[发明专利]基于深度残差神经网络的非视域成像方法

权利要求书

1.一种基于深度残差神经网络的非视域成像方法，其特征在于，包括以下步骤：

步骤一、合成训练数据集图像对；

1.1)将数据集中的图像二值化后进行分块，裁剪得到边缘稀疏图像数据集；

1.2)使用边缘检测器对步骤1.1)中的边缘稀疏图像数据集进行检测处理，得到分块后图片块I；

1.3)对步骤1.2)得到的分块后图片块I做自相关运算，得到自相关图像corr，计算公式为：

其中，为傅里叶变换；为傅里叶逆变换；Real为取运算后的实部；

1.4)将自相关图像corr的像素区间归一化至阈值[0，255]，得到归一化后自相关图像corr′，计算公式为；

corr′＝corr/max(corr)*255

其中，max(corr)为自相关图中像素最大值；

1.5)给步骤1.4)获取的归一化后自相关图像corr′添加噪声，得到加噪自相关图像corr_N；

1.6)将加噪自相关图像corr_N和分块后图片块I进行合成，得到训练数据集图像对，计算公式为：

Final＝[corr_N，I]

其中，Final为训练数据集图像对；

步骤二、获取输出原图估计图像；

将步骤一中的训练数据集图像对输入至残差神经网络模型中，输出自相关图像corr_N对应的原图估计图像

步骤三、构建目标损失函数；

选择分块后图片块I与步骤二所获取的原图估计图像组成二范数损失函数，该二范数损失函数为目标损失函数；

其中，loss为目标损失函数；

步骤四、对目标损失函数进行迭代优化求解，使得目标损失函数达到稳定状态，从而得到自相关图到原图的映射，残差神经网络模型训练完成；

步骤五、采集激光散斑图，对激光散斑图做自相关运算；

调整激光发射器的发射角度，CMOS相机采集带有可见表面物体上的激光散斑图，并对激光散斑图做自相关运算，得到自相关激光散斑图；

步骤六、将自相关激光散斑图输入步骤四训练好的残差神经网络模型，生成非视域目标图像，获取与激光散斑图相对应的原图。

2.根据权利要求1所述的基于深度残差神经网络的非视域成像方法，其特征在于骤，步骤四中，对目标损失函数进行优化后，还包括对残差神经网络模型进行定量测试和定性测试的步骤：

a)对残差神经网络模型进行定量测试；

将测试集中的图像输入训练后的残差神经网络模型中，计算图像的指标分数，指标分数为均方误差和PSNR峰值信噪比的大小，若指标分数达到要求，则执行下一步，若达不到要求，则返回步骤一；

b)对残差神经网络模型进行定性测试；

使用不同曝光时间的自相关图输入至残差神经网络模型中，测试残差神经网络模型对曝光时间的鲁棒性。

3.根据权利要求2所述的基于深度残差神经网络的非视域成像方法，其特征在于骤：步骤四中，对目标损失函数采用Adam优化方法训练，使得目标损失函数达到稳定状态。

4.根据权利要求1或2或3所述的基于深度残差神经网络的非视域成像方法，其特征在于骤：步骤1.1)中，数据集以伯克利分割数据集为基础，伯克利分割数据集图片数量为500张，其中，训练集的图片数量为450张，测试集图片数量为50张，裁剪得到边缘稀疏图像数据集的图片数量为27000张，像素大小为128×128。

5.根据权利要求4所述的基于深度残差神经网络的非视域成像方法，其特征在于骤：步骤1.2)中，边缘检测器为Canny边缘检测器，Canny边缘检测器的阈值设置为[0.1,0.6]。

6.根据权利要求5所述的基于深度残差神经网络的非视域成像方法，其特征在于骤：步骤1.5)中，给归一化后自相关图像corr′添加的噪声为高斯噪声。