[发明专利]基于结构光和深度学习的单曝光超分辨率成像方法及装置

权利要求书

1.一种基于结构光和深度学习的单曝光超分辨率成像方法，其特征在于，包括以下步骤：

S1，对多个不同传统照明编码进行叠加生成复合结构光照明编码，其中，所述多个不同传统照明编码包括：正弦函数编码，和/或非线性荧光编码，和/或随机编码；通过对所述多个不同传统照明编码的空域叠加得到所述复合结构光照明编码，所述复合结构光照明编码的傅里叶空间频谱为所述多个不同传统照明编码频谱的叠加；

S2，采集待处理目标场景在所述复合结构光照明编码单次曝光下生成的低分辨率图像；

S3，将所述低分辨率图像输入预设成像模型进行处理，输出所述待处理目标场景对应的超分辨率图像。

2.根据权利要求1所述的方法，其特征在于，步骤S2之前，还包括：

采集训练场景在所述复合结构光照明编码单次曝光下生成的低分辨率图像训练样本；

将所述低分辨率图像训练样本在预设深度神经网络模型中进行训练；

若训练结果与所述训练场景的高分辨率图像样本之间的误差值小于预设阈值，则将训练的所述预设深度神经网络模型设置为所述预设成像模型；

若所述训练结果与所述训练场景的高分辨率图像样本之间的误差值大于等于预设阈值，则根据误差值来更新所述预设深度神经网络的参数并将所述低分辨率图像训练样本输入到更新后的预设深度神经网络模型再进行训练。

3.根据权利要求2所述的方法，其特征在于，

所述预设深度神经网络模型为卷积神经网络模型，将采集的所述低分辨率图像训练样本输入所述预设深度神经网络模型进行训练；

通过所述预设深度神经网络模型后的输出为输出高分辨率图像，将输出高分辨率图像与所述训练场景的高分辨率图像样本进行对比得到误差值；

若误差值小于预设阈值，则将训练的所述预设深度神经网络模型设置为所述预设成像模型；

若误差值大于等于预设阈值，则根据误差值来更新所述预设深度神经网络的参数并将所述低分辨率图像训练样本输入到所述更新后的预设深度神经网络模型再进行训练。

4.根据权利要求2所述的方法，其特征在于，

所述预设深度神经网络模型为生成对抗网络模型；

所述生成对抗网络模型包括生成模型和判别模型，所述生成模型将所述低分辨率图像训练样本作为输入，输出为输出高分辨率图像，所述生成模型将输出高分辨率图像与所述训练场景的高分辨率图像样本进行对比生成模型误差值；

所述判别模型将输出高分辨率图像与所述训练场景的高分辨率图像样本进行对比生成判别模型误差值；

将所述生成模型误差值和所述判别模型误差值加权相加生成训练模型误差值；

若所述训练模型误差值小于预设阈值，则将训练的所述预设深度神经网络模型设置为所述预设成像模型；

若所述训练模型误差值大于等于预设阈值，则根据所述训练模型误差值更新所述预设深度神经网络的参数并将所述低分辨率图像训练样本输入到所述更新后的预设深度神经网络模型再进行训练。

5.根据权利要求1所述的方法，其特征在于，

通过光学系统采集所述低分辨率图像和所述低分辨率图像训练样本。

6.一种基于结构光和深度学习的单曝光超分辨率成像装置，其特征在于，包括：

构造模块，用于对多个不同传统照明编码进行叠加生成复合结构光照明编码，其中，所述多个不同传统照明编码包括：正弦函数编码，和/或非线性荧光编码，和/或随机编码；通过对所述多个不同传统照明编码的空域叠加得到所述复合结构光照明编码，所述复合结构光照明编码的傅里叶空间频谱为所述多个不同传统照明编码频谱的叠加；

第一采集模块，用于采集待处理目标场景在所述复合结构光照明编码单次曝光下生成的低分辨率图像；

输出模块，用于将所述低分辨率图像输入预设成像模型进行处理，输出所述待处理目标场景对应的超分辨率图像。