[发明专利]光纤环绕制过程图像处理方法、系统及计算机存储介质

权利要求书

1.一种光纤环绕制过程图像处理方法，其特征在于，包括：

步骤S1、通过深度学习框架训练低分辨率图像与高分辨率图像的映射模型，该模型为基于生成式对抗网络的超分辨模型，由生成器和判别器两个子网络组成；所述生成器和判别器均采用基本单元是残差单元的残差网络，并设有使得邻近层或间隔层建立恒等映射的跳跃连接结构；

步骤S2、将该模型导入光纤环绕制的成像系统中，提升监测图像的清晰度。

2.根据权利要求1所述的方法，其特征在于，所述生成器采用密集残差网络，所述密集残差网络通过密集连接层、局部特征融合和局部残差学习形成连续记忆机制以将前一层RDB的状态传递给当前RDB；具体包括：

假设F_d―1和F_d分别为第d层RDB的输入和输出，都有G₀特征图；第d层RDB中的第c层卷积层的输出可以表示为：

F_d,c＝σ(W_d,c[F_d-1,F_d,1,...,F_d,c-1])

σ表示ReLU激活函数，W_d,c是第c层卷积层的权重，F_d,c由G特征图组成，[F_d-1,F_d,1,...,F_d,c-1]表示由(d-1)层RDB产生的特征图的连接，1,…,(c―1)表示卷积层，最终有G₀+(c―1)×G特征图；

第(d-1)个RDB的特征图以级联方式直接引入第d个RDB，通过1*1卷积层实现对输出特征尺寸的自适应控制，对应的局部特征融合可以表示为：

其中，表示第d层RDB的1*1卷积层函数；

所述RDB网络删除了BN层和能丢弃特定像素级信息的池化层，转换层被放置在DenseNet中两个相邻的密集块中，通过使用局部残差学习将密集的连接层与局部特征融合结合在一起，以使得第d-1层的输出RDB与第d个RDB中的每一层都有直接连接；以及

采用全局特征融合来利用DenseNet中忽略的分层特征。

3.根据权利要求2所述的方法，其特征在于，还包括：输入的LR图像经过上述网络结构后，再对输出的特征图进行上采样；

其中，所述上采样通过亚像素卷积实现，假设低分辨率图像为I^LR、高分辨率图像为I^HR，对应的张量表示分别为H×W×C和rH×rW×C，r是上采样比率；实现过程为：

先对输入的LR图像采用l层的卷积层，再用亚像素卷积层将图像上采样至HR图像，相应的表示为：

f^l(I^LR；W_1:l,b_1:l)＝φ(W_l*(I^LR)+b_l)

W和b分别代表网络中的权重和偏置，亚像素卷积是一个步距为1/r的卷积层，卷积核W_s尺寸为k_s，构建的超分辨率图像通过下式实现：

I^SR＝f^L(I^LR)＝PS(W_L*f^L-1(I^LR)+b_L)

其中，SR代表超分辨率，PS为周期性的改组运算符，上下标L代表总卷积层数。