申请/专利权人：长春理工大学

申请日：2021-11-19

公开（公告）日：2024-04-30

公开（公告）号：CN114092330B

主分类号：G06T3/4053

分类号：G06T3/4053;G06T3/4046;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2022.03.15#实质审查的生效;2022.02.25#公开

摘要：一种轻量化多尺度红外图像超分辨率重建方法，属于图像超分辨率重建技术领域，为解决现有技术的问题，该方法构建网络模型：整个网络包括四个主要模块：浅层特征提取模块、深层特征提取模块、信息融合模块和上采样模块。准备数据集：对所用数据集进行模拟降质，所得高低分辨率图像对用以训练整个卷积神经网络；训练网络模型：将步骤2中准备好的数据集的低分辨率图像输入到步骤1中构建的神经网络模型进行训练；最小化损失函数值:通过最小化网络输出图像与标签的损失函数直到训练次数达到设定阈值或损失函数的值到达设定范围内；对模型进行训练和微调；保存模型：将最终确定的模型参数进行固化，需要进行超分辨率重建时，直接将图像输入到网络中。

主权项：1.一种轻量化多尺度红外图像超分辨率重建方法，其特征是，该方法包括步骤如下：步骤1，构建网络模型：整个网络包括四个主要模块：浅层特征提取模块、深层特征提取模块、信息融合模块和上采样模块；浅层特征提取模块由两个卷积层组成，用以初步提取图像的结构特征；深层特征提取模块由八个相同的轻量化多尺度残差块堆叠组成，用以进一步获取图像深层信息；信息融合模块对不同级别的深层信息进行融合和筛选；上采样模块将浅层特征和深层特征融合后，再进行像素重组，最后获得超分辨率图像；步骤2，准备数据集：对所用数据集进行模拟降质，所得高低分辨率图像对用以训练整个卷积神经网络；步骤3，训练网络模型：将步骤2中准备好的数据集的低分辨率图像输入到步骤1中构建的神经网络模型进行训练；步骤4，最小化损失函数值:通过最小化网络输出图像与标签的损失函数直到训练次数达到设定阈值或损失函数的值到达设定范围内即可认为模型参数已预训练完成,保存模型参数；步骤5，微调模型：对模型进行训练和微调，得到效果最佳的模型参数，进一步提高模型的超分辨率重建能力；步骤6，保存模型：将最终确定的模型参数进行固化，之后需要进行超分辨率重建时，直接将图像输入到网络中即可得到最终的图像；步骤1中所述浅层特征提取模块使用两个3×3卷积层；深层特征提取模块的轻量化多尺度残差块由两种不同尺度的组卷积块和1×1卷积组成，先采用3×3组卷积层一和5×5组卷积层一提取两种尺度的信息，然后将两个尺度的特征拼接后经过1×1卷积层一和1×1卷积层二进行特征融合，再将融合特征通过3×3组卷积层二和5×5组卷积层二进一步提取多尺度特征，再使用1×1卷积层三对特征进行筛选，然后引入跳跃连接保持低频信息的完整并优化反向梯度传导，最后加入注意力机制块以结合全局特征；特征融合模块将各轻量化多尺度残差模块的输出进行拼接，然后把图像特征通过一个1×1卷积进行筛选和融合；上采样模块先用一个3×3卷积扩张特征图通道至先前的尺度比例的平方倍，然后通过像素重组将特征图分辨率扩大为目标尺寸，再用一个3×3卷积输出结果图；网络中所有卷积层后的激活函数使用带泄露修正线性单元，所有下采样操作和批归一化操作均被移除，所有卷积操作的步长和填充均为1。

全文数据：

权利要求：

百度查询： 长春理工大学 一种轻量化多尺度的红外图像超分辨率重建方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD