[发明专利]生成网络模型、DD-SRGAN模型及红外图像超分辨重建算法在审

专利信息
申请号: 202210497334.9 申请日: 2022-05-09
公开(公告)号: CN115034963A 公开(公告)日: 2022-09-09
发明(设计)人: 邢志勇;李凯;侯振峰;韩魏静;杨彦盈;倪永祥;郝杰 申请(专利权)人: 上海宝冶集团有限公司
主分类号: G06T3/40 分类号: G06T3/40;G06N3/04;G06N3/08
代理公司: 上海诺衣知识产权代理事务所(普通合伙) 31298 代理人: 刘艳芝
地址: 201908 *** 国省代码: 上海;31
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 生成 网络 模型 dd srgan 红外 图像 分辨 重建 算法
【权利要求书】:

1.一种生成网络模型,其特征在于:包括16个外部残差块、4个内部残差块、两个亚像素卷积层和多个跳跃连接,其中,子像素卷积层使用64个滤波器,剩余卷积层均采用128个滤波器;残差块中去掉BN层,只保留卷积层和池化层。

2.根据权利要求1所述的生成网络模型,其特征在于:所述生成网络的具体实现过程如下:

步骤1、对输入的图像进行一层9×9的卷积,提取低频图像特征;

步骤2、利用密集连接的RIRB加深网络深度,学习若干非线性和更大感受野的高频图像特征;

步骤3、通过对每个外部残差块的输出进行一次1×1的卷积,聚合不同残差块图像的特征;

步骤4、将RIRB中获得的高频图像特征通过两个亚像素卷积层,实现对低分辨图像的4倍上采样;

步骤5、通过3×3卷积,对图像进行超分辨重建,获取超分辨图像。

3.DD-SRGAN双判别生成对抗网络模型,其特征在于:包括生成网络和判别网络,所述生成网络为权利要求1或2所述的生成网络模型;所述判别网络包括两个判别器,分别为图像判别器和特征判别器,其中,图像判别器在像素域上对输入的图像进行判别;特征判别器通过对特征图结构信息进行编码,并利用高频分量和结构分量来区分超分辨图像和真实高分辨图像。

4.根据权利要求3所述的DD-SRGAN双判别生成对抗网络模型,其特征在于:

所述判别网络以生成的超分辨图像和原始高分辨图像为输入样本,通过8个卷积层提取图像的512维特征,作为两个全连接层、sigmoid激活函数的输入,再计算样本分类概率,以此判定图像来源。

5.根据权利要求4所述的DD-SRGAN双判别生成对抗网络模型,其特征在于:所述样本分类概率的计算方法如下:

将生成的超分辨图像和原始高分辨图像进行对比,通过训练得到损失函数的收敛情况,设定阈值相似度判断样本的分类概率,根据峰值信噪比和结构相似性两个指标判定生成的超分辨图像的指标。

6.根据权利要求5所述的DD-SRGAN双判别生成对抗网络模型,其特征在于:所述损失函数的定义如下:

其中,LP为感知相似性损失,λ为GAN损失项权重,定义为其中为像素域合成的高频细节特征GAN损失,为特征域上合成的结构细节特征GAN损失。

7.根据权利要求6所述的DD-SRGAN双判别生成对抗网络模型,其特征在于:通过感知相似度损失分量和双判别网络损失分量对损失函数不断训练优化,直至损失函数达到收敛。

8.一种红外图像超分辨重建算法,其特征在于:在SRGAN网络模型基础上,构建权利要求3至7任一项所述的双判别生成对抗网络模型,在生成网络中,引入无BN层的RIRB,内部残差块密集连接,外部残差块远、近跳跃连接的方式,将红外图像信息传递到深层网络;在判别网络中,采用图像判别器在像素域上对输入的红外图像进行判别;特征判别器对特征图结构信息进行编码,获取高频细节特征,并利用高频分量和结构分量来区分超分辨红外图像和真实高分辨红外图像。

9.根据权利要求8所述的红外图像超分辨重建算法,其特征在于:获取高频细节特征过程中,采用感知相似度损失分量和双判别网络损失分量,根据像素域合成的高频细节特征GAN损失和特征域上合成的结构细节特征GAN损失判断生成的红外图像接近于真实的红外图像的程度,值越接近于0,生成的红外图像在高频细节特征上越接近于真实的红外图像;值越接近于0,生成的红外图像在结构整体性上越接近于真实的红外图像。

10.根据权利要求8所述的红外图像超分辨重建算法,其特征在于,通过一个生成器和两个判别器之间的对抗训练,使生成器生成的图像在判别网络的测试下不断更新迭代,直至生成的图像模型无限接近原始真实图像,实现红外图像的超分辨重建。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于上海宝冶集团有限公司,未经上海宝冶集团有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/202210497334.9/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top