[发明专利]特高压换流站保护系统全景监视图像超分辨率重建方法

说明书

特高压换流站保护系统全景监视图像超分辨率重建方法，属于电力设备检测技术领域，解决目前全景监视图像存在的模糊不清、分辨率低，无法满足巡检人员全景监视的需求的问题；通过在深度多尺度残差网络模型中采用多尺度卷积块构建多种尺度提取图像的低阶和高阶特征，避免了图像细节提取不完备的现象，在网络模型中采用残差学习机制来保留低阶粗糙特征，降低训练难度，促进特征的再利用，进而提高图像的重建能力；重构后的图像具有更佳的结构相似性和峰值信噪比性能；先后采用标准数据集和特高压换流站全景监视图像数据集进行图像超分辨率重建和目标识别实验，实验结果表明本发明的方法重建的高分辨率图像可以满足巡检人员全景监视的需求。

技术领域

本发明属于电力设备检测技术领域，涉及特高压换流站保护系统全景监视图像超分辨率重建方法。

背景技术

传统的图像增强重建方法通常利用提高图像对比度以突出目标景物，主要包括直方图均衡、对数变换、锐化、小波变换以及不同尺度的Retinex等方法。上述方法计算资源低、可移植性强，但是作为通用算法其增强效果有限，处理后的图像难以满足特定场景下全景监视的需求。图像增强重建是计算机视觉中一个经典研究课题，图像超分辨率重建(Single Image Super Resolution，SISR)是其中重要的组成部分。SISR利用一组低质量、低分辨率图像来产生单幅高质量、高分辨率图像，获取更高空间分辨率的感兴趣区域，实现目标物的专注分析，使图像实现从检出水平向识别水平的转化，或更进一步实现向细辨水平的转化，以提高换流站全景监视图像的识别能力和识别精度。

目前SISR算法大致可分为基于插值、基于重建和基于深度学习三种。插值算法计算量低且实时性高，但是缺乏外部信息的特征，使得图像退化后丢失高频特征，所生成的图像存在明显的模糊和振铃效应。相比于插值算法，基于重建算法的效果更加明显，但是随着重建倍数的增大，图像高频特征出现平滑模糊的问题。基于深度学习方法近年来成为主流，利用观测的低分辨率(Low Resolution，LR)图像和原始高分辨率(High Resolution，HR)图像之间的映射关系以及大量训练样本，学习更多高频细节的HR图像，然而重建的图像依然存在细节特征失真和计算复杂度较高的缺陷。卷积神经网络因其强大的图像特征学习能力而被广泛应用于视觉分析。近年来，基于卷积神经网络的SISR算法被提出，并取得了显著的性能提升。文献《Image Super-Resolution Using Deep Convolutional Networks》(C.Dong,IEEE Transactions on Pattern Analysis and Machine Intelligence，公开日期为2016年)提出了一种名为SRCNN的CNN模型，将字典建模替换为隐层参数的自动调整，学习低分辨率输入至高分辨率输出的非线性映射关系，提高重建精度，减少计算时间。然而SRCNN中也存在一些不足，例如双三次插值会导致图像产生边缘模糊和锯齿状边缘，并且在模型参数量不变的情况下，超分倍数越大表明输入的分辨率越大，模型的计算量越高。文献《Accelerating the Super-Resolution Convolutional Neural Network》(Chao D,European Conference on Computer Vision,公开日期为2016年)针对SRCNN训练慢的缺陷提出了改进算法FSRCNN，采用反卷积进行上采样，同时使用1×1的卷积进行降维，减少模型的计算量以加快训练的速度。ResNet的核心是在卷积层输出与其之前的卷积层输入之间添加一个跳跃连接以解决梯度消失的问题。H(x)表示由几个叠加的卷积层拟合的底层映射，第一个卷积层的输入是x，x连接到最后一个卷积层的输出。堆叠的层只需要学习映射F(x)＝H(x)-x，如果F(x)为零，则残差单元可拟合恒等映射。