【技术实现步骤摘要】
多线索引导的无人机热红外图像超分辨率重建方法及系统
[0001]本专利技术涉及计算机视觉和图像处理领域,具体涉及多线索引导的无人机热红外图像超分辨率重建方法及系统。
技术介绍
[0002]热成像对光照条件不敏感,因此在智能城市、森林防火、气体泄漏和农业生产等方面有着广泛的应用。然而,由于传感器的尺寸限制。在广泛应用热成像的无人机平台上,获取高分辨率的热红外图像非常困难。图像分辨率不足已成为限制对无人机热红外图像理解的一个关键问题。为此,需要对无人机的热红外图像进行超分辨率重建。图像超分辨重建技术(Super Resolution,SR),即从给定的低分辨率图像中恢复出高分辨率(High Resolution,HR)图像,具备较高的实用价值和广阔的应用前景。
[0003]现有的单幅图像超分辨率重建方法采用迭代反向投影法以及基于卷积神经网络(CNN)的上采样方法。例如公布号为CN114926337A的现有专利技术专利申请文献《基于CNN和Transformer混合网络的单幅图像超分辨率重建方法及系统》该方法以CNN和Transformer混合网络作为单幅图像超分辨率重建的深度网络,将低分辨率图像输入到CNN和Transformer混合网络,混合网络输出重建的高分辨率图像。前述现有方法对X2和X4的超分辨率重建取得了一些效果。然而,由于低分辨率图像所包含的信息有限,在进行大规模图像超分辨率重建时,这些单一图像超分辨率重建方法很难恢复相应的纹理信息,则在一定程度上无法满足无人机平台下的热红外图像超分辨率重建的需要。< ...
【技术保护点】
【技术特征摘要】
1.多线索引导的无人机热红外图像超分辨率重建方法,其特征在于,所述方法包括:S1、对无人机热红外图像与GT图像进行特征抽取,以得到热红外图像特征、可见光图像线索特征;S2、构建并利用多线索引导模块MGM的引导层GL执行自注意力机制,增强不同线索中的信息,以得到增强线索特征,执行交叉注意力机制,在所述热红外图像特征中,嵌入所述增强线索特征,据以使用注意力机制进行引导,在每个所述引导分支得到相应线索引导特征;S3、构建并利用渐进式融合模块PFM,融合所述语义线索引导特征以及所述边缘线索引导特征,以整合获取语义边缘互补信息特征,将所述语义边缘互补信息特征在所述外观引导分支上进行融合操作,以得到渐进式融合特征;S4对所述渐进式融合特征进行上采样,以得到高分辨率热红外无人机图像,求取所述无人机热红外图像与所述GT图像之间的L1像素损失,据以训练预置MGnet网络,据以处理得到高分辨率无人机热红外图像。2.根据权利要求1所述的多线索引导的无人机热红外图像超分辨率重建方法,其特征在于,所述步骤S1包括:S11、使用预训练VGG
‑
19网络,从所述原始图像提取外观引导深层特征;S12、提取所述原始图像中的可见光图像的梯度图;S13、使用PSPNet在Cityscapes数据集上进行预训练,从所述可见光图像中提取实例分割引导线索;S14、利用浅层特征提取器,根据所述外观引导深层特征、所述可见光图像的梯度图以及所述实例分割引导线索,提取得到所述热红外图像特征。3.根据权利要求1所述的多线索引导的无人机热红外图像超分辨率重建方法,其特征在于,所述步骤S2包括:S21、利用不少于2个的引导分支,学习不同的所述热红外图像特征,以得到各线索的引导特征,其中,所述引导分支包括:语义线索引导分支、边缘线索引导分支以及外观引导分支;S22、利用视觉变换器,根据所述注意力机制,将所述线索嵌入于每个所述引导分支,引导层GL利用自注意力机制增强不同的线索特征,以得到增强线索特征;S23、利用交叉注意机制在热能表征中,嵌入所述增强线索特征,以在每个所述引导分支得到相应线索引导特征,其中,所述相应线索引导特征包括:语义线索引导特征、边缘线索引导特征。4.根据权利要求1所述的多线索引导的无人机热红外图像超分辨率重建方法,其特征在于,所述步骤S21中,利用下述逻辑计算不同线索的所述引导特征:Q=XWQ,K=XW K,V=XWV式中,W
Q
、W K
和W
V
是由不同窗口之间共享的投影矩阵,X表示输入特征。5.根据权利要求1所述的多线索引导的无人机热红外图像超分辨率重建方法,其特征在于,所述步骤S22中,利用下述逻辑求取注意力矩阵:Attention(Q,K,V)=softmax(QKT/pdk+B)V式中,B是可学习的相对位置编码矩阵,dk是查询K的维度,Attention(
‑
)表示多头自注意或多头交叉注意函数。
6.根据权利要求1所述的多线索引导的无人机热红外图像超分辨率重建方法,其特征在于,所述步骤S22中,所述引导层GL利用下述逻辑求取所述线索特征及输出特征:在于,所述步骤S22中,所述引导层GL利用下述逻辑求取所述线索特征及输出特征:在于,所述步骤S22中,所述引导层GL利用下述逻辑求取所述线索特征及输出特征:在于,所述步骤S22中,所述引导层GL利用下述逻辑求取所述线索特征及输出特征:式中,MSA和MCA表示多头自注意和多头交叉注意机制的功能,MLP和LN分别表示多层感知器和层归一化,x和z
l
‑1分...
【专利技术属性】
技术研发人员:赵志成,张钰,余瑞,方翔,张涌,肖云,李成龙,汤进,
申请(专利权)人:安徽大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。