[发明专利]基于深度学习的粮库监控图像去噪方法、装置及介质

权利要求书

1.基于深度学习的粮库监控图像去噪方法，其特征在于，包括以下步骤：

获取粮库的初始监控图像；

使用小波变换对初始监控图像进行分解，得到四个子图，所述的四个子图分别为初始LL子图、初始LH子图、初始HL子图、初始HH子图；

利用训练好的生成对抗网络模型，分别对初始LH子图、初始HL子图、初始HH子图进行去噪处理，得到符合预设条件的去噪LH子图、去噪HL子图、去噪HH子图；所述的生成对抗网络模型包括用于根据输入的子图生成去噪子图的生成器和判断去噪子图是否为符合预设条件的纯净图片的判别器；

利用符合预设条件的去噪LH子图、去噪HL子图、去噪HH子图和小波变换得到的初始LL子图进行重构，得到去噪监控图像。

2.根据权利要求1所述的基于深度学习的粮库监控图像去噪方法，其特征在于，

所述的生成器包括多尺度特征提取模块、特征融合模块、残差模块和输出模块；所述的多尺度特征提取模块用于提取输入的子图的多种图像特征；所述的特征融合模块用于将提取的子图的多个图像特征融合得到融合子图；所述的残差模块用于获取融合子图的噪声残差图像；所述的输出模块用于根据融合子图的噪声残差图像和输入的子图得到去噪子图。

3.根据权利要求2所述的基于深度学习的粮库监控图像去噪方法，其特征在于，所述的多尺度特征提取模块通过四种不同的卷积核提取输入的子图的四种图像特征。

4.根据权利要求2所述的基于深度学习的粮库监控图像去噪方法，其特征在于，所述的残差模块包括三个扩充卷积层。

5.根据权利要求4所述的基于深度学习的粮库监控图像去噪方法，其特征在于，所述的扩充卷积层中扩充卷积的扩充因子为尺寸大小为Q*Q的稀疏过滤器，Q＝2r+1,r代表扩充卷积层深度。

6.根据权利要求5所述的基于深度学习的粮库监控图像去噪方法，其特征在于：所述的扩充卷积层的激活函数为PReLU；

所述的激活函数PReLU的公式如下：

其中，x表征激活函数的输入，f(x)表征激活函数的输出，a是激活函数的参数。

7.根据权利要求1所述的基于深度学习的粮库监控图像去噪方法，其特征在于，在获取粮库的初始监控图像之前，还包括以下步骤：

获取用于训练生成对抗网络模型中生成器的样本数据集；所述的样本数据集中包括多张粮库图片；

对所述的样本数据集中的粮库图片进行数据增强处理并第一次更新样本数据集；第一次更新后的样本数据集中的数据量是更新前的样本数据集中数据量的多倍。

8.根据权利要求7所述的基于深度学习的粮库监控图像去噪方法，其特征在于，对所述的样本数据集中的粮库图片进行数据增强处理并第一次更新样本数据集后，还包括以下步骤：

对第一次更新后的样本数据集中的粮库图片进行加噪处理，以第二次更新样本数据集。

9.基于深度学习的粮库监控图像去噪装置，其特征在于，包括：

获取模块，用于获取粮库的初始监控图像；

分解模块，用于使用小波变换对初始监控图像进行分解，得到四个子图，所述的四个子图分别为初始LL子图、初始LH子图、初始HL子图、初始HH子图；

去噪模块，用于利用训练好的生成对抗网络模型，分别对初始LH子图、初始HL子图、初始HH子图进行去噪处理，得到符合预设条件的去噪LH子图、去噪HL子图、去噪HH子图；所述的生成对抗网络模型包括用于根据输入的子图生成去噪子图的生成器和判断去噪子图是否为符合预设条件的纯净图片的判别器；

重构模块，用于利用符合预设条件的去噪LH子图、去噪HL子图、去噪HH子图和小波变换得到的初始LL子图进行重构，得到去噪监控图像。

10.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如权利要求1至8任意一项所述的基于深度学习的粮库监控图像去噪方法的步骤。