[发明专利]基于辅助边缘的图像超分辨率方法

权利要求书

1.一种基于辅助边缘的图像超分辨率方法，其特征在于，包括以下步骤：

S1.选择公开图像数据集作为真值，以双线性插值算法对高分辨率图像下采样得到对应的低分辨率图像；

S2.根据步骤S1中得到的高分辨率图像，利用边缘提取算法计算对应的边缘图像；

S3.随机选择步骤S1中低分辨率图像H×W的区域进行裁剪，在对应高分辨率图像和步骤S2中的边缘图像上裁剪sH×sW大小的图像块，其中s表示缩放因子；

S4.将步骤S3中裁剪得到的低分辨率图像块和高分辨率图像块、边缘图像块对应，得到训练数据集；

S5.图像重建子网络从低分辨率图像块中提取特征,重建初始高分辨率图像SR；

S6.设计边缘重建子网络

6.1：设计边缘重建模块

边缘重建模块由多个标准卷积层、反卷积层串联组成；每个标准卷积后紧接一个Relu激活函数，用于提升网络的非线性拟合能力；反卷积层的数量N根据缩放因子动态决定，计算公式为：

6.2:设计边缘处理模块

边缘处理模块首先利用拼接操作把每一个边缘重建模块的输出组合到一起，然后利用1×1的标准卷积进行降维，得到仅含有一个通道的边缘图像；

S7：设计边缘融合模块

7.1：设计基于像素注意力机制的增强模块

该模块中包含三个像素注意力模块；每个像素注意力模块含有三路分支；第一路分支使用大小为1×1的卷积核对输入特征压缩，然后利用Sigmoid函数计算每个空间位置的权重值W；第二路分支使用一个大小为3×3的卷积核从输入数据中提取特征，输出结果与第一路分支中的输出数据相乘；第三路分支直接输出输入数据并与第二路分支输出结果相加；

7.2：设计边缘融合模块

边缘融合模块首先设置两个标准卷积，卷积步长为2；每个标准卷积后设置一个基于像素注意力机制的增强模块；然后使用两个反卷积恢复特征的空间分辨率，每个反卷积前设置一个基于像素注意力机制的增强模块；第一个反卷积的输出结果会再次与第一个标准卷积的输出求和，作为下一卷积的输入；

S8.设置损失函数并训练网络得到映射模型。

2.根据权利要求1所述的基于辅助边缘的图像超分辨率方法，其特征在于，步骤S1中首先对高分辨率图像加入高斯噪声等，然后再下采样，以模拟实际环境。

3.根据权利要求1所述的基于辅助边缘的图像超分辨率方法，其特征在于，步骤S2中以高分辨率图像及对应边缘图像作为真值。

4.根据权利要求1所述的基于辅助边缘的图像超分辨率方法，其特征在于，步骤S5中仅有图像重建子网络从输入图像中提取特征，边缘重建子网络以图像重建子网络的部分低级特征作为输入。

5.根据权利要求1所述的基于辅助边缘的图像超分辨率方法，其特征在于，步骤6.1中,标准卷积的卷积核尺寸为3×3，卷积步长为1；反卷积数量根据缩放因子动态调整。

6.根据权利要求1所述的基于辅助边缘的图像超分辨率方法，其特征在于，步骤7.2中,每个卷积串联基于像素注意力机制的增强模块，每个基于像素注意力机制的增强模块中包含三个串联的像素注意力模块。

7.根据权利要求1所述的基于辅助边缘的图像超分辨率方法，其特征在于，步骤S8中,损失函数由l₁损失函数、Charbonnier损失函数和边缘注意损失函数联合构成，权重值依次为0.2、1、0.5。