一种高密度采样振动图像处理方法及存储介质技术

本发明专利技术涉及图像处理技术领域，公开了一种高密度采样振动图像处理方法及存储介质，方法包括以下步骤：获取待补全且含噪的图像并形成图像集，并将所述图像集分为训练集和测试集；对训练集中的待补全且含噪的图像进行图像预处理；构建图像重构对抗生成网络并对图像重构对抗生成网络进行初始化；定义损失函数，通过训练集中的样本对图像重构对抗生成网络进行训练；将测试集中的样本输入到训练好的图像重构对抗生成网络中，输出重构图像。本发明专利技术能够保留分布式光纤传感系统信号的高频信息，抑制随机噪声，提高信噪比；能够有效提升后续车辆行为分析和交通状态监测的效率与准确率。行为分析和交通状态监测的效率与准确率。行为分析和交通状态监测的效率与准确率。

【技术实现步骤摘要】
一种高密度采样振动图像处理方法及存储介质


[0001]本专利技术涉及图像处理
，具体涉及一种高密度采样振动图像处理方法及存储介质。

技术介绍

[0002]分布式光纤传感技术可以利用现有通信光纤实现20至50公里范围的长距离监测，为交通流量监测、交通态势估计、交通行为分析等提供有效数据支撑。然而分布式光纤传感系统所采集的地面振动信号受到车辆类型、大小、行驶状态以及路面、环境噪声的影响，所采集的信号存在缺失和含噪问题，导致实际的信噪比总是很低，影响后续车辆行为分析和交通状态监测的效率和准确性。
[0003]传统的基于小波变换、傅里叶变换等信号处理技术不能适应于高速公路强噪声干扰、实时性要求高的应用环境。目前，基于深度学习的新算法的发展，使得信号去噪与补全、特征提取的性能得到大幅提升。通常基于深度学习的图像重构方法是通过生成对抗网络(Generate Adversial Network，GAN)完成。但是基于原始GAN的图像补全方法具有较大的局限性，对于图像的局部结构、局部纹理细节及长距离纹理的重构存在模糊和伪影现象。因此对分布式光纤传本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高密度采样振动图像处理方法，包括以下步骤：S1、获取待补全且含噪的图像并形成图像集，并将所述图像集分为训练集和测试集；S2、对训练集中的待补全且含噪的图像进行图像预处理；S3、构建图像重构对抗生成网络并对图像重构对抗生成网络进行初始化；S4、定义损失函数，通过训练集中的样本对图像重构对抗生成网络进行训练；S5、将测试集中的样本输入到训练好的图像重构对抗生成网络中，输出重构图像。2.根据权利要求1所述的一种高密度采样振动图像处理方法，其特征在于：步骤S1中，获取待补全且含噪图像并形成图像集，并将所述图像集分为训练集和测试集时，具体包括：待补全且含噪的图像记为I
obs
，I
obs
∈R
n
×
m
，n和m分别为图像I
obs
的横向像素数量和纵向像素数量，R为实数域；获取待补全且含噪图像的方式包括：(1)获取原本包含缺失且含噪的区域的图像作为待补全且含噪图像；(2)将完整且不含噪的原始图像进行随机缺失处理，并为图像的每个像素点加上独立同分布的随机噪声得到待补全且含噪图像；获取待补全且含噪图像并形成图像集，并将所述图像集分为训练集和测试集；其中，训练集中的图像占图像集中所有图像的98％，测试集中的图像占图像集中所有图像的2％。3.根据权利要求1所述的一种高密度采样振动图像处理方法，其特征在于：步骤S2中，对训练集中的待补全且含噪的图像进行图像预处理时，具体包括：将训练集中的待补全且含噪的图像放缩对齐至设定尺寸，然后将图像进行Min
‑
Max归一化处理，将图像中的所有像素值由[0,255]整数型映射到[0,1]浮点型。4.根据权利要求1所述的一种高密度采样振动图像处理方法，其特征在于：步骤S3中，构建图像重构对抗生成网络并对图像重构对抗生成网络进行初始化时，具体包括：S31、构建图像重构对抗生成网络：图像重构对抗生成网络包括两个生成器，以及一个判别器D；生成器包括一个粗重构生成器和一个细重构生成器；粗重构生成器采用跳跃连接的编码解码器结构，包含八个下采样模块、八个上采样模块、三个注意力模块及一个特征拼接模块；细重构生成器包括两个下采样模块、四个残差块、两个上采样模块，然后以滑动窗口方式处理粗重构生成器的重构结果；粗重构生成器的下采样部分整体如下：图像I
obs
经过N2输出特征图F
l
，F
F
经过N1输出特征图Me0，Me0经过N1输出特征图Me1，Me1经过N1输出特征图Me2，Me2经过N1输出特征图Me3，Me3经过N1输出特征图Me4，Me4经过N1输出特征图Me5，Me5经过N1输出特征图Me6，Me6经过N1输出特征图Me7；粗重构生成器的上采样部分整体如下：Me7经过N3后与Me6按通道合并后输出特征图Md6，Md6经过N3后与Me5按通道合并后输出特征图Md5，Md5经过N3后与Me4按通道合并后输出特征图Md4，Md4经过N3后与Me3按通道合并后输出特征图Md3，Md3依次经过N2、M输出特征图Mf1，Mf1经过N3后与Me2按通道合并后输出特征图Md2，Md2依次经过N2、M输出特征图Mf2，Mf2经过N3后与Me1按通道合并后输出特征图Md1，Md1依次经过N2、M输出特征图Mf3，Mf3经过N3后与Me0按通道合并后输出特征图Md0，Md0经过N2输出特征图F
F
，F
h
和F
l
经过特征拼接
模块F，再经过N4输出图像N1为所述下采样模块，由步长为2的最大池化层组成，特征图经过N1后，特征图大小缩小为原来的一半；N2由卷积层、批归一化组成，特征图经过N2后，特征图大小不变；N3为所述上采样模块，由转置卷积组成，特征图经过N3后，特征图大小增大为原来的2倍；N4由卷积层、Softmax激活函数组成，特征图经过N4获得最后的特征图；M是自注意力模块；细重构生成器的整体如下：图像经过N5输出特征图Mg1，Mg1经过N5输出特征图Mg2，Mg2经过N6输出特征图Mg3，Mg3经过N6输出特征图Mg4，Mg4依次经过4个R模块输出特征图Mh，Mh经过N7输出Mg5，Mg5经过N7输出特征图Mg6，Mg6经过N8输出重构图像N5由卷积层、批归一化、ReLU激活函数组成；N6为所述下采样模块，由步长为2的最大池化层组成，特征图经过N6后，特征图大小缩小为原来的一半；N7为所述上采样模块，由转置卷积组成，特征图经过N7后，特征图大小增大为原来的2倍；N8由卷积层、Softmax激活函数组成，特征图经过N8获得最后的特征图；R为残差块Resblock；特征拼接模块将特征图F
l
和特征图F
h
进行拼接时，具体包括：将大小为C
×
H
×
W的特征图F
l
和大小为C
×<...

【专利技术属性】
技术研发人员：康宇，李传玲，吕文君，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：