(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 202211317119.2 (22)申请日 2022.10.26 (71)申请人 中国矿业大 学 地址 221000 江苏省徐州市南郊翟山 (72)发明人 程德强　袁航　寇旗旗　张皓翔　 王晓艺　徐飞翔　韩成功　吕晨　 (74)专利代理 机构 南京正联知识产权代理有限 公司 32243 专利代理师 俞晓梅 (51)Int.Cl. G06T 3/40(2006.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于MLP改进模 型的矿井模糊图像超分辨率 重建方法 (57)摘要 本发明公开了一种基于MLP改进模 型的矿井 模糊图像超分辨率重建方法， 该方法包括以下步 骤： 获取图像数据集； 所述图像数据集包括训练 图像数据集和测试图像数据集； 构建递归残差网 络， 对输入图像进行多层特征提取； 重建网络， 对 提取出来的图像进行重建， 得到超分辨图像； 采 用训练图像数据集对递归网络进行训练； 采用测 试图像数据集， 对递归网络进行评估， 评估重构 后的超分辨图像质量标准。 本发明通过使用 Mlpmixer模 块， 在特征融合之前对特征进行一个 预处理， 减少特征融合过程中的信息损失； 避免 信息过载问题， 提高重建后超分辨图像的精准 度； 通过使用多通道网络结构， 实现对重建特征 信息的完善， 从多方面保证了该网络提取图像特 征信息的有效性。 权利要求书2页 说明书5页 附图2页 CN 115496665 A 2022.12.20 CN 115496665 A 1.基于MLP改进模型的矿井模糊图像超分辨率重建方法， 其特征在于： 所述该方法包 括： 步骤S1： 获取图像数据集； 所述图像数据集包括训练图像数据集和 测试图像数据集； 步骤S2： 构建递归残差网络， 对输入图像进行多层特 征提取； 步骤S3： 重建网络， 对提取 出来的图像进行重建， 得到超分辨图像； 步骤S4： 采用训练图像数据集对递归网络进行训练； 步骤S5： 采用测试图像数据集， 对递归网络进行评估， 评估重构后的超分辨图像质量标 准。 2.根据权利要求1所述的基于MLP改进模型的矿井模糊图像超分辨率重建方法， 其特征 在于： 所述递归残差网络采用多通道网络结构； 所述多通道网络结构包括多个递归网络， 递 归网络采用交叉 学习机制进行 连接， 融合各层特 征信息。 3.根据权利要求2所述的基于MLP改进模型的矿井模糊图像超分辨率重建方法， 其特征 在于： 所述递归网络包括残差模块、 mlpmix er模块和特征融合concat模块， 残差模块对低分 辨图像进行浅层特 征提取； 所述mlpmixer模块， 对低分辨图像进行深层特 征提取， 输出 特征图像； 所述特征融合co ncat模块， 对输出的特 征图像进行融合再输出。 4.根据权利要求2所述的基于MLP改进模型的矿井模糊图像超分辨率重建方法， 其特征 在于： 所述递归网络整体为递进式结构， 对输入图像进 行多层特征提取； 所述递归网络采用 3*3的卷积层网络结构。 5.根据权利要求3所述的基于MLP改进模型的矿井模糊图像超分辨率重建方法， 其特征 在于： 所述mlpmixer模块加入 上采样模块， 利用上采样模块对特征图像进行重建； 所述上采 样模块采用亚像素 卷积方法对提取 出的特征进行重建。 6.根据权利要求3所述的基于MLP改进模型的矿井模糊图像超分辨率重建方法， 其特征 在于： 所述残差模块加入Relu激活层， Relu激活层使得递归网络采用非线性投影方式。 7.根据权利要求3所述的基于MLP改进模型的矿井模糊图像超分辨率重建方法， 其特征 在于： 所述mlpmixer模块的具体操作如下： 首先将H×W分辨率的图像分为S个不重叠的P ×P的小块， 通过全连接层将每个patch转 换成feature  embedding， 输出S ×C的二维矩阵x， S代 表序列数， C代 表通道数； 将二维矩阵输入进混合层， 先将S ×C的输入对通道进行层归一化， 转置后 变为C×S,经 过token‑mixing模块对相同通道的不同patch进行空间上的混合， 再次转置后变回S ×C， 将 S×C的结果与原 始输入x进行跳跃 连接得到新的输出x2； 经过层归一化后， 用channel ‑mixing模块对相同位置的不同通道进行混合， 得到S ×C 的输出与x2进行跳跃 连接得到新的输出x3并组合成图像输出。 8.根据权利要求2所述的基于MLP改进模型的矿井模糊图像超分辨率重建方法， 其特征 在于： 所述递归残差网络采用3通道网络结构， 3通道网络结构包括通道1、 通道2和通道3， 三 个通道交叉连接， 为通道1和通道2、 通道2和通道3、 通道3和通道1， ， 每次将3个不同层的特 征信息进 行拼接， 第一个特征拼接的输入为第0层、 第1层、 第2层的特征信息， 第二个特征拼 接的输入为第1层、 第2层、 第3层的特征信息， 第三个特征拼接的输入为第2层、 第3层、 第0层 的特征信息， 特 征拼接的公式为：权　利　要　求　书 1/2 页 2 CN 115496665 A 2F(x)＝h([H1(x),H2(x),...,Hn(x)]) 其中Hn(x)为第n层输出的特 征， h(x)为co ncat融合的函数。权　利　要　求　书 2/2 页 3 CN 115496665 A 3