[发明专利]太赫兹图像重建的模型训练方法及太赫兹图像重建方法

说明书

本发明实施例提供了一种太赫兹图像重建的模型训练方法、太赫兹图像重建方法、装置、系统及计算机可读存储介质，太赫兹光谱仪采集到的初始太赫兹图像和与初始太赫兹图像不同类别的高分辨率图像经过将分辨率处理后得到的低分辨率图像共同输入到卷积网络模型中，通过卷积网络模型对低分辨率图像进行特征信息的提取。通过在卷积网络模型的最后一层设置残差融合层，使得卷积网络模型对低分辨率图像进行特征信息的提取更加全面，减少梯度下降对图像分辨率重建的影响，从而使卷积网络模型对太赫兹图像重建出更高的分辨率。

技术领域

本发明涉及图像处理领域，尤其涉及一种太赫兹图像重建的模型训练方法、太赫兹图像重建方法、装置、系统及计算机可读存储介质。

背景技术

玻璃纤维增强塑料广泛应用于航空、电气绝缘材料和化工设备中，但生产质量不稳定。有源太赫兹成像技术是最有前途的太赫兹技术，已应用于无损检测、安全扫描等领域。使用有源太赫兹成像技术对玻璃纤维增强塑料进行无损检测时，由于光子的能量低，通过太赫兹域光谱仪快速扫描成像通常只能获得一幅低分辨率的原始图像，导致得到的玻璃纤维增强塑料的太赫兹图像的信噪比低，分辨率低，模糊严重，而对低分辨率的玻璃纤维增强塑料图像的微小缺陷进行识别时容易造成误判。

超分辨率重建方法解决了使用低分辨率图像生成高分辨率图像时通常需要更多图像细节的问题，例如插值法、Lanczos重采样，以及利用统计图像先验或内部patch递归等，但现有的方法得到的高分辨率图像的效果仍不足以满足对玻璃纤维增强塑料的微小缺陷识别。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

本发明实施例提供了一种太赫兹图像重建的模型训练方法、太赫兹图像重建方法装置、系统及计算机可读存储介质，通过对太赫兹仪器获取的图像和高分辨率图像数据集输入到具有残差融合层的卷积网络模型中，实现了对太赫兹图像的超分辨率重建。

第一方面，本发明实施例提供了一种太赫兹图像重建的模型训练方法，所述方法包括：获取数据集，所述数据集包括第一数据集和第二数据集，所述第一数据集包括太赫兹光谱仪采集到的初始太赫兹图像，所述第二数据集中包括与所述第一数据集不同的高分辨率图像；对所述数据集进行降分辨率处理，得到低分辨率图像；通过卷积网络模型提取所述低分辨率图像的特征，其中，所述卷积网络模型的最后一层为残差融合层。

本发明第一方面实施例提供的太赫兹图像重建的模型训练方法，至少具有如下有益效果：太赫兹光谱仪采集到的初始太赫兹图像和将与初始太赫兹图像不同类别的高分辨率图像经过将分辨率处理后得到的低分辨率图像共同输入到卷积网络模型中，通过卷积网络模型对低分辨率图像进行特征信息的提取。通过在卷积网络模型的最后一层设置残差融合层，使得卷积网络模型对低分辨率图像进行特征信息的提取更加全面，减少梯度下降对图像分辨率重建的影响，从而使卷积网络模型对太赫兹图像重建出更高的分辨率。此外，模型的训练数据包括高分辨率图像经过将分辨率处理后得到的低分辨率图像，使得在对模型效果进行检测时，将低分辨率图像输入到训练好的模型，通过将卷积网络模型输出的低分辨率重建图像与将分辨率前的高分辨率图像进行对比，可以直观的从视觉上看到二者分辨率的差异，从而得到卷积网络模型的训练效果。

根据本发明的一些实施例，对所述数据集进行降分辨率处理，包括：将所述数据集的图像缩小3倍，得到中间图像；将所述中间图像通过插值法放大3倍，使得所述数据集的图像的分辨率降低。

根据本发明的一些实施例，所述卷积网络模型的第2层至倒数第二层中的每一层分别包括64个大小为3x3x64的内核。

根据本发明的一些实施例，所述卷积网络模型共有20层，其中，前19层为特征提取层，前19层遵循ReLU激活函数。

根据本发明的一些实施例，所述残差融合层的输入包括第19层的输出图像和第19层的学习剩余数据。

根据本发明的一些实施例，所述初始太赫兹图像的分辨率为673k。