【技术实现步骤摘要】
本专利技术涉及一种超分辨率视频构建方法，特别是一种使用偏振成像设备提取偏振信息熵作为特征，并利用生成对抗网络进行图像超分辨率重建的方法。
技术介绍
1、在当今的高科技社会中，图像处理和计算机视觉已经成为了许多领域的关键技术，包括但不限于医学影像、安全监控、自动驾驶、科学研究和机器人视觉。尽管当前的图像处理技术已经取得了显著的进步，但是在图像分辨率的提高上仍然存在很大的挑战。超分辨率视频构建的目标就是通过各种技术手段，从低分辨率的图像中恢复出高分辨率的图像。最近，基于深度学习的超分辨率技术已经取得了很大的成功，但是它们大多依赖于大量的训练数据和计算资源，这在某些场景下可能并不适用。另一方面，偏振成像设备作为一种能够提供目标物体独特信息的高级成像技术，现有的图像超分辨率重建方法往往无法充分利用图像中的偏振信息，这限制了超分辨率重建的准确性和效果。在图像重建中，偏振信息具有重要的价值，可以提供关于物体表面形状、纹理、反射特性等关键信息，然而，传统的图像超分辨率重建方法往往只关注亮度和色彩信息，忽视了偏振信息的作用，偏振成像设备可以为我们提供更多的图像信息，从而有可能提高图像的分辨率和清晰度，基于此我们提出了一种利用偏振设备构建超分辨率视频的方法。
技术实现思路
1、本专利技术的目的是提供一种超分辨率视频构建方法，通过将偏振信息引入到超分辨率视频构建中，并将其与生成对抗网络相结合，从而增强了超分辨率重建的能力和效果，可以更好地重建图像的细节和清晰度，提高超分辨率视频的质量。
2
3、一种超分辨率视频构建方法，包括以下步骤：
4、获取偏振图像：使用偏振成像设备获取目标物体的偏振图像；
5、提取特征：从偏振图像中提取偏振图像特征，计算像素偏振信息熵，根据偏振信息熵提取特征向量；
6、建立抗网络模型：生成对抗网络，对抗网络包括生成器和判别器两个子网络，并通过低分辨率图像和对应的高分辨率图像训练生成对抗网络模型；
7、生成超分辨率视频；利用对抗网络模型生成的超分辨率图像合成超分辨率视频。
8、进一步的，计算像素偏振信息熵的公式如下：
9、entropy(p)＝-σpi*log(pi)，其中，pi表示像素在不同偏振状态下的概率，计算方式可以是像素在每种偏振状态下的强度值占总强度值的比例，根据偏振信息熵能够得到每个像素位置的偏振状态分布，即特征向量。
10、比如，假设某个像素在水平、垂直和对角线偏振状态下的强度值分别为ih,iv,id，总强度值为it，则对应的概率分布为：p1＝ih/it p2＝iv/it p3＝id/it将这些概率值代入偏振信息熵的计算公式中，即可得到每个像素位置的偏振信息熵，在提取特征后，可以将偏振信息熵作为特征向量的一部分，用来描述目标物体的偏振状态分布情况，这样，可以在建立对抗网络模型时使用这些特征向量，以增强模型对不同偏振状态下图像的重建能力。
11、更进一步的，所述生成器为包含多个卷积层和上采样层的卷积神经网络结构，生成器通过输入低分辨率图像，试图生成与之对应的高分辨率图像。
12、更进一步的，所述生成器通过损失函数来衡量生成图像与真实图像之间的差异，公式为：
13、lgen＝||g(lr)-hr||，其中，g(lr)表示生成器生成的高分辨率图像，hr表示真实的高分辨率图像。
14、更进一步的，所述判别器为包含多个卷积层和全连接层的卷积神经网络结构，用于评估生成器生成的高分辨率图像的真实性。
15、更进一步的，所述判别器通过损失函数来衡量判别器评估生成图像的准
16、确性，公示如下：
17、ldis＝-log(d(hr))-log(1-d(g(lr)))，其中，d(hr)表示判别器对真实高分辨率图像的评估结果，d(g(lr))表示判别器对生成的高分辨率图像的评估结果。
18、更进一步的，通过最小化生成器损失函数和判别器损失函数训练生成对抗网络模型,可以使用梯度下降等优化算法进行模型训练。
19、更进一步的，所述生成对抗网络模型的训练方法包括以下步骤：
20、a.初始化生成器和判别器的参数；
21、b.在训练集中选择一组低分辨率图像和对应的高分辨率图像；
22、c.通过生成器将低分辨率图像输入生成高分辨率图像，并通过判别器评估生成图像的真实性；
23、d.计算生成器的损失函数lgen和判别器的损失函数ldis；
24、e.使用梯度下降法更新生成器和判别器的参数，使得lgen和ldis最小化；
25、f.重复步骤c至e，直到达到预定的训练轮数或损失函数的收敛阈值；
26、通过训练，生成对抗网络模型能够学习到从低分辨率图像到高分辨率图像的映射关系。
27、本专利技术至少具备以下有益效果：
28、本专利技术的优点在于充分利用了偏振信息进行图像重建，提高了超分辨率视频的细节和清晰度，利用生成的超分辨率图像合成超分辨率视频，此外，采用生成对抗网络模型进行训练，能够更好地捕捉并重建图像的细节特征，以实现超分辨率视频的构建。
本文档来自技高网...【技术保护点】
1.一种超分辨率视频构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种超分辨率视频构建方法，其特征在于，所述计算像素偏振信息熵的公式如下：
3.根据权利要求2所述的一种超分辨率视频构建方法，其特征在于，所述生成器为包含多个卷积层和上采样层的卷积神经网络结构，生成器通过输入低分辨率图像，试图生成与之对应的高分辨率图像。
4.根据权利要求3所述的一种超分辨率视频构建方法，其特征在于，所述生成器通过损失函数来衡量生成图像与真实图像之间的差异，公式为：
5.根据权利要求4所述的一种超分辨率视频构建方法，其特征在于，所述判别器为包含多个卷积层和全连接层的卷积神经网络结构，用于评估生成器生成的高分辨率图像的真实性。
6.根据权利要求4所述的一种超分辨率视频构建方法，其特征在于，所述判别器通过损失函数来衡量判别器评估生成图像的准确性，公示如下：
7.根据权利要求6所述的一种超分辨率视频构建方法，其特征在于，通过最小化生成器损失函数和判别器损失函数训练生成对抗网络模型。
8.根据权利要求7所述的一
...【技术特征摘要】
1.一种超分辨率视频构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种超分辨率视频构建方法，其特征在于，所述计算像素偏振信息熵的公式如下：
3.根据权利要求2所述的一种超分辨率视频构建方法，其特征在于，所述生成器为包含多个卷积层和上采样层的卷积神经网络结构，生成器通过输入低分辨率图像，试图生成与之对应的高分辨率图像。
4.根据权利要求3所述的一种超分辨率视频构建方法，其特征在于，所述生成器通过损失函数来衡量生成图像与真实图像之间的差异，公式为：
5.根据权利要求4所述的...
【专利技术属性】
技术研发人员：金苗，徐国明，曹昂，陈奇志，周扬，金睿，
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。