[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

说明书

本发明提供了基于深度学习的粮库监控图像去噪方法，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；利用训练好的生成对抗网络模型，分别对高频子图进行去噪处理，得到符合预设条件的去噪高频子图；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；进行图像重构，得到去噪监控图像，从而将粮库监控系统获取的低质粮库图像清晰化。

技术领域

本发明涉及图像处理领域，具体而言，涉及基于深度学习的粮库监控图像去噪方法、装置及介质。

背景技术

为顺应时代的发展，更为了能够更好的管理粮食安全问题，“智慧粮库”建设事业正在蓬勃兴起。智能安防、目标识别与追踪等设备在粮库安全保障中亦得到了普遍的应用。智能安防视频监控系统能够对粮库中一些重要场所的工作情况进行实时监控，如主要的进出口储粮通道、库区、作业点、器械库、药品库等。同时也能对人员聚集、越界、区域入侵、作业人员违章等异常行为进行警告，不仅减少了现场检查，降低了粮库人工管理的成本，更有利于储粮工作过程中的管理和数据的收集。然而，由于粮库中各种图像采集设备的硬件条件及所处恶劣环境的限制，导致图像获取的过程中不可避免的产生噪声，这将给后续图像数据分析与处理结果的准确性带来不良影响。

发明内容

本发明的目的在于提供基于深度学习的粮库监控图像去噪方法、装置及介质，能够将粮库监控系统获取的低质粮库图像清晰化。

本发明是这样实现的：

基于深度学习的粮库监控图像去噪方法，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。

优选的，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。

优选的，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。

优选的，所述的残差模块包括三个扩充卷积层。

优选的，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。

优选的，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。

优选的，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；