本技術(shù)涉及圖像處理，特別是涉及一種圖像超分辨率處理方法、裝置、計算機(jī)設(shè)備、存儲介質(zhì)和計算機(jī)程序產(chǎn)品。

背景技術(shù)：

1、圖像超分辨率處理是從一張或多張低分辨率圖像中重建出對應(yīng)高分辨率圖像的過程，是計算機(jī)底層視覺的一個經(jīng)典問題。圖像超分辨率本身是一個不適定問題，對于一個低分辨率圖像始終存在多個與其對應(yīng)的高分辨率圖像。傳統(tǒng)圖像超分辨率算法主要分為基于插值的方法和基于學(xué)習(xí)的方法，使用稀疏編碼、多尺度等先驗知識建模實現(xiàn)高分辨率圖像的恢復(fù)。這些算法雖然能夠提升圖像分辨率，但是在恢復(fù)高頻細(xì)節(jié)信息和紋理細(xì)節(jié)方面存在不足。

2、隨著人工智能技術(shù)的再次興起和深度神經(jīng)網(wǎng)絡(luò)的迅速發(fā)展，深度神經(jīng)網(wǎng)絡(luò)在計算機(jī)視覺領(lǐng)域取得了巨大成功?；谏疃壬窠?jīng)網(wǎng)絡(luò)的圖像超分辨率算法得到了積極探索，涌現(xiàn)出一大批基于卷積神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)、殘差神經(jīng)網(wǎng)絡(luò)的圖像超分辨率模型。利用深度神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征表示和學(xué)習(xí)非線性變換的能力，模型能夠更深入地挖掘高、低分辨率圖像之間的映射關(guān)系，更好的重建出圖像的高頻細(xì)節(jié)信息。

3、盡管基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法已經(jīng)取得了良好的性能。但由于卷積核感受野大小的限制，導(dǎo)致神經(jīng)網(wǎng)絡(luò)無法建模圖像中長距離像素之間的依賴關(guān)系，最終計算結(jié)果不準(zhǔn)確。并且基于卷積神經(jīng)網(wǎng)絡(luò)的圖像超分辨率算法通常需要耗費大量計算資源，導(dǎo)致訓(xùn)練時間長、算法調(diào)優(yōu)慢。

技術(shù)實現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種高效、且準(zhǔn)確的圖像超分辨率處理方法、裝置、計算機(jī)設(shè)備、存儲介質(zhì)和計算機(jī)程序產(chǎn)品。

2、第一方面，本技術(shù)提供了一種圖像超分辨率處理方法。所述方法包括：

3、獲取待處理的低分辨率圖像；

4、提取所述低分辨率圖像的特征，得到初始特征圖；

5、基于通道注意力機(jī)制提取所述初始特征圖中的全局通道結(jié)構(gòu)特征、并基于稠密分塊通道注意力機(jī)制提取所述初始特征圖中的局部通道細(xì)節(jié)特征；

6、融合所述全局通道結(jié)構(gòu)特征和所述局部通道細(xì)節(jié)特征，得到融合特征，并基于融合特征和空間注意力機(jī)制提取局部空間細(xì)節(jié)特征，得到具有增強(qiáng)全局通道信息、局部通道信息和局部空間信息的目標(biāo)特征圖；

7、對所述目標(biāo)特征圖進(jìn)行上采樣和下采樣，生成高分辨率圖像。

8、在其中一個實施例中，所述提取所述低分辨率圖像的特征，得到初始特征圖包括：

9、基于預(yù)設(shè)卷積核大小的卷積層，提取所述低分辨率圖像的特征，得到初始特征圖。

10、在其中一個實施例中，基于通道注意力機(jī)制提取所述初始特征圖中的全局通道結(jié)構(gòu)特征包括：

11、以所述初始特征圖作為特征嵌入；

12、對所述特征嵌入進(jìn)行映射矩陣與維度變換處理，得到映射后的矩陣；

13、基于映射后的矩陣進(jìn)行縮放點積注意力與注意力加權(quán)處理，得到通道維度上的縮放點積注意力，所述通道維度上的縮放點積注意力表征全局通道結(jié)構(gòu)特征。

14、在其中一個實施例中，基于稠密分塊通道注意力機(jī)制提取所述初始特征圖中的局部通道細(xì)節(jié)特征包括：

15、以所述初始特征圖作為特征嵌入；

16、將所述特征嵌入按照稠密窗口劃分為若干非重疊窗口，形成稠密窗口特征嵌入；

17、對每個稠密窗口特征嵌入計算通道注意力，得到注意力分?jǐn)?shù)矩陣；

18、對注意力分?jǐn)?shù)矩陣的每一行進(jìn)行歸一化，得到權(quán)重矩陣；

19、基于所述權(quán)重矩陣以及所述注意力分?jǐn)?shù)矩陣，得到稠密分塊的縮放點積通道注意力；

20、將每個稠密分塊的縮放點積通道注意力按照劃分順序重新拼接，得到局部通道細(xì)節(jié)特征。

21、在其中一個實施例中，所述融合所述全局通道結(jié)構(gòu)特征和所述局部通道細(xì)節(jié)特征，得到融合特征，并基于融合特征和空間注意力機(jī)制提取局部空間細(xì)節(jié)特征，得到具有增強(qiáng)全局通道信息、局部通道信息和局部空間信息的目標(biāo)特征圖包括：

22、交替使用通道注意力和稠密分塊通道注意力，融合所述全局通道結(jié)構(gòu)特征和所述局部通道細(xì)節(jié)特征，得到融合特征；

23、基于融合特征和空間注意力機(jī)制提取局部空間細(xì)節(jié)特征，得到具有增強(qiáng)全局通道信息、局部通道信息和局部空間信息的目標(biāo)特征圖。

24、在其中一個實施例中，所述交替使用通道注意力和稠密分塊通道注意力，融合所述全局通道結(jié)構(gòu)特征和所述局部通道細(xì)節(jié)特征，得到融合特征包括：

25、以所述初始特征圖作為特征嵌入；

26、將所述特征嵌入經(jīng)過歸一化和通道注意力，得到第一輸出特征；

27、將所述特征嵌入加上所述第一輸出特征得到中間結(jié)果；

28、將所述中間結(jié)果送入歸一化和gmlp中，得到通道注意力的第二輸出特征；

29、將所述第二輸出特征加上所述中間結(jié)果作為通道注意力的最終輸出特征；

30、以所述最終輸出特征作為稠密分塊通道注意力輸入，以融合所述全局通道結(jié)構(gòu)特征和所述局部通道細(xì)節(jié)特征，得到融合特征。

31、第二方面，本技術(shù)還提供了一種圖像超分辨率處理裝置。所述裝置包括：

32、數(shù)據(jù)獲取模塊，用于獲取待處理的低分辨率圖像；

33、初始化模塊，用于提取所述低分辨率圖像的特征，得到初始特征圖；

34、特征提取模塊，用于基于通道注意力機(jī)制提取所述初始特征圖中的全局通道結(jié)構(gòu)特征、并基于稠密分塊通道注意力機(jī)制提取所述初始特征圖中的局部通道細(xì)節(jié)特征；

35、特征融合模塊，用于融合所述全局通道結(jié)構(gòu)特征和所述局部通道細(xì)節(jié)特征，得到融合特征，并基于融合特征和空間注意力機(jī)制提取局部空間細(xì)節(jié)特征，得到具有增強(qiáng)全局通道信息、局部通道信息和局部空間信息的目標(biāo)特征圖；

36、采樣模塊，用于對所述目標(biāo)特征圖進(jìn)行上采樣和下采樣，生成高分辨率圖像。

37、第三方面，本技術(shù)還提供了一種計算機(jī)設(shè)備。所述計算機(jī)設(shè)備包括存儲器和處理器，所述存儲器存儲有計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)以下步驟：

38、獲取待處理的低分辨率圖像；

39、提取所述低分辨率圖像的特征，得到初始特征圖；

40、基于通道注意力機(jī)制提取所述初始特征圖中的全局通道結(jié)構(gòu)特征、并基于稠密分塊通道注意力機(jī)制提取所述初始特征圖中的局部通道細(xì)節(jié)特征；

41、融合所述全局通道結(jié)構(gòu)特征和所述局部通道細(xì)節(jié)特征，得到融合特征，并基于融合特征和空間注意力機(jī)制提取局部空間細(xì)節(jié)特征，得到具有增強(qiáng)全局通道信息、局部通道信息和局部空間信息的目標(biāo)特征圖；

42、對所述目標(biāo)特征圖進(jìn)行上采樣和下采樣，生成高分辨率圖像。

43、第四方面，本技術(shù)還提供了一種計算機(jī)可讀存儲介質(zhì)。所述計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，所述計算機(jī)程序被處理器執(zhí)行時實現(xiàn)以下步驟：

44、獲取待處理的低分辨率圖像；

45、提取所述低分辨率圖像的特征，得到初始特征圖；

46、基于通道注意力機(jī)制提取所述初始特征圖中的全局通道結(jié)構(gòu)特征、并基于稠密分塊通道注意力機(jī)制提取所述初始特征圖中的局部通道細(xì)節(jié)特征；

47、融合所述全局通道結(jié)構(gòu)特征和所述局部通道細(xì)節(jié)特征，得到融合特征，并基于融合特征和空間注意力機(jī)制提取局部空間細(xì)節(jié)特征，得到具有增強(qiáng)全局通道信息、局部通道信息和局部空間信息的目標(biāo)特征圖；

48、對所述目標(biāo)特征圖進(jìn)行上采樣和下采樣，生成高分辨率圖像。

49、第五方面，本技術(shù)還提供了一種計算機(jī)程序產(chǎn)品。所述計算機(jī)程序產(chǎn)品，包括計算機(jī)程序，該計算機(jī)程序被處理器執(zhí)行時實現(xiàn)以下步驟：

50、獲取待處理的低分辨率圖像；

51、提取所述低分辨率圖像的特征，得到初始特征圖；

52、基于通道注意力機(jī)制提取所述初始特征圖中的全局通道結(jié)構(gòu)特征、并基于稠密分塊通道注意力機(jī)制提取所述初始特征圖中的局部通道細(xì)節(jié)特征；

53、融合所述全局通道結(jié)構(gòu)特征和所述局部通道細(xì)節(jié)特征，得到融合特征，并基于融合特征和空間注意力機(jī)制提取局部空間細(xì)節(jié)特征，得到具有增強(qiáng)全局通道信息、局部通道信息和局部空間信息的目標(biāo)特征圖；

54、對所述目標(biāo)特征圖進(jìn)行上采樣和下采樣，生成高分辨率圖像。

55、上述圖像超分辨率處理方法、裝置、計算機(jī)設(shè)備、存儲介質(zhì)和計算機(jī)程序產(chǎn)品，獲取待處理的低分辨率圖像；提取低分辨率圖像的特征，得到初始特征圖；基于通道注意力機(jī)制提取初始特征圖中的全局通道結(jié)構(gòu)特征、并基于稠密分塊通道注意力機(jī)制提取初始特征圖中的局部通道細(xì)節(jié)特征；融合全局通道結(jié)構(gòu)特征和局部通道細(xì)節(jié)特征，得到融合特征，并基于融合特征和空間注意力機(jī)制提取局部空間細(xì)節(jié)特征，得到具有增強(qiáng)全局通道信息、局部通道信息和局部空間信息的目標(biāo)特征圖；對目標(biāo)特征圖進(jìn)行上采樣和下采樣，生成高分辨率圖像。整個過程中，將注意力范圍應(yīng)用在通道維度，從而實現(xiàn)了高分辨率圖像上的全局注意力，另外還在空間維度上對圖像進(jìn)行分塊，更好融合了空間維度和通道維度上的像素信息，同時將注意力范圍縮小到分塊后的窗口，進(jìn)一步降低了計算復(fù)雜度，可以高效且準(zhǔn)確實現(xiàn)圖像超分辨率處理。