[发明专利]一种结合注意力机制的多尺度图像压缩重构方法

权利要求书

1.一种结合注意力机制的多尺度图像压缩重构方法，其特征在于，包括以下步骤：

S1：获取待重构的图像，构建多尺度重构模型；

所述多尺度重构模型包括采样模块，初始重构模块和加强重构模块；

S2：在采样模块中对待重构的图像进行卷积采样得到测量值，并进行测量值调整；

S3：在初始重构模块中对调整后的测量值进行初始重构，得到初始重构值，并计算测量值残差；

S4：在加强重构模块中对初始重构值进行多尺度重构，得到加强重构值，并根据测量值残差计算补偿重构值；

S5：根据初始重构值、加强重构值和补偿重构值得到重构图像。

2.根据权利要求1所述的一种结合注意力机制的多尺度图像压缩重构方法，其特征在于，在对待重构的图像进行卷积采样前，还包括对待重构的图像分块，切成若干像素为33×33的图像块；

所述卷积采样具体为：

y＝S(x)＝W_M*x＝Wx

其中，y表示采样得到的测量值，S()表示采样的映射过程，x表示输入的图像，W_M表示卷积核组，m＝r×N²表示卷积核的个数，r表示采样率，N表示图像块大小；

W表示由卷积核组构成的网络参数矩阵，具体为：

w₁,w₂,w₃,w_m分别表示网络参数矩阵中第一个卷积核、第二个卷积核、第三个卷积核、第m个卷积核，R表示实数。

3.根据权利要求2所述的一种结合注意力机制的多尺度图像压缩重构方法，其特征在于，在步骤S2中，测量值调整包括以下步骤：

S2.1：对测量值进行全局平均池化处理：

y₁＝avgpolling(y)

S2.2：通过一维卷积进行测量值信息交互：

y₂＝conv1d(y₁)

S2.3：采用sigmoid函数进行权重分配：

β＝sigmoid(y₂)

S2.4：进行归一化处理：

β₁＝softmax(β)

S2.5：调整测量值：

其中，y₁表示全局平均池化处理后的测量值，y₂表示y₁经过一维卷积后的值，表示权重，β₁表示归一化后的权重，y_f表示调整后的测量值。

4.根据权利要求3所述的一种结合注意力机制的多尺度图像压缩重构方法，其特征在于，所述初始重构表示为：

x₁＝IR(y_f)＝W_int*y_f

其中，x₁为初始重构值，IR()为初始重构函数，W_int为用于初始重构的卷积层。

5.根据权利要求4所述的一种结合注意力机制的多尺度图像压缩重构方法，其特征在于，通过以下公式计算测量值残差：

△y＝y_f-W*x₁。