(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210862508.7 (22)申请日 2022.07.21 (71)申请人 武汉金惠科技有限公司 地址 430070 湖北省武汉市洪山区关山大 道sbi光谷创业 街10栋 申请人 武汉工程大 学 (72)发明人 戴耀南　喻九阳　郑小涛　胡天豪　 张德安　夏文凤　 (74)专利代理 机构 北京轻创知识产权代理有限 公司 11212 专利代理师 赵秀斌 (51)Int.Cl. G06T 3/40(2006.01) G06V 10/40(2022.01) G06V 10/774(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种超分辨 率重构方法、 装置以及存 储介质 (57)摘要 本发明提供一种超分辨率重构方法、 装置以 及存储介质， 属于图像处理领域， 方法包括： 分别 对训练集图像进行特征提取分析得到待训练图 像特征； 构建训练模型， 通过待训练图像特征对 训练模型进行训练得到训练后模 型； 根据所有的 测试集图像对训练后模型进行测试得到超分辨 率重构模型； 通过超分辨率重构 模型对待重构图 像进行图像重构得到超分辨率重构结果。 本发明 具备了图像特征信息采集范围广， 特征信息增 强， 低参数量， 图像分辨率提高效果好等优点， 在 提高图像特征信息采集范围的同时， 增强了信息 的特征属性。 权利要求书3页 说明书8页 附图3页 CN 115409700 A 2022.11.29 CN 115409700 A 1.一种超分辨 率重构方法， 其特 征在于， 包括如下步骤： S1： 导入多个训练集图像和多个测试集图像， 分别对各个所述训练集图像进行特征提 取分析， 得到与各个所述训练集图像对应的待训练图像特 征； S2： 构建训练模型， 通过多个所述待训练图像特征对所述训练模型进行训练， 得到训练 后模型； S3： 根据所有的测试集图像对所述训练后模型进行测试， 得到超分辨 率重构模型； S4： 导入待重构图像， 通过所述超分辨率重构模型对所述待重构图像进行图像重构， 得 到超分辨 率重构图像， 并将所述超分辨 率重构图像作为超分辨 率重构结果。 2.根据权利要求1所述的超分辨率重构方法， 其特征在于， 所述步骤S1中， 分别对各个 所述训练集图像进行特征提取分析， 得到与各个所述训练集图像对应的待训练图像特征的 过程包括： 通过卷积神经网络分别对各个所述训练集图像进行低分辨率特征的提取， 得到与 各个 所述训练集图像对应的低分辨 率特征； 通过第一式分别对各个所述低分辨率特征进行待训练图像特征的提取， 得到与各个所 述训练集图像对应的待训练图像特 征， 所述第一式为： H0＝fdsc(ILR)， 其中， H0为待训练图像特 征， fdsc()为深度卷积层， ILR为低分辨 率特征。 3.根据权利要求1所述的超分辨率重构方法， 其特征在于， 所述训练模型包括编码器和 解码器， 所述 步骤S2的过程包括： 通过所述编码器分别对各个所述待训练图像特征进行编码， 得到与 各个所述训练集图 像对应的编码后特 征， 具体为： 通过第二式分别对各个所述待训练图像特征进行编码， 得到与 各个所述训练集图像对 应的编码后图像特 征， 所述第二式为： H(H0)＝F(H0)+H0， 其中， H(H0)为编码后图像特 征， H0为待训练图像特 征， F(H0)为期望函数； 通过所述解码器分别对各个所述编码后图像特征进行解码， 得到与 各个所述训练集图 像对应的解码后图像特 征； 根据所有的解码后图像特征和所有的待训练图像特征对所述训练模型进行损失值分 析， 得到训练后模型。 4.根据权利要求3所述的超分辨率重构方法， 其特征在于， 所述解码器包括第 一3×3卷 积层、 通道注 意力模块、 空间注 意力模块和第一 1×1卷积层， 所述通过所述解码 器分别对各 个所述编 码后图像特征进 行解码， 得到与各个所述训练集图像对应的解码后图像特征的过 程包括： 通过所述第 一3×3卷积层分别对各个所述编码后图像特征进行特征提取， 得到与各个 所述训练集图像对应的特 征提取后图像特 征； 通过所述通道注意力模块分别对各个所述特征提取后图像特征进行通道注意力的特 征融合分析， 得到与各个所述训练集图像对应的第一融合特 征； 通过所述空间注意力模块分别对各个所述特征提取后图像特征进行空间注意力的特 征融合分析， 得到与各个所述训练集图像对应的第二融合特 征；权　利　要　求　书 1/3 页 2 CN 115409700 A 2通过所述第一1 ×1卷积层分别对各个所述第一融合特征以及与各个所述训练集图像 对应的第二融合特 征进行合并， 得到与各个所述训练集图像对应的合并后特 征； 分别对各个所述合并后特征进行上采样处理， 得到与 各个所述训练集图像对应的解码 后图像特 征。 5.根据权利要求4所述的超分辨率重构方法， 其特征在于， 所述通道注意力模块包括第 二1×1卷积层、 第一ReLU激活函数层和第二3 ×3卷积层， 所述通过所述通道注意力模块分 别对各个所述特征提取后图像特征进 行通道注意力的特征融合分析， 得到与各个所述训练 集图像对应的第一融合特 征的过程包括： 根据预设通道数分别对各个所述特征提取后图像特征进行图像通道数的调 整， 得到与 各个所述训练集图像对应的图像通道数调整后特 征； 通过所述第 二1×1卷积层分别对各个所述图像通道数调整后特征进行特征提取， 得到 与各个所述训练集图像对应的第一特 征提取后特 征； 通过所述第 一ReLU激活函数层 分别对各个所述第一特征提取后特征进行归一化处理， 得到与各个所述训练集图像对应的第一归一 化后特征； 通过所述第 二3×3卷积层分别对各个所述特征提取后图像特征进行特征提取， 得到与 各个所述训练集图像对应的第二特 征提取后特 征； 分别对各个所述第一归一化后特征以及与各个所述训练集图像对应的第二特征提取 后特征进行特征融合， 得到与各个所述训练集图像对应的第一融合特 征。 6.根据权利要求4所述的超分辨率重构方法， 其特征在于， 所述空间注意力模块包括第 三1×1卷积层、 第二ReLU激活函数层和第三3 ×3卷积层， 所述通过所述空间注意力模块分 别对各个所述特征提取后图像特征进 行空间注意力的特征融合分析， 得到与各个所述训练 集图像对应的第二融合特 征的过程包括： 根据预设宽度和预设高度分别对各个所述特征提取后图像特征进行图像尺寸的调 整， 得到与各个所述训练集图像对应的图像尺寸调整后特 征； 通过所述第 三1×1卷积层分别对各个所述图像尺寸调 整后特征进行特征提取， 得到与 各个所述训练集图像对应的第三特 征提取后特 征； 通过所述第 二ReLU激活函数层 分别对各个所述第三特征提取后特征进行归一化处理， 得到与各个所述训练集图像对应的第二归一 化后特征； 通过所述第 三3×3卷积层分别对各个所述特征提取后图像特征进行特征提取， 得到与 各个所述训练集图像对应的第四特 征提取后特 征； 分别对各个所述第二归一化后特征以及与各个所述训练集图像对应的第四特征提取 后特征进行特征融合， 得到与各个所述训练集图像对应的第二融合特 征。 7.根据权利要求3所述的超分辨率重构方法， 其特征在于， 所述根据所有的解码后图像 特征和所有的待训练图像特征对所述训练模型进 行损失值分析， 得到训练后模型的过程包 括： 通过第三式分别对各个所述解码后图像特征以及与各个所述训练集图像对应的待训 练图像特征进行损失函数 的计算， 得到与各个所述训练集图像对应的损失函数， 所述第三 式为：权　利　要　求　书 2/3 页 3 CN 115409700 A 3