一种基于扩张残差生成对抗网络的红外图像彩色化方法技术

一种轻量化的单张图像超分辨率重建方法，属于图像超分辨率重建领域，为了解决现有的超分辨率方法空间复杂度和时间复杂度高的问题，该方法包括如下步骤：构建网络模型：整个网络包括四个主要模块：浅层特征提取模块、深层特征提取模块、信息融合模块和上采样模块；准备数据集：对所用数据集进行模拟降质，所得高低分辨率图像对用以训练整个卷积神经网络；训练网络模型；最小化损失值；微调模型；保存模型：将最后得到的模型参数进行固化，之后需要进行超分辨率重建操作时，直接将图像和网络参数载入网络中即可得到最终的超分辨率图像。在保持较高重建质量的前提下，大大减少了网络的参数量和计算量，更适于在嵌入式设备上实现。更适于在嵌入式设备上实现。更适于在嵌入式设备上实现。

【技术实现步骤摘要】
一种基于扩张残差生成对抗网络的红外图像彩色化方法


[0001]本专利技术涉及一种基于扩张残差生成对抗网络的红外图像彩色化方法，属于图像彩色化领域。

技术介绍

[0002]图像彩色化又名图像着色，是将灰度图转化成彩色图的过程，在遥感图像、医学图像、夜视图像、电影和动漫等众多领域具有较大的应用空间。红外图像由于其能在极度恶劣的条件下成像，在人们生活中的运用越来越广，但是红外图像与可见光灰度图像一样都是单色图像，相较于彩色图像，缺乏更多的色彩特征，不利于人眼的直接分辨、识别，制约了场景中有效信息的获取。因此，对灰度图像进行着色有利于对图像的特征提取和人眼辨识其中的信息，方便人们工作。然而，现有的图像着色方法大多基于无监督学习的神经网络，会产生三个关键问题，即着色图像的颜色溢出、细节损失、缺乏对比度。
[0003]中国专利公开号为“CN109712203B”，名称为“一种基于自注意力生成对抗网络的图像着色方法”，该方法首先利用Perceptual Loss损失函数和Hinge Loss损失函数训练灰度图像着色模型；其次，输入待着色的灰度图像；接本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于扩张残差生成对抗网络的红外图像彩色化方法，其特征是，该方法包括如下步骤：步骤1，构建网络模型：整个生成对抗网络包括生成器和鉴别器；所述的生成器由三个模块组成，分别是浅层特征提取模块、下采样模块和上采样模块，将红外图像输入生成器中，红外图像先经过浅层特征提取模块提取图像浅层信息，再经过下采样模块提取图像深层次的语义信息，最后经过上采样模块重建红外图像色度图像；鉴别器采用小型VGG网络结构，由六个去掉批归一化的卷积块和两个全连接层组成；生成器输出的色度图像与红外图像融合即是生成的彩色红外图像，将生成的彩色红外图像与数据集中的可见光彩色图像输入鉴别器中，鉴别器输出真假概率信息判断输入图像是否真实；步骤2，训练网络模型：训练红外图像着色模型，对整个生成对抗网络用可见光数据集ImageNet采用生成器和鉴别器进行对抗训练；调整数据集中每个图像的尺寸，固定输入图像的大小，分离出彩色图像的亮度通道L，将其作为整个网络的输入，将彩色图像作为标签，进行有监督的训练；步骤3，最小化损失函数值：生成器采用色度损失和对抗损失，鉴别器采用对抗损失，通过最小化生成器和鉴别器的损失函数交替优化生成器和鉴别器，直到生成器和鉴别器的对抗达到平衡状态即可认为模型参数已训练完成，保存模型参数；步骤4，微调网络模型：用红外图像数据集对模型进行训练和微调，得到稳定可靠的模型参数；最终使得模型着...

【专利技术属性】
技术研发人员：詹伟达，桂婷婷，朱德鹏，陈宇，李锐，
申请(专利权)人：长春理工大学，
类型：发明
国别省市：