[发明专利]一种基于深度学习的脉冲涡流热成像高分辨率清晰化方法

摘要

一种基于深度学习的脉冲涡流热成像高分辨率清晰化方法，1)图像采集；2)低分辨率图像；3)ESRGAN网络训练；4)梯度转换网络模块搭建与训练；5)融合网络模块搭建与训练；6)模型测试；基于深度学习对于脉冲涡流热成像图像进行超分辨率重建；通过融合模块使得初始高分辨率图像与梯度高分辨率图像融合，生成最终的高分辨率图像；本发明在ESRGAN网络重建的高分辨率图像基础上引入梯度提高图像的高频信息，增强图像的轮廓和细节信息，提高了图像重建的效果；能实现脉冲涡流热成像高分辨率清晰化，降低了对红外热像仪分辨率的要求，降低了成本，对脉冲涡流功率和作用时间的要求降低，降低了能耗，减少了对目标的损害，提高了测量的快速性。

主权项

1.一种基于深度学习的脉冲涡流热成像高分辨率清晰化方法，其特征在于：包括步骤以下步骤：/n步骤一，图像采集：对原始脉冲涡流热成像图像进行采集，进行图像预处理，采集的图像组作为监督学习标签的高分辨率图像；/n步骤二，低分辨率图像：将该组高分辨率图像进行0.25倍的降采样，使得图像缩小为原始图像的1/16，即图像的长和宽均为原图的0.25倍，降采样之后的图像组作为输入低分辨率图像，低分辨率图像与高分辨率图像是一组对应标签；/n步骤三，ESRGAN网络训练：将脉冲涡流热成像图像的低分辨率图像和高分辨率图像输入ESRGAN网络中进行训练，ESRGAN为增强型GAN网络应用于单图像超分辨率重建，ESRGAN网络具有GAN网络中生成器与判别器相互对抗学习的特点，使得生成器重建的高分辨率图像越接近真实的高分辨率图像，判别器训练更好的区别真实图像与伪图像；ESRGAN网络输入为脉冲涡流低分辨率图像，监督标签为高分辨率图像，损失函数为感知内容损失函数，经过多次迭代，重建出初始高分辨率图像；/n步骤四，梯度转换网络模块搭建与训练：融合重建网络中梯度转换网络模块包括两个部分：梯度提取层与梯度超分辨率重建层，当输入低分辨率图像时，梯度提取层对图像进行梯度提取，获得两个低分辨率梯度特征向量，包括水平和垂直梯度特征；然后通过水平方向和垂直方向各占50％的比例将两个特征向量融合成一张低分辨率梯度图像作为梯度超分辨率重建层的输入图像，同样进行梯度提取层及水平方向和垂直方向融合的高分辨率梯度图像作为梯度超分辨率重建层的监督图像；经过多次迭代优化梯度超分辨率重建层，使得该模块能根据一张低分辨率梯度图像重建出高分辨率梯度图像；/n步骤五，融合网络模块搭建与训练：融合网络主要功能是融合ESRGAN网络生成的初始高分辨率图像与梯度转换网络模块重建的高分辨率梯度图像；融合层的第一层是连接层，连接初始高分辨率图像与高分辨率梯度图像；第二层为调节层，负责调节初始高分辨率图像与高分辨率梯度图像的维数，因为在转换过程中二者的维数可能不相等，因此需要调节层对两张图像的维数进行调节，以便图像特征的融合；最后的一层为图像重建层，主要的作用就是对两张图像进行超分辨率融合重建，获取最终的高分辨率图像；/n融合网络模块输入的图像包含ESRGAN重建的初始高分辨率图像和梯度转换网络模块重建的高分辨率梯度图像，采集的高分辨率图像作为融合图像重建网络的监督标签；经过网络的训练，该网络能很好的将初始高分辨率图像与高分辨率梯度图像融合，获得具有高频信息的最终高分辨率图像；/n步骤六，模型测试：输入测试的低分辨率图像，调用步骤三训练好的ESRGAN模型重建初始高分辨率图像，调用步骤四的梯度转换网络模块生成高分辨率梯度图像，最后将初始高分辨率图像与高分辨率梯度图像输入步骤五的融合模块重建出最终的高分辨率图像。/n