[发明专利]基于深度神经网络的红外热成像超分辨率仪器

权利要求书

1.一种基于深度神经网络的红外热成像超分辨率仪器，其特征是：在红外热成像设备的基础上，对采集到的图像采用降噪算法先对热成像图片降噪，然后再通过基于深度神经网络的超分辨算法提升其分辨率，在不改变红外热成像设备的物理结构的前提下学习转换规律，使之输出超分辨率图像，同时也提高了其信噪比。

2.根据权利要求1所述的基于深度神经网络的红外热成像超分辨率仪器，其特征是：训练用的数据集是红外热成像仪拍摄后通过对齐、裁剪、翻转等方法增加其数量后制作的数据集。

3.根据权利要求2所述的对齐裁剪等方法增加的数据集，其特征是：对齐裁剪等过程是先将图片处理成黑白两色调，即二值化处理，然后使用Numpy库的减法操作应用于其中，通过在两两图片中相比较，找到差值最小的位置，然后对图像裁剪处理。

4.根据权利要求3所述的裁剪，最终将裁剪完成后的图像分为训练集、验证集与测试集三个部分。在训练中会用到训练集、验证集，在测试中会用到测试集。训练集中的每一组数据都包含较低分辨率图片和对应的高分辨率标签图片。在数据集很小的情况下可以使用迁移学习，迁移学习就是将一个训练好的网络的节点权重迁移到一个全新的网络里，来提高分辨率效果，节省时间。

5.根据权利要求1所述的降噪算法，其特征是：在将图像对齐后，需要通过降噪模块来去除图像上的噪声。并根据图像噪声类型的不同来应用不同的去噪方式，一般有高斯噪声、椒盐噪声、文本噪声、泊松噪声等等。其中降噪模块应用的是红外降噪(InfraredDenoising,简称IFD)，它专门针对红外图像，采用最直接有效的降噪方式。

6.根据权利要求1所述的深度神经网络的结构应用的是IFD-ResNet，其特征是：具体的网络结构为，输入模块-卷积层-n个残差块-卷积层-特征相加模块-上采样模块-卷积层-输出模块。其中，n默认值为16，并可对n进行调整，n越大网络深度越深，结构的效果越好。

7.根据权利要求6所述的残差块，其中残差块的结构为：卷积层-ReLU函数-卷积层-残差因子模块-特征相加模块；上采样模块结果为：卷积层-上采样层。神经网络使用的损失函数为L1(MAE，即平均绝对误差)损失函数，反向传播过程使用梯度下降算法来最小化L1损失函数从而达到对网络中神经元的参数的调整。