[发明专利]基于特征卷积神经网络的太赫兹超分辨重建方法及系统

权利要求书

1.一种基于特征卷积神经网络的太赫兹超分辨重建方法，其特征在于，所述特征卷积神经网络包括边缘检测模块、下采样模块和超分辨重构模块；所述太赫兹超分辨重建方法包括：

获取训练样本集，其中，所述训练样本集包括高分辨率图像集、低分辨率图像集和缺陷图像集，所述缺陷图像集为对原材料进行太赫兹成像处理得到；

将所述训练样本集中的所述缺陷图像集输入所述边缘检测模块，使得所述边缘检测模块基于边缘检测算法生成二值边缘图像集；

将所述二值边缘图像集输入所述下采样模块，使得所述下采样模块对所述二值边缘图像集进行下采样处理，得到特征卷积核算子；

将所述训练样本集输入所述超分辨重构模块，使得所述超分辨重构模块根据所述特征卷积核算子对所述高分辨率图像集以及低分辨率图像集进行训练，生成权重矩阵；

根据所述权重矩阵生成与所述训练样本集对应的目标缺陷图像。

2.根据权利要求1所述的基于特征卷积神经网络的太赫兹超分辨重建方法，其特征在于，所述训练样本集由以下步骤得到，包括：

对所述原材料进行成像处理，得到高分辨率图像集，其中，所述高分辨率图像集包括多张原始照片；

基于图像插值算法对所述高分辨率图像集中的所述原始照片进行缩放处理，并且对缩放后的所述原始照片进行恢复，得到与所述高分辨率图像集对应的低分辨率图像集；

对所述原材料进行太赫兹成像处理，得到所述缺陷图像集；

将所述高分辨率图像集、所述低分辨率图像集和所述缺陷图像集进行整合，得到所述训练样本集。

3.根据权利要求1所述的基于特征卷积神经网络的太赫兹超分辨重建方法，其特征在于，所述边缘检测模块包括横向检测矩阵和纵向检测矩阵；所述将所述缺陷图像集输入所述边缘检测模块，使得所述边缘检测模块基于边缘检测算法生成二值边缘图像集，包括：

将所述缺陷图像集输入所述边缘检测模块，使得所述边缘检测模块将所述横向检测矩阵、所述纵向检测矩阵和所述缺陷图像集进行平面卷积，得到亮度差分近似值；

基于整体嵌套边缘算法以及所述亮度差分近似值提取所述缺陷图像集中的缺陷轮廓，得到所述二值边缘图像集。

4.根据权利要求3所述的基于特征卷积神经网络的太赫兹超分辨重建方法，其特征在于，所述整体嵌套边缘算法包括分支函数和加权函数，其中，所述分支函数用于表征所述特征卷积神经网络每个分支的输出，所述加权函数用于表征所述特征卷积神经网络每个分支的权重；所述基于整体嵌套边缘算法以及所述亮度差分近似值提取所述缺陷图像集中的缺陷轮廓，得到所述二值边缘图像集，包括：

根据所述分支函数和所述加权函数对所述缺陷图像集中的所述缺陷图进行计算，以使所述缺陷图像集中所有所述缺陷图尺寸相同；

将计算后的所述缺陷图像集进行二值图投影，得到所述二值边缘图像集。

5.根据权利要求1所述的基于特征卷积神经网络的太赫兹超分辨重建方法，其特征在于，所述将所述二值边缘图像集输入所述下采样模块，使得所述下采样模块对所述二值边缘图像集进行下采样处理，得到特征卷积核算子，包括；

将所述二值边缘图像集输入所述下采样模块，使得所述下采样模块的卷积层对所述二值边缘图像集进行批量标准化处理，并且基于线性整流函数对处理后的所述二值边缘图像集进行计算，得到所述特征卷积核算子。

6.根据权利要求5所述的基于特征卷积神经网络的太赫兹超分辨重建方法，其特征在于，所述卷积层包括多个标准卷积层和目标卷积层；所述将所述二值边缘图像集输入所述下采样模块，下采样模块的卷积层对所述二值边缘图像集进行批量标准化处理，并且基于线性整流函数对处理后的所述二值边缘图像集进行计算，得到所述特征卷积核算子，包括：

将所述二值边缘图像集输入所述标准卷积层，使得每个所述标准卷积层对所述二值边缘图像集进行批量标准化处理；

将处理后的所述二值边缘图像集输入所述目标卷积层，使得所述目标卷积层根据线性整流函数根据下采样算子对卷积核进行计算，得到所述特征卷积核算子。