【技术实现步骤摘要】
本专利技术涉及影像处理技术，更具体地，本专利技术涉及一种无人机海上舰船目标影像压缩模糊重建方法，适用于无人机等探测设备的影像处理问题。
技术介绍
1、无人驾驶飞机在民用和军事应用中都有承担着重要的任务，为有效支撑海上舰船目标发现识别任务，要求无人机尽可能远地获取舰船目标高清影像，然而由于通信带宽的限制，地面站仅能获取压缩后模糊影像，无法获取高清无损影像，严重影响地面站影像分析判读工作，海上目标检测识别作为无人机重要应用方向，实现无人机海上舰船目标影像压缩模糊重建需求迫切。
2、目前超分辨率算法模型是对模糊的低分辨率影像重建为清晰的高分辨率影像进行了一定的研究。由于真实世界中很少存在成对的高低分辨率影像，现有方法主要通过对高分辨率影像进行退化以生成低分辨率影像，合并原始影像和退化影像形成数据集进行训练。数据集中低分辨率影像是对高清影像进行退化获取，具体采用模糊、下采样、噪声和jpeg压缩等方法，但真实低分辨率影像退化更加复杂和多样，简单的退化组合难以模拟真实数据，造成训练的模型泛化性不佳。无人机对海探测飞行过程中即可获取实时回传的低分辨率压缩影像，无人机落地后也可卸载获取高分辨无损影像，这与现有超分辨率算法模型所采用的的数据集合成方法大不相同。
3、无人机由于远距离拍摄，海上影像包含信息量大，为了更好地聚焦舰船目标识别，考虑对重要舰船目标影像切片进行重建，综上，结合无人机海上探测现实任务需求，针对无人机信息影像处理特点，开展无人机海上舰船目标影像压缩模糊重建方法研究。
技术实现思
1、本专利技术目的是提出一种无人机海上舰船目标影像压缩模糊重建方法，为无人机实时获取高分辨率影像提供一种有效的解决方案。将无人机实时获取的影像进行检测，获取含重点舰船目标的影像，对重点目标的影像进行超分辨率重建，从而使地面接收端能够实时获取高分辨率目标影像。本专利技术方法旨在解决无人机无法实时获取高分辨舰船目标细节的问题。
2、本专利技术所述的一种无人机海上舰船目标影像压缩模糊重建方法，其特殊之处在于，包括以下步骤：
3、步骤1：无人机执行飞行任务，会实时对地物目标进行拍摄。收集无人机实时回传的低分辨压缩影像和飞行结束卸载的高分辨无损影像，对无人机视频影像数据使用ssd模型进行地物目标检测，检测含地物目标的影像，形成无人机影像含地物目标的初始影像库；
4、步骤2：对无人机影像库进行预处理，对检测的初始数据集进行截取含地物目标的图片，对截取的影像进行人工配对，形成无人机地物目标影像数据集；
5、步骤3：基于特征优化模型，用于提取舰船的属性特征，利用舰船目标检测模型对初训练集进行训练，选取带有舰船目标的重点影像，形成重点训练集；
6、步骤4：利用深度学习的影像超分辨率增强方法，通过real-esrgan模型通过生成模型输入实时回传的低分辨压缩影像生成高质量的影像，鉴别模型判断影像是由生成模型生成的高分辨率影像还是原始无人机卸载的高分辨无损影像；
7、步骤5：对无人机影像超分辨率重建模型进行调试，输入实时飞行的无人机实时回传影像输入到网络中得到重建的高分辨率影像。将无人机海上舰船目标影像压缩模糊重建方法部署于无人机回传地面处理设备，使地面接收端可以实时获取高分辨率舰船影像，以便对舰船细节信息进行识别。
8、所述步骤1中利用无人机设备捕获实时视频影像数据、飞行任务结束后卸载的原始高清影像数据、以及无人机历史数据进行收集，确保数据集的广泛覆盖，采集的影像需要涵盖多个海空重点目标，利用ssd网络检测含地物目标的影像，形成初始目标影像数据集。
9、所述步骤2对无人机初始影像数据集进行预处理，初始影像库进行实时检测逐帧图片，对于已经框选的包含地物目标的影像进行保存，形成含地物目标的数据集，低分辨压缩影像和高分辨无损影像进行配对，按同一时间、任务、目标进行配对，从而得到同一时刻对应的低分辨压缩影像和高分辨无损影像数据对。
10、所述步骤3，通过上采样和卷积操作将高层的语义信息融合到低层的特征中，提升低层特征的语义表达能力。通过下采样和卷积操作，使得高层特征能直接受益于低层的特征信息。特征图的通道维度和空间维度上引入注意力机制，从而提取检测含有舰船目标的影像。对于含有舰船的目标影像形成舰船目标重点数据集；
11、所述步骤4训练real-esrgan网络模型，可以提升生成影像的质量，具体包括以下子步骤：
12、步骤4.1，将实时回传的无人机压缩影像输入生成网络中，残差网络先通过卷积层来提取特征。经过卷积层的处理，得到的特征图就可以作为输入传递给后续的网络层进行处理和生成。该网络采用卷积层、16个顺序连接的残差密集块、上采样以及卷积输出层，经过算法处理输出实时获取的高分辨率影像；
13、步骤4.2，采用u-net判别器进行鉴别生成高清影像或高清原影像，该模型能够对单个生成的像素进行真伪判断，并且注重生成影像的细节；
14、步骤4.3，采用了l1 loss、perceptual loss和gan loss这三种损失函数。通过联合使用这三种损失函数，real-esrgan可以在保留更多结构和纹理细节的同时，生成更加逼真的影像。最终的训练目标是使得通过real-esrgan生成的影像在视觉上更加接近于真实影像。
15、所述步骤5利用实时飞行的无人机回传的低分辨压缩影像进行重建。将无人机影像压缩模糊重建部署于地面段，以便界面接收站实时获取高清无人机影像，对舰船目标细节进行识别进而指定任务规划。
16、本专利技术提出的一种无人机海上舰船目标影像压缩模糊重建方法。主要分五个阶段，无人机数据采集与目标检测阶段，数据集预处理阶段，基于舰船目标检测影像数据集提取阶段，基于real esrgan超分辨率重建阶段和部署应用阶段。具体包括以下技术措施：收集无人机飞行过程中实时回传的低分辨压缩影像和飞行结束卸载的高分辨无损影像，采用ssd检测模型，检测出含地物目标的影像。将各帧影像进行筛选，选取含地物目标的影像，形成目标数据集。利用特征优化模型对无人机目标影像数据集进行检测，选取含船舶目标的重点影像切片，形成针对船舶目标的重点无人机舰船切片数据集。利用目标数据集和舰船目标重点数据集训练real esrgan网络模型进行重建，得到重建高分辨无损影像。将重建模型部署于无人机地面站对实时接收到的低分辨压缩影像进行重建，为目标分析判读提供支撑。本专利技术适用于无人机拍摄信息量大回传数据模糊，算法利用真实的压缩模糊数据进行训练，避免了利用高清数据退化训练的模型泛化性不佳的问题。所生成的结果可保证无人机拍摄的同时，无人机地面站及时的对影像进行重建，以快速对目标细节进行识别侦察。
本文档来自技高网...【技术保护点】
1.一种无人机海上舰船目标影像压缩模糊重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种无人机海上舰船目标影像压缩模糊重建方法，其特征在于：所述步骤1中利用无人机设备捕获实时视频影像数据、飞行任务结束后卸载的原始高清影像数据、以及无人机历史数据进行收集，确保数据集的广泛覆盖，采集的影像需要涵盖多个海空重点目标，利用SSD网络检测含地物目标的影像，形成初始目标影像数据集。
3.根据权利要求1所述的一种无人机海上舰船目标影像压缩模糊重建方法，其特征在于：所述步骤2对无人机初始影像数据集进行预处理，初始影像库进行实时检测逐帧图片，对于已经框选的包含地物目标的影像进行保存，形成含地物目标的数据集，低分辨压缩影像和高分辨无损影像进行配对，按同一时间、任务、目标进行配对，从而得到同一时刻对应的低分辨压缩影像和高分辨无损影像数据对。
4.根据权利要求1所述的一种无人机海上舰船目标影像压缩模糊重建方法，其特征在于，所述步骤3，通过上采样和卷积操作将高层的语义信息融合到低层的特征中，提升低层特征的语义表达能力，通过下采样和卷积操作，使得高层特征能
5.根据权利要求1所述的一种无人机海上舰船目标影像压缩模糊重建方法，其特征在于：所述步骤4训练Real-ESRGAN网络模型，可以提升生成影像的质量，具体包括以下子步骤：
6.根据权利要求1所述的一种无人机海上舰船目标影像压缩模糊重建方法，其特征在于：所述步骤5利用实时飞行的无人机回传的低分辨压缩影像进行重建，将无人机影像压缩模糊重建部署于地面段，以便界面接收站实时获取高清无人机影像，对舰船目标细节进行识别进而指定任务规划。
...【技术特征摘要】
1.一种无人机海上舰船目标影像压缩模糊重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种无人机海上舰船目标影像压缩模糊重建方法，其特征在于：所述步骤1中利用无人机设备捕获实时视频影像数据、飞行任务结束后卸载的原始高清影像数据、以及无人机历史数据进行收集，确保数据集的广泛覆盖，采集的影像需要涵盖多个海空重点目标，利用ssd网络检测含地物目标的影像，形成初始目标影像数据集。
3.根据权利要求1所述的一种无人机海上舰船目标影像压缩模糊重建方法，其特征在于：所述步骤2对无人机初始影像数据集进行预处理，初始影像库进行实时检测逐帧图片，对于已经框选的包含地物目标的影像进行保存，形成含地物目标的数据集，低分辨压缩影像和高分辨无损影像进行配对，按同一时间、任务、目标进行配对，从而得到同一时刻对应的低分辨压缩影像和高分辨无损影像数据对。
4.根据权利要求...
【专利技术属性】
技术研发人员：崔亚奇，孙炜玮，姚力波，夏沭涛，石敏，刘明辉，张振杰，还迎春，曾玉鑫，于洪波，
申请(专利权)人：中国人民解放军海军航空大学，
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。