[发明专利]一种通过改进GAN增强裂纹磁光图像的方法

权利要求书

1.一种通过改进GAN增强裂纹磁光图像的方法，其特征在于，包括以下步骤：

(1)、获取磁光图像；

通过MOI检测装置获取包含不同类型裂纹缺陷试件的多幅磁光图像，构成磁光图像序列S，其中，每幅磁光图像的大小为M×N，M、N分别为磁光图像的长和宽；

(2)磁光图像的预处理

对每幅磁光图像进行灰度和归一化处理，得到磁光图像序列S₁；然后再对磁光图像序列S₁中每一帧磁光图像进行二值化处理，得到二值化图像序列S₂，其中，二值化处理后，每一帧磁光图像中的缺陷区域的像素值为0，而非缺陷区域的像素值为1；

(3)、获取改进GAN模型的训练数据

(3.1)、在磁光图像序列S₁中任意选取一帧磁光图像s，再在磁光图像s中随机选取m×n个像素点，对应的坐标标记为(i₁₁，j₁₁),(i₁₂，j₁₂)...(i_1n,j_1n),...,(i_m1,j_m1),(i_m2,j_m2)...(i_mn,j_mn)，m＜M，n＜N；最后将这m×n个像素点按照原空间位置组成新磁光图像；

(3.2)、在磁光图像s对应二值化图像中，选出磁光图像s中选取的m×n个像素点，按照原空间位置组成新二值化图像；

(3.3)、重复步骤(3.1)、(3.2)共计K次，获得K组成对的磁光图像序列S₃和二值化图像序列S₄，并作为改进GAN模型的训练数据；

(4)、训练改进GAN模型

(4.1)、生成网络的预训练

(4.1.1)、从S₃中选取k帧磁光图像作为自动编码器网络的输入，记为X，其输出记为F(X)；

(4.1.2)、计算自动编码器网络的损失函数；

其中，||*||_F表示求F范数，P_data表示输入X的分布，表示求||X-F(X)||²的期望；

(4.1.3)、根据损失函数L梯度减小的方向更新迭代自动编码器网络；

(4.1.4)重复步骤(4.1.1)-(4.1.3)，迭代P次后，得到训练完成的自动编码器网络，然后作为改进GAN的生成网络G；

(4.2)、再次从S₃中选取k帧磁光图像并作为生成网络G的输入，记为I，其输出记为G(I)；

(4.3)、从S₄中选取步骤4.2中k帧磁光图像对应的k帧二值图像，记为Q,将Q及G(I)同时作为改进GAN模型中判别网络D的输入，其输出D(Q)、D(G(I))分别为判别网络判断输入Q及G(I)属于二值化图像序列S₄的概率；

(4.4)、根据概率值计算判别网络的损失函数值V(D)；

其中，P_t表示输入二值化图像Q的分布，P_c表示输入磁光图像的分布；

(4.5)、根据损失函数值V(D)梯度增大的方向更新判别网络，当更新完成后，将G(I)再次输入至更新后的判别网络，并根据输出结果D(G(I))判别G(I)属于二值化图像序列S₄的概率；

(4.6)、根据概率值计算生成网络的损失函数值V(G)；

其中，λ₁、λ₂是平衡参数，||*||_F表示求F范数；

(4.7)、根据损失函数值V(G)梯度减小的方向更新生成网络G；

(4.8)、重复步骤(4.1)-(4.7)，直到改进GAN模型收敛，从而得到训练完成的改进GAN模型；

(5)、利用改进的GAN进行图像增强

(5.1)、按照步骤(1)所述方法采集待测试件的磁光图像T，其大小为H×W，其中，H、W分别为磁光图像T的长和宽；

(5.2)、将磁光图像T转换成灰度图，再均分为个图像块，若不能整除，则在灰度图的边缘补0，每个图像块大小为m×n；

(5.3)、从左至右按行依次将每个图像块送入至改进GAN模型，经生成网络输出每个图像块增强处理后的图像，再按照原顺序将所有的图像块拼接重建，获得缺陷增强后的裂纹磁光图像。