的特征，得到初始特征图包括：
3.根据权利要求1所述的方法，其特征在于，基于通道注意力机制提取所述初始特征图中的全局通道结构特征包括：
4.根据权利要求1所述的方法，其特征在于，基于稠密分块通道注意力机制提取所述初始特征图中的局部通道细节特征包括：
5.根据权利要求1所述的方法，其特征在于，所述融合所述全局通道结构特征和所述局部通道细节特征，得到融合特征，并基于融合特征和空间注意力机制提取局部空间细节特征，得到具有增强全局通道信息、局部通道信息和局部空间信息的目标特征图包括：
6.根据权利要求5所述的方法，其特征在于，所述交替使用通道注意力和稠密分块通道注意力，融合所述全局通道结构特征和所述局部通道细节特征，得到融合特征包括：
7.一种图像超分辨率处理装置，其特征在于，所述装置包括：
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种图像超分辨率处理方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述提取所述低分辨率图像的特征，得到初始特征图包括：
3.根据权利要求1所述的方法，其特征在于，基于通道注意力机制提取所述初始特征图中的全局通道结构特征包括：
4.根据权利要求1所述的方法，其特征在于，基于稠密分块通道注意力机制提取所述初始特征图中的局部通道细节特征包括：
5.根据权利要求1所述的方法，其特征在于，所述融合所述全局通道结构特征和所述局部通道细节特征，得到融合特征，并基于融合特征和空间注意力机制提取局部空间细节特征，得到具有增强全局通道信息、局部通道信息和局部空间信息的目标特征图包括：
6.根...
【专利技术属性】
技术研发人员：乔鹏，翟肇源，李荣春，周镇，陈蔼娜，贺周雨，
申请(专利权)人：中国人民解放军国防科技大学，
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。