一种基于深度学习的图像非线性插值获取方法及获取系统技术方案

本发明专利技术公开了一种基于深度学习的图像非线性插值获取方法及获取系统，属于图像处理技术领域，包括：一、建立数据集；二、使用深度学习的目标检测方法来检测插值后图像中的不合格目标，获得第一目标检测深度神经网络；三、使用深度学习的目标检测方法检测不合格目标在原始图像中位置及其附近像素；获得第二目标检测深度神经网络；四、以数据集、第一目标检测深度神经网络、第二目标检测深度神经网络为基础，训练得到深度神经网络，通过深度神经网络输出正确插值。本发明专利技术使用深度学习目标检测技术，构建人工插值修正的数据集，结合图像背景，识别传统插值算法中的不合格目标及相关的附近相关像素，结合人工插值的示例，输出正确插值。输出正确插值。输出正确插值。

【技术实现步骤摘要】
一种基于深度学习的图像非线性插值获取方法及获取系统


[0001]本专利技术属于图像处理
，特别是涉及一种基于深度学习的图像非线性插值获取方法及获取系统。

技术介绍

[0002]众所周知，图像处理(image processing)又称为影像处理，是用计算机对图像进行达到所需结果的技术。起源于20世纪20年代，一般为数字图像处理。图像处理技术主要内容包括图像压缩、增强复原、匹配描述识别3个部分，常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。图像处理是利用计算机对图像信息进行加工以满足人的视觉心理或者应用需求的行为，应用广泛，多用于测绘学、大气科学、天文学、美图、使图像提高辨识等。
[0003]在图像处理过程中，图像插值法是经常使用到的一个技术手段，传统图像插值通常使用最近邻插值、双线性插值和双三次插值等方法进行，由于这些方法没有考虑背景和应用场景，因此通常或多或少会导致会图像变得模糊、失真、扭曲，出现锯齿等众多不良现象，插值结果在很多场合不可用(如内容审查、文字识别等)。

技术实现思路

[0004]本专利技术为解决公知技术中存在的技术问题，提供一种基于深度学习的图像非线性插值获取方法及获取系统，主要解决目前图像预处理领域的一项关键问题：用户输入图像大小不等，清晰度不等，可能有的是高清照片，有的是像素图；为了获得较好的算法检测效果，需要把用户输入的各种各样图片进行统一的几何变换整理成尺寸相同、清晰度相近的图像，再输入算法模块进行识别；拟采用本专利提出的插值方法，对用户输入图像进行插值处理，使得模糊图像变得清晰，避免出现块状图像、马赛克图像。
[0005]本专利技术的第一目的是提供一种基于深度学习的图像非线性插值获取方法，包括：
[0006]S1、建立数据集，具体为：
[0007]S101、通过最近邻插值和/或双线性插值和/或双三次插值对原始图像进行插值，得到插值后图像并进行记录；
[0008]S102、对插值后图像进行人工检视，标注出不合格目标并进行记录；
[0009]S103、结合所述原始图像、不合格目标，人工进行插值获得人工插值后图像，并对插值结果进行记录；
[0010]S104、结合所述原始图像、人工插值后图像，再人工对原始图像中与人工插值后图像相关的原位置及原位置附近背景像素进行标注并进行记录；
[0011]S105、组合S1-S4的记录，形成数据集中的一条数据；
[0012]S106、对不同的原始图像重复S1-S4的步骤，形成完整数据集；
[0013]S2、使用深度学习的目标检测方法来检测插值后图像中的不合格目标，获得第一目标检测深度神经网络；
[0014]S3、使用深度学习的目标检测方法检测不合格目标在原始图像中位置及其附近像素；获得第二目标检测深度神经网络；
[0015]S4、以所述数据集、第一目标检测深度神经网络、第二目标检测深度神经网络为基础，训练得到深度神经网络，通过深度神经网络输出正确插值。
[0016]优选地，在所述S2中：将插值后图像作为第一目标检测深度神经网络输入，通过人工标注不合格目标数据计算损失。
[0017]优选地，在所述S3中：将原始图像和插值后图像中的不合格目标作为第二目标检测深度神经网络输入，按照人工标注不合格目标及其在原始图像中位置、附近背景像素示例的隐含逻辑，输出不合格目标在原始图像的位置及此位置附近背景像素。
[0018]优选地，在所述S4中：所述深度神经网络的输入为人工标注不合格目标原位置及其附近背景像素、人工标注不合格目标、传统方法插值后图像，并在训练过程中使用人工插值来计算损失。
[0019]本专利技术的第二目的是提供一种基于深度学习的图像非线性插值系统；至少包括：
[0020]数据集建立模块，所述数据集建立模块的建立过程为：
[0021]S101、通过最近邻插值和/或双线性插值和/或双三次插值对原始图像进行插值，得到插值后图像并进行记录；
[0022]S102、对插值后图像进行人工检视，标注出不合格目标并进行记录；
[0023]S103、结合所述原始图像、不合格目标，人工进行插值获得人工插值后图像，并对插值结果进行记录；
[0024]S104、结合所述原始图像、人工插值后图像，再人工对原始图像中与人工插值后图像相关的原位置及原位置附近背景像素进行标注并进行记录；
[0025]S105、组合S1-S4的记录，形成数据集中的一条数据；
[0026]S106、对不同的原始图像重复S1-S4的步骤，形成完整数据集；
[0027]第一目标检测深度神经网络获取模块，使用深度学习的目标检测方法来检测插值后图像中的不合格目标，获得第一目标检测深度神经网络；
[0028]第二目标检测深度神经网络获取模块，使用深度学习的目标检测方法检测不合格目标在原始图像中位置及其附近像素；获得第二目标检测深度神经网络；
[0029]正确插值获取模块，以所述数据集、第一目标检测深度神经网络、第二目标检测深度神经网络为基础，训练得到深度神经网络，通过深度神经网络输出正确插值。
[0030]优选地，在所述第一目标检测深度神经网络获取模块中：将插值后图像作为第一目标检测深度神经网络输入，通过人工标注不合格目标数据计算损失。
[0031]优选地，在所述第二目标检测深度神经网络获取模块中：将原始图像和插值后图像中的不合格目标作为第二目标检测深度神经网络输入，按照人工标注不合格目标及人工标注不合格目标在原始图像位置、附近背景像素示例的隐含逻辑，输出不合格目标在原始图像中的位置及该位置附近背景像素。
[0032]优选地，在所述正确插值获取模块中：所述深度神经网络的输入为人工标注不合格目标原位置及其附近背景像素、人工标注不合格目标、传统方法插值后图像，并在训练过程中使用人工插值来计算损失。
[0033]本专利技术的第三目的是提供一种实现上述基于深度学习的图像非线性插值获取方
法的信息数据处理终端。
[0034]本专利技术的第四目的是提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行上述的基于深度学习的图像非线性插值获取方法。
[0035]本专利技术具有的优点和积极效果是：
[0036]本专利技术使用深度学习目标检测技术，通过构建人工插值修正的数据集，结合图像背景，识别传统插值算法中的不合格目标及与之相关的附近相关像素，并结合人工插值的示例，最后输出正确插值。插值结果更细致，更切合场景需要。
附图说明
[0037]图1是本专利技术优选实施例中数据集构建流程图；
[0038]图2是本专利技术优选实施例中插值后图像中不合格目标识别模型的训练流程图；
[0039]图3是本专利技术优选实施例中插值后图像中不合格目标识别模型的推理使用流程图；
[0040]图4是本专利技术优选实施例中不合格目标原位置及其附近背景像素目标识别模型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的图像非线性插值获取方法；其特征在于，至少包括：S1、建立数据集，具体为：S101、通过最近邻插值和/或双线性插值和/或双三次插值对原始图像进行插值，得到插值后图像并进行记录；S102、对插值后图像进行人工检视，标注出不合格目标并进行记录；S103、结合所述原始图像、不合格目标，人工进行插值获得人工插值后图像，并对插值结果进行记录；S104、结合所述原始图像、人工插值后图像，再人工对原始图像中与人工插值后图像相关的原位置及原位置附近背景像素进行标注并进行记录；S105、组合S1-S4的记录，形成数据集中的一条数据；S106、对不同的原始图像重复S1-S4的步骤，形成完整数据集；S2、使用深度学习的目标检测方法来检测插值后图像中的不合格目标，获得第一目标检测深度神经网络；S3、使用深度学习的目标检测方法检测不合格目标在原始图像中位置及其附近像素；获得第二目标检测深度神经网络；S4、以所述数据集、第一目标检测深度神经网络、第二目标检测深度神经网络为基础，训练得到深度神经网络，通过深度神经网络输出正确插值。2.根据权利要求1所述的基于深度学习的图像非线性插值获取方法，其特征在于，在所述S2中：将插值后图像作为第一目标检测深度神经网络输入，通过人工标注不合格目标数据计算损失。3.根据权利要求1所述的基于深度学习的图像非线性插值获取方法，其特征在于，在所述S3中：将原始图像和插值后图像中的不合格目标作为第二目标检测深度神经网络输入，按照人工标注不合格目标及不合格目标在原始图像中位置、附近背景像素示例的隐含逻辑，输出不合格目标在原始图像中的位置及此位置附近背景像素。4.根据权利要求1所述的基于深度学习的图像非线性插值获取方法，其特征在于，在所述S4中：所述深度神经网络的输入为人工标注不合格目标原位置及其附近背景像素、人工标注不合格目标、传统方法插值后图像，并在训练过程中使用人工插值来计算损失。5.一种基于深度学习的图像非线性插值获取系统；其特征在于，至少包括：数据集建立模块，所述数据集建立模块的建立过程为：S101、通过最近邻插值和/或双线性插值和/或双三次插值对原始图像进行插值，得到插值后图...

【专利技术属性】
技术研发人员：戴亦斌，
申请(专利权)人：北京信工博特智能科技有限公司，
类型：发明
国别省市：