一种基于非均匀采样与尺度自适应监督的图像处理方法技术

本发明专利技术公开一种基于非均匀采样与尺度自适应监督的图像处理方法，属于图像处理技术领域，用于图像处理，包括将超分辨率图像依次输入至自适应实例级网格生成器、扭曲采样网络和第一采样器，第一采样器得到非均匀图像；反扭曲采样网络对每个分块集合通过双线性映射的逆变换实现多尺度特征反扭曲，反扭曲采样网络的输出结果送至第二采样器，将非均匀图像输入骨干层获得非均匀特征图并送至第二采样器，第二采样器获得恢复的特征图并输入至模型中，获得图像处理结果。本发明专利技术有效保留细节特征，在油田数据集上，小目标处理精度明显提升，同时不影响大中目标的处理性能，动态令牌过滤策略减少计算冗余，兼顾效率与精度。

【技术实现步骤摘要】

本专利技术公开一种基于非均匀采样与尺度自适应监督的图像处理方法，属于图像处理。

技术介绍

1、在计算机视觉领域，小目标处理一直是极具挑战性的研究方向，特别是在油田等工业场景的实际应用中，这一问题显得尤为突出。传统的目标处理算法在通用场景下已经取得了显著的进展，但在处理小目标处理任务时仍然面临诸多技术瓶颈，油田作业现场通常具有环境复杂、监控距离远、光照条件多变等特点，这使得目标在图像中的像素占比普遍偏低，导致目标特征模糊、纹理信息缺失。与此同时，复杂的工业背景会产生大量干扰信息，进一步增加了小目标与背景的区分难度。现有的处理方法大多采用均匀下采样策略来处理输入图像，这种处理方式虽然能够降低计算复杂度，但不可避免地会造成小目标关键细节的丢失，且缺乏对多尺度目标的自适应处理能力。

2、近年来，基于深度学习的目标处理算法取得了长足进步，两阶段处理器如fasterr-cnn通过区域提议网络生成候选框，单阶段处理器如yolo系列直接预测目标位置，transformer架构的处理器如detr利用自注意力机制建模全局关系。然而，这些方法在处理小目标时都存在明显本文档来自技高网...

【技术保护点】

1.一种基于非均匀采样与尺度自适应监督的图像处理方法，其特征在于，包括：

2.根据权利要求1所述的一种基于非均匀采样与尺度自适应监督的图像处理方法，其特征在于，CAMixerSR包括内容感知混合器和残差连接模块，内容感知混合器根据图像区域复杂度，对图像区域中的细节简单区域采用卷积操作，对图像区域中的细节丰富区域采用自注意力机制处理，残差连接模块融合多尺度特征，输出超分辨率图像。

3.根据权利要求2所述的一种基于非均匀采样与尺度自适应监督的图像处理方法，其特征在于，所述自适应实例级网格生成器通过高斯核函数建模超分辨率图像的目标边界框分布，自适应计算显著性系数，动态生...

【技术特征摘要】

1.一种基于非均匀采样与尺度自适应监督的图像处理方法，其特征在于，包括：

2.根据权利要求1所述的一种基于非均匀采样与尺度自适应监督的图像处理方法，其特征在于，camixersr包括内容感知混合器和残差连接模块，内容感知混合器根据图像区域复杂度，对图像区域中的细节简单区域采用卷积操作，对图像区域中的细节丰富区域采用自注意力机制处理，残差连接模块融合多尺度特征，输出超分辨率图像。

3.根据权利要求2所述的一种基于非均匀采样与尺度自适应监督的图像处理方法，其特征在于，所述自适应实例级网格生成器通过高斯核函数建模超分辨率图像的目标边界框分布，自适应计算显著性系数，动态生成显著性权重图；

4.根据权利要求3所述的一种基于非均匀采样与尺度自适应监督的图像处理方法，其特征在于，s3包括，沿超分辨率图像x轴和y轴分别构建可分离的一维采样网格，通过显著性权重图调整网格密度，对高显著性区域过采样，对低显著性区域欠采样，通过双线性插值进行非整数坐标的像素值计算。

5.根据权利要求4所述的一种基于非均匀采样与尺度自适应监督的图像处理方法，其特征在于，基于transformer的sas detr模型包括，将恢复的特征图输入至骨干层获得多层次特征，将多层次特征依次输入至自上而下分数调整层top-down score modulations、编码器encoder、查询改进...

【专利技术属性】
技术研发人员：张千，苑慧君，仪世萌，邵明文，刘建航，梁鸿，钟敏，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：