技术摘要：
本发明公开了一种基于混合高阶注意网络的图像超分辨率方法，其包括以下步骤：S1、形成深层网络；S2、形成浅层网络；S3、将浅层网络与深层网络相连接；S4、将浅层网络中第一个级联群的输入作为混合高阶注意网络的输入，将深层网络中最后一个高阶注意模组的输出作为混合  全部
背景技术：
随着社会的进步与发展，图像的获取与分析在我们生活中越来越普遍，图像的分 辨率越高越有助于我们准确获取信息。遥感图像是天上卫星采集的图像，对它进行分析可 以帮助我们进行环境监测，土地资源利用分析，因此，具有很大的实用价值。然而，遥感图像 由于成像设备的限制、传输噪声及运动模糊等因素，分辨率普遍较低。目前通常采用升级硬 件的方法来提升采集图像的分辨率，可是，这样做需要购买高昂的设备。 现有的应用于遥感图像超分辨率的方法主要有两大类，第一类是基于重建的方 法。该类方法利用低分辨率图像多帧中的亚像素信息重建相对应的高分辨率图像。由于超 分辨是一个非适定问题，其中一些方法会引入某种先验知识，如局部、非局部、稀疏先验等， 虽然基于重建的方法直观，但它们仅限于手工制作的功能设计，其中涉及复杂的参数调整 技术，很难应付复杂多变的场景。 第二类是基于实例学习的方法，它试图建立低分辨率与高分辨率图像对之间的映 射关系。基于卷积神经网络的遥感超分辨率方法都主张设计一个非常深的模型来提高性 能，但深模型往往计算和存储成本高，影响在实际中的应用。虽然深卷积神经网络(CNNs)具 有强大的特征表示能力和端到端训练能力，通常情况下可以取得非常好的超分辨率效果。 然而对于遥感图像，这些基于CNN的SR模型仍然存在一些问题：(1)大多数基于CNN的方法都 主张设计一个非常深入的模型来提高遥感SR的性能，但这种复杂的模型往往会带来计算和 存储成本高的问题，阻碍了它们在实际应用中的应用；(2)在大多数CNN模型中，常用的注意 机制要么是粗糙的，要么是一阶的(即空间和通道注意)，仅限于挖掘简单和粗糙的信息，从 而导致SR图像恢复高频细节的能力不足；(3)通常情况下，分层特征图的频带信息没有得到 充分利用。
技术实现要素：
针对现有技术中的上述不足，本发明提供的一种基于混合高阶注意网络的图像超 分辨率方法可以对图像进行超分辨率处理。 为了达到上述发明目的，本发明采用的技术方案为： 提供一种基于混合高阶注意网络的图像超分辨率方法，其包括以下步骤： S1、将1个级联模块、1个卷积层和一个高阶注意模块串联构成一个高阶注意模组， 将R个高阶注意模组串联形成深层网络；其中R≥3； S2、采用3个卷积层串联构成1个级联块，采用3个级联块和一个卷积层串联构成1 个级联群，将2R 1个级联群串联形成浅层网络； S3、将浅层网络中第i个级联群的输出和第2R 1-i个级联群的输出与深层网络中 4 CN 111598781 A 说　明　书 2/6 页 的第R 1-i个高阶注意模组中的级联模块相连接，同时将浅层网络中最后一个级联群的输 出和深层网络中的第一个高阶注意模组中的级联模块相连接；其中1≤i≤R； S4、将浅层网络中第一个级联群的输入作为混合高阶注意网络的输入，将深层网 络中最后一个高阶注意模组的输出作为混合高阶注意网络的输出，完成混合高阶注意网络 的构建； S5、采用混合高阶注意网络对目标图像进行处理，完成基于混合高阶注意网络的 图像超分辨率处理。 进一步地，第i个高阶注意模组中的高阶注意模块包括 个1×1卷积层、i个像 素级相乘单元和1个非线性操作模块；k＝1,2,...,i； 其中，第1个高阶注意模组的输入x1通过其1×1卷积层后得到1个1阶描述符，第1 个高阶注意模组中的非线性操作模块对该1阶描述符进行非线性操作，得到第1个高阶注意 模组的非线性操作结果；第1个高阶注意模组中的像素级相乘单元将其非线性操作结构和 输入x1进行像素级相乘，得到第1个高阶注意模组的输出； 第i个高阶注意模组中的输入xi通过其 个1×1卷积层后分别得到k个k阶描述 符；分别通过1个像素级相乘单元对除第一阶外任一阶的所有描述符进行像素级相乘，得到 除第一阶外任一阶的相乘结果；第i个高阶注意模组中的非线性操作模块将第一阶的描述 符和除第一阶外所有阶的相乘结果在求和后进行非线性操作，得到第i个高阶注意模组的 非线性操作结果；通过1个像素级相乘单元将第i个高阶注意模组的非线性操作结果与输入 xi进行像素级相乘，得到第i个高阶注意模组的输出。 进一步地，深层网络中的卷积层均为1×1卷积层。 进一步地，级联块的具体构成方式为： 包括2个3×3的卷积层、1个级联模块和1个1×1的卷积层串联构成，其中第一个3 ×3的卷积层的输入和其级联模块的一个输入共同为级联块的输入，其1×1的卷积层的输 出为整个级联块的输出。 进一步地，级联组的具体构成方式为： 包括3个级联块、1个级联模块和1个1×1的卷积层串联构成，其中第一个级联块的 输入和其级联模块的一个输入共同为级联组的输入，其1×1的卷积层的输出为整个级联组 的输出。 进一步地，非线性操作的具体方法为： 根据公式： 进行非线性操作，并得到非线性操作的结果AR；其中Zr表示非线性操作对象；Fr (·)表示1个1×1的卷积层和ReLU函数的非线性激活；sigmoid(·)表示sigmoid函数。 本发明的有益效果为：本方法基于混合高阶注意网络，不仅可以恢复低分辨率图 像更强大的特征和高频细节，而且具有更短的运行时间和更少的GPU开销。 5 CN 111598781 A 说　明　书 3/6 页 附图说明 图1为本发明的流程示意图； 图2为具有3个高阶注意模组时混合高阶注意网络的结构示意图； 图3为第1个高阶注意模组中高阶注意模块的数据处理示意图； 图4为第3个高阶注意模组中高阶注意模块的数据处理示意图。