[发明专利]基于深度学习的二维条码图像超分辨方法

权利要求书

1.一种基于深度学习的二维条码图像超分辨方法，其特征在于，包括以下步骤：

步骤S1:采集具有高分辨率的二维条码图像，并进行预处理，得到训练集和测试集；

步骤S2:构建用于二维条码图像超分辨重建的卷积神经网络模型，并优化损失函数；

步骤S3:根据训练集训练优化后的卷积神经网络模型；

步骤S4：将待超分辨重建的低分辨率二维条码图像输入到训练好的卷积神经网络模型，得到重建后的超分辨率二维条码图像。

2.根据权利要求1所述的基于深度学习的二维条码图像超分辨方法，其特征在于，所述步骤S1具体为：

步骤S11:采集二维条码图像，并筛选掉模糊的二维条码图像，整理出具有高分辨率的二维条码图像；

步骤S12:根据得到的具有高分辨率的二维条码图像，将预设比例的图像作为真实二维条码图像即训练集；将剩余的图像通过下采样得到对应的低分辨率的二维条码图像即为测试集；

步骤S13:将训练集中的图像做若干角度的翻转，得到扩大N倍的训练集。

3.根据权利要求1所述的基于深度学习的二维条码图像超分辨方法，其特征在于，所述用于二维条码图像超分辨重建的卷积神经网络模型由生成模型G和判别模型D两部分组成。

4.根据权利要求3所述的基于深度学习的二维条码图像超分辨方法，其特征在于，所述生成模型G包括五个模块的内层卷积、16个残差密度块、PRelu激活函数；且残差密度块之间运用了密度连接方法指导信息传递，块与块之间用残差学习的方法，并去除了块内的批规范化操作BN。

5.根据权利要求3所述的基于深度学习的二维条码图像超分辨方法，其特征在于：所述生成模型G的损失函数构建，具体为：在引入l₁损失的情况下构造的生成模型损失函数L_G的内容损失函数l_x，内容损失函数的计算式为：

l_x＝l₁

其中：l₁为基于像素级的损失函数，l_x为内容损失，r为缩放因子，W为二维条码图像的宽度，H为二维条码图像的高度，x＝1，2，3......W，y＝1，2，3......H，为训练好的生成模型，θ_G为生成模型G的权值参数，为高分辨二维条码图像中的某一点的像素值，为经过生成网络G生成的超分辨二维条码图像中某一点的像素值；

在引入EM距离的情况下构造的生成模型损失函数L_G的对抗损失l_gen，对抗损失函数的计算式为：

其中：D(x)为判别模型，P_z为噪声z生成的样本分布。

6.根据权利要求3所述的基于深度学习的二维条码图像超分辨方法，其特征在于，所述判别模型D由11个内卷积层、12个Leaky Relu激活函数、一个全连接层组成，并重新引入批规范化操作BN。

7.根据权利要求3所述的基于深度学习的二维条码图像超分辨方法，其特征在于，所述判别模型的损失函数构建具体如下：在引入EM距离的前提条件下构造的判别模型的损失函数L_D，其计算式为：

其中：P_data为真实数据样本分布。

8.根据权利要求1所述的基于深度学习的二维条码图像超分辨方法，其特征在于，所述步骤S3具体为：根据训练集对优化后的卷积神经网络模型进行训练，使用反向传播算法进行迭代不断的减小损失函数的损失值进行参数学习，使预测的图像逼近原始图像，以获得网络的最佳权重参数模型。