一种基于深度学习的舱门低质量图像优化方法技术

一种基于深度学习的舱门低质量图像优化方法，包括以下步骤：采集舱门对接图像，制作高质量

【技术实现步骤摘要】
一种基于深度学习的舱门低质量图像优化方法


[0001]本专利技术涉及计算机视觉
，特别是涉及一种基于深度学习的舱门低质量图像优化方法。

技术介绍

[0002]在飞机舱门与廊桥对接的过程中，采用视觉方法采集舱门图像，但是采集到的舱门图像不够清晰，会影响对图像信息提取工作。因此寻找一种效果好、效率高的低质量图像优化的算法很有必要。
[0003]目前的一些舱门图像优化方法是通过添加辅助设备来获取相机的运动路径，在确定模糊核的前提下使用非盲复原的方法对模糊图像进行优化。这种方法显然增加了成本和计算难度，而且对于舱门与廊桥的对接过程而言，视觉相机的运动往往是比较轻微且频繁的，且有时候会遇到大雨、浓雾等恶劣天气无法进行量化，因此存在一定局限性。

技术实现思路

[0004]为了解决现有技术存在的不足，本专利技术的目的在于提供一种基于深度学习的舱门低质量图像优化方法，通过基于多阶段卷积神经网络、注意力机制的深度学习对舱门对接过程中采集的低质量图像进行优化，使得图像特征更清晰，便于对接工作的顺利进行。
[0005]为实现上述目的，本专利技术提供的基于深度学习的舱门低质量图像优化方法，包括以下步骤：
[0006]采集舱门对接图像，制作高质量
‑
低质量图像数据集；
[0007]基于U
‑
net架构编码器
‑
解码器和单尺度通道结构，构建三阶段架构的深度学习网络；
[0008]在所述深度学习网络的每个阶段之间引入注意力机制；r/>[0009]在所述编码器
‑
解码器之间、所述编码器
‑
解码器与所述单尺度通道结构之间分别引入图像细化模块；
[0010]训练所述深度学习网络。
[0011]进一步地，所述采集舱门对接图像，制作高质量
‑
低质量图像数据集的步骤，还包括：从舱门对接视频中提取低于预设像素值的低质量帧图像；
[0012]配对高质量
‑
低质量图像，所述高质量图像的像素值高于所述低质量图像的像素值；
[0013]利用MATLAB处理扩充数据。
[0014]进一步地，所述构建三阶段架构的深度学习网络并引入U
‑
net架构编码器
‑
解码器和单尺度通道结构的步骤，包括：构建早期、中期、后期三阶段架构的深度学习网络；将所述U
‑
net架构编码器
‑
解码器加入所述早期阶段和所述中期阶段，使用单尺度通道结构完成所述后期阶段。
[0015]进一步地，所述单尺度通道结构，采用原始分辨率子网络。
[0016]进一步地，所述注意力机制，采用监督注意力模块。
[0017]进一步地，所述训练所述深度学习网络的步骤，包括：
[0018]将图像输入网络，将所述图像分割成多块层次结构；
[0019]设置优化端到端的损失函数；
[0020]对整个网络分任务进行训练。
[0021]进一步地，所述优化端到端的损失函数公式为：
[0022][0023]其中，X
S
是复原图像，Y为真实图像，参数λ设为0.05，Ψ
char
、Ψ
edge
是两个损失函数，其表达式如下：
[0024][0025][0026]其中，常数ε设为10^(
‑
3)，Δ是拉普拉斯算子。
[0027]更进一步地，所述对整个网络分任务进行训练的步骤，包括：
[0028]在所述深度学习网络的早期阶段和中期阶段，每个尺度上使用多个通道注意力块，池化层选择2
×
2最大值模式；
[0029]在所述深度学习网络的后期阶段，原始分辨率子网络包括多个原始分辨率子块，每一个原始分辨率子块使用多个通道注意力块；
[0030]设置迭代次数。
[0031]通过本专利技术提供的一种基于深度学习的舱门低质量图像优化方法，基于深度学习网络，对舱门对接过程中采集的低质量图像进行优化，使图像特征将更加清晰，从而使得舱门与廊桥的整个对接过程更加流畅、准确。
[0032]本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。
附图说明
[0033]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，并与本专利技术的实施例一起，用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0034]图1为根据本专利技术的基于深度学习的舱门低质量图像优化方法流程图；
[0035]图2为根据本专利技术的特征通道示意图；
[0036]图3为根据本专利技术的原始分辨率子网络结构示意图；
[0037]图4为根据本专利技术的监督注意力模块示意图；
[0038]图5为根据本专利技术的CFSS模块示意图；
[0039]图6为根据本专利技术的深度学习网络结构示意图；
[0040]图7为根据本专利技术的复原图像与其对应的高质量图像对比示意图。
具体实施方式
[0041]以下结合附图对本专利技术的优选实施例进行说明，应当理解，此处所描述的优选实
施例仅用于说明和解释本专利技术，并不用于限定本专利技术。
[0042]应当理解的是，本文可能使用了“高质量”、“低质量”等术语描述图像是示意性而非限制性的，使用这些术语仅仅是从清晰或模糊程度上对图像进行区分，在不背离示例性实施例的范围的情况下，图像质量的高低是可以变更的。
[0043]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的实施方式作进一步的详细描述。
[0044]图1为根据本专利技术的基于深度学习的舱门低质量图像优化方法流程图，下面将参考图1，对本专利技术的本专利技术的基于深度学习的舱门低质量图像优化方法进行详细描述。
[0045]在步骤101，采集舱门对接图像，制作高质量
‑
低质量图像数据集。
[0046]数据的预处理对于深度学习最后的效果影响十分巨大，好的数据集预处理能够优化网络处理效果，减少网络迭代次数，降低计算成本。
[0047]在本专利技术实施例中，采集舱门对接图像，制作高质量
‑
低质量图像数据集的步骤，还包括：从舱门对接视频中提取低于预设像素值的低质量帧图像；配对高质量
‑
低质量图像；利用MATLAB处理扩充数据。所述预设像素值可以根据实际需求进行设定。
[0048]本专利技术实施例中，低质量帧图像包括模糊失真的图像。在一些实施方式中，可以通过人工判断图像是否为低质量图像，如果为低质量图像，就需要在该图像的相邻帧中找出较为清晰的高质量图像作为该低质量图像的配对图像，并制作成数据集。
[0049]从舱门对接视频中提取低质量帧，采用的数据集由拍摄好的视频流处理得来，用Python写好的视频截帧代码设置每1帧提取1张图片共包含10763张图片，使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的舱门低质量图像优化方法，其特征在于，包括以下步骤：采集舱门对接图像，制作高质量
‑
低质量图像数据集；基于U
‑
net架构编码器
‑
解码器和单尺度通道结构，构建三阶段架构的深度学习网络；在所述深度学习网络的每个阶段之间引入注意力机制；在所述编码器
‑
解码器之间、所述编码器
‑
解码器与所述单尺度通道结构之间分别引入图像细化模块；训练所述深度学习网络。2.根据权利要求1的基于深度学习的舱门低质量图像优化方法，其特征在于，所述采集舱门对接图像，制作高质量
‑
低质量图像数据集的步骤，还包括：从舱门对接视频中提取低于预设像素值的低质量帧图像；配对高质量
‑
低质量图像，所述高质量图像的像素值高于所述低质量图像的像素值；利用MATLAB处理扩充数据。3.根据权利要求1的基于深度学习的舱门低质量图像优化方法，其特征在于，所述基于U
‑
net架构编码器
‑
解码器和单尺度通道结构，构建三阶段架构的深度学习网络的步骤，包括：构建早期、中期、后期三阶段架构的深度学习网络；将所述U
‑
net架构编码器
‑
解码器加入所述早期阶段和所述中期阶段，...

【专利技术属性】
技术研发人员：时建平，李旭，陈慕华，左晓斌，
申请(专利权)人：北京博维航空设施管理有限公司，
类型：发明
国别省市：