基于生成对抗网络路面裂缝图像超分辨率重建方法及装置制造方法及图纸

本发明专利技术公开了基于生成对抗网络路面裂缝图像超分辨率重建方法及装置，采集高分辨率路面裂缝图像并进行降采样处理，得到相同数量的低分辨率路面裂缝图像；对低分辨率路面裂缝图像与高分辨率路面裂缝图像进行两两配对，并将配对后的路面裂缝图像输入到生成对抗网络中，输出为超分辨率图像集；训练生成对抗网络，优化生成对抗网络参数，获得优化后的生成对抗网络作为图像超分辨率重建模型。本发明专利技术采用深度学习方法对路面裂缝图像进行超分辨率重建，提高了图像重建的准确度；通过对SRGAN方法进行改进，能够更加适合所处理的路面裂缝图像，且在重建图像的细节纹理表现上更加自然，可直接用于路面裂缝检测。

【技术实现步骤摘要】
基于生成对抗网络路面裂缝图像超分辨率重建方法及装置
本专利技术属于路面裂缝检测领域，具体涉及一种基于生成对抗网络路面裂缝图像超分辨率重建模型构建方法及装置。
技术介绍
在实际路面裂缝图像的采集过程中，拍摄设备通常会遭到运动速度、设备质量、环境光线等非常多外部噪声的干扰，采集到的路面裂缝图像往往存在画质较差的问题。低分辨率图像相较于高分辨率图像画质十分模糊，信息缺失严重，而且裂缝处的纹理不够锐利。若是直接利用低分辨率图片进行裂缝检测，最终检测的精确度可能无法满足实际需求。为了解决不同成像设备的硬件制约，国内外众多学者对于如何提升图像分辨率展开了大量的研究，同时将这种能够将图像固有分辨率变大的方法叫作图像超分辨率重建方法。利用这种方法便可以在抛开硬件制约的同时，提升路面裂缝识别的精度，为后续路面养护提供重要的参考价值。目前，图像超分辨率重建研究领域内已提出繁多的方法，但基本可划分为两类：一类是传统的非深度学习方法；另一类则是新兴的深度学习方法。在非深度学习方法中又包含了基于插值、重建、学习等方法。其中基于插值方法中较为经典的双线性插值、邻近本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络路面裂缝图像超分辨率重建模型构建方法，其特征在于，包括以下步骤：/n步骤1，采集N幅高分辨率路面裂缝图像，作为目标图像集；/n步骤2，对N幅高分辨率路面裂缝图像进行降采样处理，得到相同数量的N幅低分辨率路面裂缝图像，作为待重建图像集；/n步骤3，对N幅低分辨率路面裂缝图像与N幅高分辨率路面裂缝图像进行两两配对，并将配对后的N对路面裂缝图像作为输入图像集；/n步骤4，将输入图像集中的待重建图像集作为输入，超分辨率图像集作为输出，训练生成对抗网络；/n所述生成对抗网络包括依次设置的生成器和判别器；/n获得优化后的生成对抗网络作为图像超分辨率重建模型。/n

【技术特征摘要】
1.一种基于生成对抗网络路面裂缝图像超分辨率重建模型构建方法，其特征在于，包括以下步骤：
步骤1，采集N幅高分辨率路面裂缝图像，作为目标图像集；
步骤2，对N幅高分辨率路面裂缝图像进行降采样处理，得到相同数量的N幅低分辨率路面裂缝图像，作为待重建图像集；
步骤3，对N幅低分辨率路面裂缝图像与N幅高分辨率路面裂缝图像进行两两配对，并将配对后的N对路面裂缝图像作为输入图像集；
步骤4，将输入图像集中的待重建图像集作为输入，超分辨率图像集作为输出，训练生成对抗网络；
所述生成对抗网络包括依次设置的生成器和判别器；
获得优化后的生成对抗网络作为图像超分辨率重建模型。


2.如权利要求1所述的基于生成对抗网络路面裂缝图像超分辨率重建模型构建方法，其特征在于，所述步骤2中的高分辨率路面裂缝图像进行降采样处理是将高分辨率路面裂缝图像的图像尺寸进行4倍的缩减。


3.如权利要求1所述的基于生成对抗网络路面裂缝图像超分辨率重建模型构建方法，其特征在于，所述生成器包括14个卷积层，其中第2层卷积层到第11层卷积层两两结合构成残差块，并使用ReLU函数作为激活函数。


4.如权利要求1所述的基于生成对抗网络路面裂缝图像超分辨率重建模型构建方法，其特征在于，所述判别器包括8个卷积层，第1层卷积层包括64个卷积核；之后每隔1层卷积层，卷积核数量则增大2倍，直到最后第8层卷积层的512个卷积核；且判别器使用LeakyReLU函数作为激活函数。


5.如权利要求1所述的基于生成对抗网络路面裂缝图像超分辨率重建模型构建方法，其特征在于，在训练生成对抗网络时，设计基于L1范数和判别器重构误差的损失函数，用于平衡生成器和判别器的竞争力，并增强生成图像视觉质量；
假定图像的像素级误差服从高斯分布...

【专利技术属性】
技术研发人员：孙朝云，李伟，郝雪丽，丁明航，徐磊，裴莉莉，户媛姣，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西;61