【技术实现步骤摘要】
基于改进SRGAN模型的超分辨率螺栓图像生成方法
本专利技术涉及图像处理
，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(GenerativeAdversarialNetworks,GAN)的超分辨率方法。
技术介绍
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(SuperResolution,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(LowResolution,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...
【技术保护点】
1.基于改进SRGAN模型的超分辨率螺栓图像生成方法，其特征在于：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。/n
【技术特征摘要】
1.基于改进SRGAN模型的超分辨率螺栓图像生成方法，其特征在于：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。
2.根据权利要求1所述的基于改进SRGAN模型的超分辨率螺栓图像生成方法，其特征在于：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。
3.根据权利要求1所述的基于改进SRGAN模型的超分辨率螺栓图像生成方法，其特征在于：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：
DRa(xr,xf)＝σ(C(xr)-Exf[C(xf)])(4)
其中，σ为激活函数，C(xr)是真实高分辨率图像未经判别器最后层激活函数的输出，E()代表期望函数，C(xf)是低分辨率图像未经判别器最后层激活函数的输出；
加入相对均值鉴别器之后，判别器损失函数计算公式如下所示：
式(6)中，xr代表高分辨率图像，P是高分辨率图像的概率分布，xf是经过生成器生成的高分辨率样本，Q是生成的高分辨率图像的概率分布，E()代表期望函数。
4.根据权利要求1所述的基于改进SRGAN模型的超分辨率螺栓图像生成方法，其特征在于：所述步骤S2建立生成式对抗网络模型包括生成器G采用残差网络结构，移除残差网络中的批量归一化层即BN层。
5.根据权利要求4所述的基于改进SRGAN模型的超分辨率螺栓图像生成方法，其特征在于：在所述S2建立生成式对抗网络模型的步骤中，螺栓图像超分辨率网络基于生成式对抗网络GAN，由一个生成器G和一个判别器D构成，生成器G生成服从真实数据分布的假样本，判别器D是一个二分类器，用来评估所述假样本是真实图像的概率，产生的概率值反作用到生成器G来帮助其继续训练，直到最后生成判别器D无法辨真假的假样本。
6.根据权利要求4所述的基于改进SRGAN模型的超分辨率螺栓图像生成方法，其特征在于：在所述S2建立生成式对抗网络模型的步骤中，生成器G使用15个卷积层，输入...
【专利技术属性】
技术研发人员：尹子会，张玉亮，付炜平，孟荣，李兴文，郎静宜，戚银城，赵振兵，
申请(专利权)人：国家电网有限公司，国网河北省电力有限公司检修分公司，华北电力大学保定，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。