《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 通信與網(wǎng)絡(luò) > 設(shè)計應(yīng)用 > 基于殘差網(wǎng)絡(luò)的雙路徑圖像超分辨率重建算法
基于殘差網(wǎng)絡(luò)的雙路徑圖像超分辨率重建算法
網(wǎng)絡(luò)安全與數(shù)據(jù)治理 5期
謝余杭
(福建師范大學(xué) 光電與信息工程學(xué)院,,福建 福州350007)
摘要: 深度卷積神經(jīng)網(wǎng)絡(luò)為圖像超分辨率領(lǐng)域的快速發(fā)展做出了巨大的貢獻,。然而,一些算法基本上沒有充分利用圖像的低頻信息,,因此導(dǎo)致性能相對較低,。為了解決上述問題,故提出了一種基于殘差網(wǎng)絡(luò)的雙路徑圖像超分辨率重建算法,,通過去除殘差模塊中的批歸一化層以及引入通道注意力機制,,同時將多尺度塊MSB作為跳層并將自適應(yīng)亞像素重建層作為上采樣模塊以更好地恢復(fù)圖像細節(jié)信息。實驗結(jié)果表明,該算法具有良好的性能,,能增強圖像的重建能力,。
中圖分類號: TP391、
文獻標識碼: A
DOI: 10.19358/j.issn.2097-1788.2022.05.010
引用格式: 謝余杭. 基于殘差網(wǎng)絡(luò)的雙路徑圖像超分辨率重建算法[J].網(wǎng)絡(luò)安全與數(shù)據(jù)治理,,2022,,41(5):66-71.
Dual path image super-resolution reconstruction algorithm based on residual network
Xie Yuhang
(College of Photonic and Electronic Engineering,Fujian Normal University,F(xiàn)uzhou 350007,,China)
Abstract: Deep convolutional neural networks have contributed to the significant progress of the single-image super-resolution field. However, several algorithms essentially have underused the low-level features, thus causing relatively low performance.In order to solve the above problems, this paper proposes a dual path image super-resolution reconstruction algorithm based on residual network. The batch normalization layer in the residual module is removed and the channel attention mechanism is introduced. At the same time, the multi-scale block (MSB) is used as the jumping layer and the adaptive subpixel reconstruction layer is used as the upsampling module to recover the image details better. Experimental results show that the proposed algorithm has good performance and can enhance the ability of image reconstruction.
Key words : image processing;convolutional neural network,;low frequency information;residual module,;channel attention mechanism,;adaptive subpixel reconstruction layer

0 引言

圖像超分辨率(Super Resolution,SR)技術(shù)作為計算機視覺與圖像處理中一項至關(guān)重要的技術(shù),,一直以來都是人們關(guān)注的焦點,,其目的是從低分辨率(Low-Resolution,LR)的圖像中恢復(fù)出清晰逼真的高分辨率(High-Resolution,,HR)圖像,。圖像超分辨率技術(shù)在醫(yī)學(xué)影像、衛(wèi)星圖像以及監(jiān)控成像等各個領(lǐng)域有著廣泛的應(yīng)用,。

目前圖像超分辨率重建算法主要被分為三大類:基于插值的SR方法,、基于重建的SR方法以及基于學(xué)習的SR方法?;诓逯档膱D像超分辨率算法[1]的思想是根據(jù)一個像素點的周圍某一區(qū)域內(nèi)的像素點來估計這一像素點的值,。這類算法的優(yōu)點在于原理簡單、計算復(fù)雜度低,、重建所需時間短,但是會產(chǎn)生過度平滑的現(xiàn)象,,邊緣產(chǎn)生明顯鋸齒,。基于重建的圖像SR方法[2],,比較典型的有凸集投影法,、迭代反投影法以及最大后驗法?;谥亟ǖ姆椒ㄔ谝话闱闆r下會比基于插值的方法重建效果好,,但是基于重建的方法有時也會出現(xiàn)生成一些具有圖像邊緣不自然的情況,從而導(dǎo)致重建圖像質(zhì)量變差,?;趯W(xué)習的圖像SR方法[3],其基本思想是學(xué)習LR空間到HR空間的映射關(guān)系,,然后利用相應(yīng)的映射關(guān)系來恢復(fù)出高清的HR圖像,。

不過近年來大多數(shù)圖像超分辨率網(wǎng)絡(luò)都是采用基于學(xué)習的方法,,然而大多數(shù)現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的模型在基于大量參數(shù)和極深結(jié)構(gòu)的情況下才保持較高性能,而且這些網(wǎng)絡(luò)也沒有充分利用圖像的低頻特征信息,。

因此,,本文通過對殘差網(wǎng)絡(luò)進行改進,提出一種新的圖像超分辨率重建算法,。該算法將低分辨率圖像作為輸入,,利用殘差網(wǎng)絡(luò)提取特征信息以獲得殘差圖像,通過多尺度塊來提取圖像的低頻信息,,再將得到的殘差圖像與低頻信息進行線性相加,,最后進行上采樣操作,從而得到最后的重建的高分辨率結(jié)果,。所提算法去除殘差網(wǎng)絡(luò)中的批歸一化層,,可以有效降低網(wǎng)絡(luò)的計算量,并且在殘差塊的尾部引入通道注意力來增強網(wǎng)絡(luò)的高頻特征提取能力,。與此同時,,該算法設(shè)計了多尺度塊MSB作為跳層來提取輸入圖像的低頻信息,從而提高了網(wǎng)絡(luò)的重建效果,。實驗結(jié)果表明,,該算法與大部分的圖像超分辨率算法相比,能更好恢復(fù)出低分辨率圖像中的紋理細節(jié)信息,,重建出更清晰的高分辨率圖像,。




本文詳細內(nèi)容請下載:http://forexkbc.com/resource/share/2000005028




作者信息:

謝余杭

(福建師范大學(xué) 光電與信息工程學(xué)院,福建 福州350007)


微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),,未經(jīng)授權(quán)禁止轉(zhuǎn)載,。