【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及一种基于大卷积对比学习的畸变还原方法。
技术介绍
1、现有的图像畸变恢复技术主要只能针对一些简单的畸变变形，如鱼眼畸变的情况，对于一些不同情况的畸变：如重度畸变，拉伸畸变，一些由于自然环境的影响下导致的局部不同程度和方式的畸变变形，传统的基于畸变系数的公式求解法无法很好的解决畸变问题，有的极端情况下，效果可能不尽人意。
2、传统的通过畸变系数去还原图像的方法严重依赖摄像机硬件情况，可适用的场景也比较单一，并且不同的光线情况、参数配置和物理配件以及拍摄姿态的不同都会导致系数的标准值不唯一，结果也不完美，有部分肉眼可见的畸变并没有被恢复正常；并且由于传统方法的计算步骤更加繁琐，需要使用到泰勒展开的函数近似处理方法和多次的坐标变换，所以计算过程中或硬件生成使用过程中产生的一小点错误也会更容易累积放大，从而导致畸变还原结果的稳定性和准确性都达不到令人满意的效果。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足，提供一种基于大卷积对比学习的畸变还原方法，提升在自然的业务场景中畸变图像还原的效果。
2、本专利技术的目的是通过以下技术方案来实现的：
3、一种基于大卷积对比学习的畸变还原方法，包括步骤：
4、s1：获取初始图像数据，进行图像数据扩充，再对所有图像数据设置成统一的规格大小m*m；
5、s2：构建大卷积对比学习模型，该模型包括大卷积对比学习模块、位置编码模块；
6、s3：将
7、s4：将待测的畸变图像输入到训练后的大卷积对比学习模型中，通过映射层重新计算图像畸变位置的像素值实现畸变还原。
8、进一步地，所述的初始图像数据为正常图像、轻微畸变和严重畸变的车厢图像数据，所述车厢图像数据采集自四个不同的平均分布的时间段。
9、进一步地，所述的大卷积对比学习模块由多个数量可调的卷积层构成，所述卷积层的卷积核大小为（m-1）*（m-1），且多个数量可调的卷积层共用卷积参数。
10、进一步地，所述的位置编码模块首先将整个输入的图片区域展开，形成一个一维向量，索引i从0开始，再对所述一维向量进行位置编码得到图像位置编码poso，采用的位置编码公式如下：
11、
12、其中，pos表示对象在输入序列中的位置，0<= pos<=l-1， pe(pos,2i)表示偶数个像素点位置编码， pe(pos,2i+1)表示奇数个像素点位置编码； d model表示输出嵌入空间的维度；i用于映射到列索引，0<= i<d/2，单个值i映射到正弦和余弦函数。
13、进一步地，所述的大卷积对比学习模型还包括合并计算模块，通过将每一个畸变图片的原始像素值oi(x,y)、位置编码poso和卷积结果相加得到合并输出图片像素值ni(x,y)，表示为：
14、
15、其中，*代表卷积运算，k为卷积层；
16、合并计算模块采用elu激活函数输出合并结果。
17、进一步地，所述的大卷积对比学习模型还包括5层公共梯度的全连接层和单节点输出层，所述全连接层的每层分别连接2000个神经元，所述单节点输出层采用sigmoid非线性激活函数。
18、进一步地，大卷积对比学习模型的损失函数采用均方误差 j mse衡量预测值和真实值之间的平方差的平均值，均方误差 j mse的计算公式如下：
19、
20、其中，n是图片中像素样本的总数， i从1开始取值一直取到n， bi i是正常图片第 i个样本的像素值， ni i是合并输出图片第 i个样本的像素值。
21、进一步地，所述的进行图像数据扩充的具体过程为对图像进行强化处理，包括亮度、对比度和饱和度调整。
22、进一步地，所述的对所有图像数据设置成统一的规格大小m*m的步骤为将收集到的初始正常图片转换为灰度图；再按同比例缩放到m*m，不够m的区域用0值填充，缩放方法采用插值填充或者仿射变换。
23、进一步地，所述映射层具体是将sigmoid非线性激活函数输出的0到1的训练值或测试值乘以映射值255的结果四舍五入取整后，映射到真实的像素值区间0到255上。
24、本专利技术的有益效果是：
25、1）摆脱了硬件层次的限制和省去了比较繁琐的变换步骤，而只关注图像本身的畸变如何恢复的问题。
26、2）基于神经网络的思想，多个卷积和全连接层结合，参照自身像素值和周围信息，进行畸变和正常图像的对比学习。
27、3）采用了线性和非线性权重相结合的方式作为结果表达，强化了模型的表达能力，像素值映射恢复的能力也大大增强。
28、4）采用了大卷积对比学习的方法，通过共用大卷积进行训练，对结果进行拼接，兼顾了效果和性能。
29、5）结合transformer的位置编码信息，使模型获得了像素当前位置的信息，有了更充分信息，模型收敛速度和效果大大提升。
本文档来自技高网...【技术保护点】
1.一种基于大卷积对比学习的畸变还原方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种基于大卷积对比学习的畸变还原方法，其特征在于：所述的初始图像数据为正常图像、轻微畸变和严重畸变的车厢图像数据，所述车厢图像数据采集自四个不同的平均分布的时间段。
3.根据权利要求1所述的一种基于大卷积对比学习的畸变还原方法，其特征在于：所述的大卷积对比学习模块由多个数量可调的卷积层构成，所述卷积层的卷积核大小为（m-1）*（m-1），且多个数量可调的卷积层共用卷积参数。
4.根据权利要求1所述的一种基于大卷积对比学习的畸变还原方法，其特征在于：所述的位置编码模块首先将整个输入的图片区域展开，形成一个一维向量，索引i从0开始，再对所述一维向量进行位置编码得到图像位置编码PosO，采用的位置编码公式如下：
5.根据权利要求1所述的一种基于大卷积对比学习的畸变还原方法，其特征在于：所述的大卷积对比学习模型还包括合并计算模块，通过将每一个畸变图片的原始像素值OI(x,y)、位置编码PosO和卷积结果相加得到合并输出图片像素值NI(x,y)，表示为：
6.根据权利要求1所述的一种基于大卷积对比学习的畸变还原方法，其特征在于：所述的大卷积对比学习模型还包括5层公共梯度的全连接层和单节点输出层，所述全连接层的每层分别连接2000个神经元，所述单节点输出层采用Sigmoid非线性激活函数。
7.根据权利要求5所述的一种基于大卷积对比学习的畸变还原方法，其特征在于：所述的大卷积对比学习模型的损失函数采用均方误差JMSE衡量预测值和真实值之间的平方差的平均值，均方误差JMSE的计算公式如下：
8.根据权利要求1所述的一种基于大卷积对比学习的畸变还原方法，其特征在于：所述的进行图像数据扩充的具体过程为对图像进行强化处理，包括亮度、对比度和饱和度调整。
9.根据权利要求1所述的一种基于大卷积对比学习的畸变还原方法，其特征在于：所述的对所有图像数据设置成统一的规格大小m*m的步骤为将收集到的初始正常图片转换为灰度图；再按同比例缩放到m*m，不够m的区域用0值填充，缩放方法采用插值填充或者仿射变换。
10.根据权利要求5所述的一种基于大卷积对比学习的畸变还原方法，其特征在于：所述映射层具体是将Sigmoid非线性激活函数输出的0到1的训练值或测试值乘以映射值255的结果四舍五入取整后，映射到真实的像素值区间0到255上。
...【技术特征摘要】
1.一种基于大卷积对比学习的畸变还原方法，其特征在于，包括步骤：
2.根据权利要求1所述的一种基于大卷积对比学习的畸变还原方法，其特征在于：所述的初始图像数据为正常图像、轻微畸变和严重畸变的车厢图像数据，所述车厢图像数据采集自四个不同的平均分布的时间段。
3.根据权利要求1所述的一种基于大卷积对比学习的畸变还原方法，其特征在于：所述的大卷积对比学习模块由多个数量可调的卷积层构成，所述卷积层的卷积核大小为（m-1）*（m-1），且多个数量可调的卷积层共用卷积参数。
4.根据权利要求1所述的一种基于大卷积对比学习的畸变还原方法，其特征在于：所述的位置编码模块首先将整个输入的图片区域展开，形成一个一维向量，索引i从0开始，再对所述一维向量进行位置编码得到图像位置编码poso，采用的位置编码公式如下：
5.根据权利要求1所述的一种基于大卷积对比学习的畸变还原方法，其特征在于：所述的大卷积对比学习模型还包括合并计算模块，通过将每一个畸变图片的原始像素值oi(x,y)、位置编码poso和卷积结果相加得到合并输出图片像素值ni(x,y)，表示为：
6.根据权利要求1所述的一种基于大卷积对比学习的畸变还原...
【专利技术属性】
技术研发人员：谯曦月，王双，李映，陈伟，胡佳良，吴梦迪，
申请(专利权)人：成都货安计量技术中心有限公司，
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。