[发明专利]基于改进SRGAN模型的超分辨率螺栓图像生成方法

说明书

本发明公开了基于改进SRGAN模型的超分辨率螺栓图像生成方法，涉及图像处理技术领域；其包括步骤S1模型训练使用的数据集、S2建立生成式对抗网络模型、S3生成器损失函数构建、S4判别器损失函数构建和S5高分辨率螺栓图像生成，在步骤S4判别器损失函数构建的SRGAN模型的损失函数中加入相对均值鉴别器以平衡生成器和判别器的能力；其通过在SRGAN模型的损失函数中加入相对均值鉴别器等，实现了在输电线路无人机自主巡检与深度学习的结合应用中，SRGAN模型生成的输电线路螺栓图像分辨率高。

技术领域

本发明涉及图像处理技术领域，尤其涉及基于改进SRGAN模型的超分辨率螺栓图像生成方法，是一种基于生成式对抗网络(Generative Adversarial Networks,GAN)的超分辨率方法。

背景技术

百度中，超分辨率是通过硬件或软件的方法提高原有图像的分辨率，通过一系列低分辨率的图像来得到一幅高分辨率的图像过程就是超分辨率重建。

近年来超分辨率(Super Resolution,SR)图像生成技术作为工业界、学术界一直讨论研究的热门话题，在增加图像质量方面发挥着重要的作用。超分辨率图像生成是指低分辨率图像(Low Resolution,LR)通过一定的转换之后生成高分辨率图像(HighResolution,HR)的过程。对于图像超分辨率技术，关键是建立从LR图像到HR图像的非线性映射，由于LR图像信息不充足，需要根据先验知识提供信息。

传统方法一般是插值，这样的效果是不理想的，将对抗学习的思想引入超分辨率图像生成中，加入的判别器能够解决不同数据域存在分布不相同的问题，通过使判别器无法区分两个不同数据域的样本，使得它们属于同一个分布，从而作为一个规则化的方法去指导深度学习模型更新参数权重，取得更好的生成效果。其中，SRGAN(Super-ResolutionGenerative Adversarial Network)模型在超分辨率生成方面取得了巨大的成功，实验也表明该模型能够获得较好的效果。然而仍然存在一些不足，生成的图像会出现噪声，细节不够真实，影响了生成样本的质量，而且GAN网络在训练过程中存在不稳定的情况。

本申请主要针对的问题就是在输电线路无人机自主巡检与深度学习的结合应用中，SRGAN模型生成的输电线路螺栓图像分辨率低，针对这一问题，提出了一种基于改进SRGAN模型的超分辨率螺栓图像生成方法。

现有技术问题及思考：

如何解决在输电线路无人机自主巡检与深度学习的结合应用中，SRGAN模型生成的输电线路螺栓图像分辨率低的技术问题。

发明内容

本发明所要解决的技术问题是提供基于改进SRGAN模型的超分辨率螺栓图像生成方法，其通过在SRGAN模型的损失函数中加入相对均值鉴别器等，实现了在输电线路无人机自主巡检与深度学习的结合应用中，SRGAN模型生成的输电线路螺栓图像的分辨率高。

为解决上述技术问题，本发明所采取的技术方案是：基于改进SRGAN模型的超分辨率螺栓图像生成方法包括步骤S1模型训练使用的数据集、S2建立生成式对抗网络模型、S3生成器损失函数构建、S4判别器损失函数构建和S5高分辨率螺栓图像生成，在步骤S4判别器损失函数构建的SRGAN模型的损失函数中加入相对均值鉴别器以平衡生成器和判别器的能力。

进一步的技术方案在于：在所述步骤S2建立生成式对抗网络模型中去除生成器网络中的BN层以降低模型计算复杂度。

进一步的技术方案在于：所述步骤S4判别器损失函数构建包括判别器损失函数为生成的高分辨率图像和真实的高分辨率图像通过判别网络得到的差异损失，在判别器损失函数中引入相对均值鉴别器，相对均值鉴别器的计算公式如下所示：