一种基于图像超分辨损失函数的红外图像细节增强方法技术

本发明专利技术公开了一种基于图像超分辨损失函数的红外图像细节增强方法。采用基于深度学习的红外图像超分辨网络对图像的特征进行提取，将提取的特征用来描述红外图像的主要信息，构建损失函数对基于深度学习的红外图像超分辨网络进行训练，然后再利用训练后的红外图像超分辨网络进行图像特征提取，得到红外超分辨图像。本发明专利技术能减小超分辨图像与真实红外图像高层特征之间的差异，从而提高图像超分辨的效果。

【技术实现步骤摘要】
一种基于图像超分辨损失函数的红外图像细节增强方法
本专利技术属于深度神经网络提取图像特征的深度学习领域的一种图像增强方法，具体是涉及到神经网络、图像超分辨等融合的一种红外图像细节增强的图像超分辨损失函数。
技术介绍
随着深度学习技术的发展，越来越多的深度学习算法被应用于各个领域，二基于深度学习的图像超分辨技术已经成为当今人工智能领域的研究热点。图像超分辨率重建旨在通过一幅或者多幅低分辨率图像,恢复对应的较高分辨率的图像。图像超分辨技术有广泛的应用，例如热分析、视频监控、医疗诊断和远程遥感等，由于红外图像硬件的限制，很难获得高质量的高分辨率红外图像，导致红外图像的应用受到局限。因此通过图像超分辨算法提高图像的分辨率和图像质量是非常简洁高效的一种方式。然后现有的红外图像超分辨技术还存在一些困难，由于红外图像的信噪比比较低，并且在拍摄过程中容易出现非常多的噪声，造成在基于深度学习的红外图像超分辨网络训练过程中图像恢复质量差的问题，为了解决这一问题，一种红外图像细节增强的图像超分辨损失函数被提出。解决上述问题的关键就是设计一个红外图像细本文档来自技高网...

【技术保护点】
1.一种基于图像超分辨损失函数的红外图像细节增强方法，其特征在于包括如下步骤：/n(1)准备红外图像超分辨训练数据集、红外图像超分辨测试数据集；/n(2)构建基于卷积神经网络的红外图像超分辨网络结构，/n(3)将红外图像超分辨训练数据集输入到步骤(2)构建的基于卷积神经网络的红外图像超分辨网络中训练，构建训练过程中的损失函数，通过不断地对红外图像超分辨网络进行循环迭代训练使损失函数不断减小，直到完成设定的迭代次数Q，并将红外图像超分辨网络进行保存；/n(4)将红外超分辨测试数据集利用步骤(3)中得到的红外图像超分辨网络进行图像特征提取，得到最终的红外超分辨图像。/n

【技术特征摘要】
1.一种基于图像超分辨损失函数的红外图像细节增强方法，其特征在于包括如下步骤：
(1)准备红外图像超分辨训练数据集、红外图像超分辨测试数据集；
(2)构建基于卷积神经网络的红外图像超分辨网络结构，
(3)将红外图像超分辨训练数据集输入到步骤(2)构建的基于卷积神经网络的红外图像超分辨网络中训练，构建训练过程中的损失函数，通过不断地对红外图像超分辨网络进行循环迭代训练使损失函数不断减小，直到完成设定的迭代次数Q，并将红外图像超分辨网络进行保存；
(4)将红外超分辨测试数据集利用步骤(3)中得到的红外图像超分辨网络进行图像特征提取，得到最终的红外超分辨图像。


2.如权利要求1所述的一种基于图像超分辨损失函数的红外图像细节增强方法其特征在于：训练过程中的损失函数具体采用以下方式处理获得：
(1)将真实红外图片通过索贝尔算子进行卷积获得卷积后的图片:
Is＝convs(Ihr)(1)
其中，Is为卷积后的图片，convs为用索贝尔算子进行卷积的操作，Ihr为真实红外图片；
(2)将红外图像超分辨网络生成的红外超分辨图像、真实红外图片以及卷积后的图片均分别输入到预训练好的VGG16网络中进行特征提取：
VGG16网络包含有多个由卷积层和relu层依次构成的特征层，一个卷积层及其后面所连接的一个relu层构成了一层特征层；对于输入的图像，在VGG16网络的当前第k个relu层且k＝1,2,3,4时，k表示relu层的序号，利用下式处理获得经第k个rel...

【专利技术属性】
技术研发人员：徐之海，杨一帆，冯华君，李奇，陈跃庭，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江;33