[发明专利]一种空间参数变化及复杂场景下目标图像清晰化方法

说明书

一种空间参数变化及复杂场景下目标图像清晰化方法，其步骤为：筛选并确定变化空间参数变化以及复杂场景图像的数据集，图片拍摄过程中的目标多角度变化，光照强度以及雨雾天气变化会导致图片空间参数变化，复杂场景包含道路、出入口等不同情境下的成像环境；构建多层亚像素卷积网络，多层网络提取图像信息，最后一层亚像素卷积层进行重建超分辨率图像；将目标变化图像训练集数据送入亚像素卷积网络进行训练；最终将降质后或者分辨率较低的图像送入网络进行重建针对车牌超分辨率重建。本发明算法执行速度快，相比传统的超分辨率模型进行清洗的图像效果更好，能够应用于监控、遥感等空间参数与复杂场景变化下图片清晰度改善。

技术领域

本发明设计属于图像处理和深度学习领域，具体涉及一种空间参数变化及复杂场景下目标图像清晰化方法。

背景技术

超分辨率重建的方法通过软件形式的算法与模型从低分辨率图像获得高分辨率图像，成本小，速度快，能够有效提升图像的细节边缘与分辨率，是提高复杂场景下目标图像清晰化的主要技术手段之一。图像清晰与超分辨率重建应用于多个领域，包括医疗、遥感和安保等方面，交通图像的图像重建能够提升车牌车型辨识率，提升交通管理的效率。

当前较为主流的超分辨率重建方法有插值法、重建法和学习法。基于插值的方法原理简单，计算量不大。基于重建的方法逆向利用图像的降质模型，该方法的核心思想是建模，在低分辨率与高分辨率之间形成对应的数学模型。基于学习的超分辨率重建算法更加深入的学习到了高低分辨率图像间的对应关系，这类算法通过特征提取，学习图像特征，超分辨率重构这三个阶段重建超分辨率图像。

深度学其端到端的模型特征让深度学习能够有效的应用到超分辨率重构中来。SRCNN(Super-resolutionReconstructionNeuralNetworks)将深度学习应用于超分辨率重建，使用卷积神经网络提取低分辨率图像信息，提升了超分辨率重建质量。ESPCN(Efficient Sub-Pixel Convolutional Neural Network)引入亚像素卷积层思想，网络输入不经插值放大的原始低分辨率图像，经过三层卷积后得到r2通道的特征图像，直接通过亚像素卷积层重构超分辨率图像。ESPCN模型极大增加了重构的效率。

发明内容

本发明的目的是针对空间参数变化及复杂场景下的图像例如车牌图像进行快速高效的超分辨率重建，提升该类图像重建质量，提升图像重建效率。空间参数变化由图片拍摄过程中的目标多角度变化，光照强度以及雨雾天气变化导致，复杂场景包含道路、出入口等不同情境下的成像环境。因此提出一种空间参数变化及复杂场景下目标图像清晰化方法。

一种空间参数变化及复杂场景下目标图像清晰化方法，包括如下步骤：

步骤1，筛选并构建尽量包含目标多种拍摄角度、光照下的图像数据集，这种图像包含了拍摄过程中的目标多角度变化，光照强度以及雨雾天气变化引起的空间参数变化，复杂场景包含道路、出入口等不同情境下的成像环境；

步骤2，构建多层亚像素卷积网络，包括5层卷积层和1层亚像素卷积层，卷积层提取图像信息，位于最底端的一层亚像素卷积层进行重建超分辨率图像；

步骤3，将图像训练集数据送入多层亚像素卷积网络进行训练；

步骤4，将降质后或者分辨率较低的图像送入网络进行超分辨率重建。

进一步地，步骤1中所述的目标变化条件下的图像数据集构建方法为：

步骤1-1，整合图像数据集，图像应当包含图像拍摄场景中出现的多种角度和光照信息；

步骤1-2，根据图像的具体情况切除原始图像影响超分辨率重建的多余边缘部分；

步骤1-3，对高分辨率图像进行降质，下采样取得低分辨率图像。

进一步地，步骤1-3中降质过程需要先进行高斯噪声模糊，然后下采样2倍。