[发明专利]基于深度卷积神经网络的火炬烟雾图像的超分辨率方法

权利要求书

1.一种火炬烟雾图像的超分辨率方法，其特征在于，利用深度卷积神经网络，基于端到端的学习来得到火炬烟雾图像低分辨率到高分辨率的映射关系，提高火炬烟雾图像的分辨率。

2.根据权利要求1所述的一种火炬烟雾图像的超分辨率方法，其特征在于，包括以下步骤：

步骤1：获得的火炬烟雾图像作为训练样本，对训练样本进行预处理；

步骤2：搭建卷积神经网络模型；

步骤3：设定网络的训练参数、损失函数和优化器；

步骤4：利用训练样本对模型进行训练，通过设定性能评估函数，保留最优模型作为最后实际应用的模型。

3.根据权利要求2所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤2中，使用基于Tensorflow的Keras深度学习库搭建卷积神经网络模型。

4.根据权利要求2所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤1具体包括：

步骤1.1：将烟雾图像通过裁剪得到内容全为烟雾的图像；

步骤1.2：将裁剪后的图像转换为YCbCr色域，并只提取出Y通道得到训练所需的单通道图像；

步骤1.3：设定超分辨上采样的倍数S，先通过Bicubic算法将图像下采样为原来的1/S，再通过Bicubic算法上采样S倍得到，最终得到模型的输入I，原图为模型输出的参照图，设定为O；通过设定不同的S可以训练出不同的放大尺寸的模型；

步骤1.4：对图像进行归一化处理。

5.根据权利要求4所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤1.1中，裁剪得到的图像的尺寸为96mm*96mm。

6.根据权利要求4所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤1.3中，将S设定为2、3、4和8，分别得到超分辨率放大尺寸为2、3、4和8的模型。

7.根据权利要求4所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤1.4中，采用的归一化处理的公式为：

其中，x_n为归一化后像素值，x_r为当前像素值，x_min为图像像素最小值，x_max为图像像素最大值。

8.根据权利要求2所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤3中训练参数为：

训练集为1600张预处理后的烟雾图像，验证集为其它1600张预处理后的烟雾图像，测试集为100张预处理后的烟雾图像，训练集以每批次32幅图进行权值更新，验证集的批次为100幅图进行模型性能评定，总样本循环300次结束。

9.根据权利要求2所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤3中损失函数为：

损失函数使用keras内置的均方误差函数MSE，公式为：

其中m,n分别为图像的长和宽的像素个数，P(i,j)为模型预测的超分辨图中索引位置为(i,j)的像素值，O(i,j)为原始高清图中索引位置为(i,j)的像素值。

10.根据权利要求2所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤3中优化器为：

使用Adam优化器，实现方式为keras内置实现的Adam函数，学习率设定为0.0003。

11.根据权利要求9所述的一种火炬烟雾图像的超分辨率方法，其特征在于，步骤4具体包括：

性能评估函数：采用的模型性能评估函数为峰值信噪比PSNR，公式为：

其中，MAX为图像中像素的最大值，PSNR的值越大，模型输出的图像质量越好，模型也就越优。