一种基于深层注意力机制的超分辨率重建方法与流程

技术特征：
1.一种基于深层注意力机制的超分辨率重建方法，其特征在于：具体包括如下步骤：步骤1，获取低分辨率lr图像；步骤2，将步骤1中的低分辨率lr图像输入到深层注意力机制网络中，经过浅层特征提取模块提取，得到浅层特征图；步骤3，将步骤1中的低分辨率lr图像输入到深层注意力机制网络中，经过深层特征提取模块进行深度特征提取，得到深层特征图；将浅层特征图和深层特征图进行级联，得到级联特征图，对级联特征图进行给予权重分配，并对特征图降维，得到降维特征图；步骤4，将步骤3中得到的降维特征图与步骤1中获取的lr图像相加，学习特征残差，得到全局特征图；步骤5，将步骤4中得到的全局特征图输入到上采样模块中，将低分辨率特征图放大到输出尺度，最后在重建模块中对图像进行超分辨率重建。2.根据权利要求1所述的一种基于深层注意力机制的超分辨率重建方法，其特征在于：所述步骤1的具体操作为：步骤1.1，在网络上分别下载set5、set14、bsd100、urban100、manga109数据集；步骤1.2，对步骤1.1中的各个数据集进行4倍下采样预处理，得到各自对应的低分辨率lr图像。3.根据权利要求1所述的一种基于深层注意力机制的超分辨率重建方法，其特征在于：所述步骤2具体步骤为：将步骤1中的低分辨率lr图像输入到深层注意力机制网络中，经过浅层特征提取模块，通过两层带有relu激活函数的卷积层将输入网络的低分辨率图像变换到特征图空间，浅层特征提取过程的数学公式如(1)、(2)：f
‑1＝h
sfeb
(i
lr
)
ꢀꢀꢀꢀꢀꢀ
(1)；f0＝h
sfeb
(f
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)；式中，i
lr
代表低分辨率图像，h
sfeb
()代表潜层特征提取，f
‑1代表经过第一次潜层特征提取之后的结果，f0代表经过第二次潜层特征提取之后的结果。4.根据权利要求1所述的一种基于深层注意力机制的超分辨率重建方法，其特征在于：所述步骤3的具体过程为：步骤3.1，利用若干个包含了通道注意力机制的dfeb模块对特征图进行深度特征提取；步骤3.2，将经过浅层特征提取模块提取出的浅层特征图f
‑1、f0及经过深层特征模块提取出的深层特征图f1，f
d
，...f
d
级联在一起，得到的级联特征图，记作f
con
，数学表达公式如公式(3)所示：f
con
＝[f
‑1，f0，f1，...，f
d
，...，f
d
]
ꢀꢀꢀꢀꢀꢀ
(3)；步骤3.3，基于注意力机制，利用dab模块在网络模型的深度维度，对级联特征图给予权重分配，并对级联特征图进行降维，得到降维特征图。5.根据权利要求4所述的一种基于深层注意力机制的超分辨率重建方法，其特征在于：所述步骤4的具体过程为：利用如下公式(4)得到全局特征图：f
gf
＝f
df
i
lr
ꢀꢀꢀꢀꢀꢀꢀ
(4)；其中，i
lr
代表低分辨率图像lr，f
df
代表降维后的加权特征图，f
gf
代表全局特征图。6.根据权利要求5所述的一种基于深层注意力机制的超分辨率重建方法，其特征在于：
所述步骤5的具体过程为：步骤5.1，将步骤4得到的全局特征图f
gf
输入到上采样模块，采用反卷积的方式将低分辨率特征图放大到输出尺度；步骤5.2，在重建模块中采用一层卷积层对步骤5.1得到的图像进行超分辨率重建，最终得到重建后的高分辨率图片。

技术总结
本发明公开了一种基于深层注意力机制的超分辨率重建方法，具体包括如下步骤：步骤1，获取低分辨率LR图像；步骤2，将低分辨率LR图像输入到深层注意力机制网络中，得到浅层特征图；步骤3，将步骤2中的浅层特征图输入到深层特征提取模块中，将浅层特征图和深层特征图进行级联，得到级联特征图，对级联特征图进行给予权重分配，并对特征图降维，得到降维特征图；步骤4，将步骤3中得到的降维特征图与步骤1中获取的LR图像相加，学习特征残差，得到全局特征图；步骤5，将步骤4中得到的全局特征图再输入到上采样模块中，将低分辨率特征图放大到输出尺度，最后在重建模块对图像进行超分辨率重建。建。建。


技术研发人员：刘晶 杨慧 薛雨馨
受保护的技术使用者：西安理工大学
技术研发日：2021.07.13
技术公布日：2021/11/9