[发明专利]一种基于深度学习的红外图像增强方法

说明书

本发明公开了一种基于深度学习的红外图像增强方法，涉及红外图像技术领域，包括如下步骤：采集红外图像对并按比例划分为训练样本集与测试样本集，对训练样本集进行数据增强获得丰富的训练集；针对低质量红外图像对比度低、细节模糊等问题，通过引入残差结构、通道注意力机制以及空间注意力机制设计一种全卷积红外图像增强网络；利用训练样本集对该网络进行监督训练获得红外图像增强模型，该模型适用于不同分辨率的红外图像；最后将待测试的低质量红外图像输入该模型，获得增强后的红外图像。

技术领域

本发明涉及红外图像技术领域，具体是一种基于深度学习的红外图像增强方法。

背景技术

基于RGB相机的计算机视觉技术已经得到广泛的应用，如图像分类、目标检测、图像分割等，但是基于RGB相机的计算机视觉技术容易受到照明、天气等环境影响。针对以上问题，红外热成像相机可以在复杂的背景或者缺乏光照的环境中获得目标的温度信息，故基于红外图像的计算机视觉技术也越来越受到重视。一般来说，商用的、低成本的红外热成像相机采集的红外图像存在边缘模糊、低信噪比等问题。因此，对红外图像进行增强获得高质量的红外图像十分有意义。

目前，红外图像增强相关研究仍然较少。传统的图像增强方法如直方图均衡化(histogram equalization，HE)，该算法增强目标的同时，背景噪声也会被放大，效果较差。其改进算法对比度受限直方图均衡(contrast limited adaptive histogramequalization,CLAHE)能够抑制背景噪声，但是边缘容易被模糊。受到可见光的研究进展启发，本发明将基于深度学习完成红外图像增强，以获得高质量红外图像。

发明内容

鉴于上述技术缺点，本发明提供了一种基于深度学习的红外图像增强方法，包括如下步骤：

S1，采集不同场景的红外图像对获得数据集，将数据集划分为训练样本集与测试样本集；

S2，将S1得到的训练样本集进行数据增强；

S3，通过引入残差结构、通道注意力机制以及空间注意力机制构建红外图像增强网络；

S4，将S2得到的训练样本集监督训练红外图像增强网络，获得红外图像增强模型；

S5，将红外测试图像输入至S4训练完成的红外图像增强模型，获得增强后的红外图像。

作为优选的，S1中的采集不同场景的红外图像对为：

固定红外热成像相机拍摄位置与角度，选择不同的场景分别采集红外图像对，所有的红外图像对形成数据集，并按照设定的比例将数据集划分为训练样本集与测试样本集。

作为优选的，S2中的数据增强包括如下过程：

步骤一，利用滑动窗口裁剪算法对原始图像对进行裁切，固定并减小红外图像尺寸，且使得图像长宽相等；

步骤二，采用图像翻转、图像亮度变换、图像尺度缩放等方式对切割后的图像进行数据增强。

作为优选的，S3中构建的红外图像增强网络包括如下：

图像特征提取部分是利用3个卷积层进行红外图像特征的提取，得到3个特征图；其中的卷积层后面均使用relu激活函数，relu激活函数的数学表达式如下：

接着利用通道注意力机制与空间注意力机制筛选第三个特征图；其中所涉及全连接层使用卷积核为1×1的卷积层代替，所涉及的激活函数使用sigmoid激活函数，其数学表达式如下：

接着利用残差结构融合特征图，使得特征图含有丰富的细节信息以及语义信息；

接着利用反卷积层实现图像上采样，使得特征图分辨率与输入图像一致；