基于AFAN模型的偏振图像超分辨率重建方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115578262A(43)申请公布日2023.01.06(21)申请号202211295620.3(22)申请日2022.10.21(71)申请人安徽大学地址230601安徽省合肥市经开区九龙路111号(72)发明人梁栋刘佳庆徐国明王杰(74)专利代理机构合肥中博知信知识产权代理有限公司34142专利代理师管秋香(51)Int.Cl.G06T3/40(2006.01)G06V10/774(2022.01)G06V10/80(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书10页附图4页(54)发明名称基于AFAN模型的偏振图像超分辨率重建方法(57)摘要本发明公开了一种基于AFAN模型的偏振图像超分辨率重建方法，涉及图像超分辨率重建技术领域，所述AFAN模型包括头部模块、深层特征提取模块、多尺度自适应加权重构模块和跳跃模块，所述深层特征提取模块由n个叠加的自适应辅助特征双注意力学习块组成，而每个自适应辅助特征双注意力学习块包含一维卷积通道注意力模块、增强空间注意力模块和WDSR模块；从客观结果获得的峰值信噪比与结构相似性指标来看，本发明方法要优于对比算法；从主观结果分析，本发明方法的重建性能好，可以更好地重建出框选图像的纹理细节和边缘轮廓特征。CN115578262ACN115578262A权利要求书1/2页1.一种AFAN模型，其特征在于，所述AFAN模型包括头部模块、深层特征提取模块、多尺度自适应加权重构模块和跳跃模块，所述深层特征提取模块由n个叠加的自适应辅助特征双注意力学习块组成，而每个自适应辅助特征双注意力学习块包含一维卷积通道注意力模块、改进型空间注意力模块和WDSR模块。2.基于权利要求1所述的AFAN模型的偏振图像超分辨率重建方法，其特征在于，具体包括以下步骤：(1)头部模块使用一层卷积核大小为3的卷积层对LR偏振图像进行浅层特征提取；X0＝fhead(ILR)(1)式中，X0表示从ILR中提取的浅层特征，fhead表示浅层特征提取的卷积运算函数，ILR表示低分辨率偏振图像；(2)利用深层特征提取模块进一步从X0中提取信息，在第i个自适应辅助特征双注意力学习块中，特征Xi是从之前的X0，X1，X2，…，Xi‑1的所有特征中提取出来；式中，表示第i个自适应辅助特征双注意力学习函数；(3)从最后一个自适应辅助特征双注意力学习块获得特征Xn后，将该特征输入到多尺度自适应加权重构模块中，该模块分别采用卷积核为3和卷积核为5的卷积层提取多尺度特征，然后向两个卷积层中添加权重和并将加权后的特征输入到后面的像素重组层；式中，f3和f5分别表示3×3卷积运算函数和5×5卷积运算函数，fps表示像素重组函数，和表示可训练标量参数即赋予的权重；(4)将低分辨率偏振图像特征输入到跳跃模块中，该模块是由3×3的卷积层和像素重组层构成，得到全局残差信息；Xskip＝fskip(ILR)(4)式中，fskip表示上采样函数；(5)通过融合多尺度自适应加权重构模块与跳跃模块的输出特征得到超分辨率重建后的偏振图像；式中，ISR表示超分辨率重建后的偏振图像，表示逐元素求和。3.根据权利要求2所述的偏振图像超分辨率重建方法，其特征在于，所述第i个自适应辅助特征双注意力学习块内部投射函数的输出特征为：式中，表示1×1的卷积运算函数，[X0,X1,...,Xi‑1]表示沿着通道拼接X0，X1，X2，…,Xi‑1；所述一维卷积通道注意力模块的输出特征为：式中，表示一维卷积通道注意力函数，通过堆叠一层平均池化层，两层卷积核大小为2CN115578262A权利要求书2/2页3的1维卷积和一层sigmoid层实现；符号表示逐通道乘法；所述改进型空间注意力模块的输出特征为：式中，表示空间注意力函数，通过堆叠一层3×3卷积层，一层1×1卷积层，一层3×3跨步卷积层，一层最大池化层，一层3×3的膨胀卷积，一层上采样层，一层1×1卷积层和一层sigmoid层构成；所述WDSR模块的输出特征为：式中，表示特征提取函数，通过堆叠一层3×3卷积层，一层ReLU层和一层3×3卷积层实现；所述第i个自适应辅助特征双注意力学习块的输出特征为：式中，分别表示不同特征的自适应特征因子。3CN115578262A说明书1/10页基于AFAN模型的偏振图像超分辨率重建方法技术领域：[0001]本发明涉及图像超分辨率重建技术领域，具体涉及一种基于AFAN模型的偏振图像超分辨率重建方法。背景技术：[0002]偏振成像是偏振探测技术的主流体制，它能够将目标物获得的偏振信息进行融合，获取目标物更多的信息量，增强对目标物的探测和识别能力，因此它适用于快速变化目标的检测与跟踪。