[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

说明书

本发明公开了一种基于特征卷积神经网络的太赫兹超分辨重建方法、系统及计算机可读存储介质，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，太赫兹超分辨重建方法包括：获取训练样本集，将训练样本集中的缺陷图像集输入边缘检测模块生成二值边缘图像集；将二值边缘图像集输入下采样模块进行下采样处理，得到特征卷积核算子；将训练样本集输入超分辨重构模块，使得超分辨重构模块根据特征卷积核算子对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；根据权重矩阵生成与训练样本集对应的目标缺陷图像。在本发明实施例中,基于特征卷积神经网络实现太赫兹超分辨重建，能够提高太赫兹缺陷轮廓分辨率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于特征卷积神经网络的太赫兹超分辨重建方法、系统及计算机可读存储介质。

背景技术

太赫兹无损检测主要通过太赫兹时域光谱技术对待检样机进行逐点扫描，获得样件各点时域信号，通过快速傅里叶变换可以得到太赫兹频域谱，而后利用相关成像算法获得太赫兹图像，根据缺陷和样件之间的太赫兹光谱特性差异作为特征参数可以从图像中辨别样件表面和内部的缺陷。

然而，太赫兹成像通常都依靠获得的时域信号，背景噪声和硬件振动都将对太赫兹信号产生较大影响，进而影响成像质量，导致图像对比度低、缺陷轮廓模糊，难以发现小尺寸缺陷的问题，并且，由于太赫兹图像通常依靠光谱特性和光学特征参数进行成像，坏点信号数据在网络训练过程中可能会导致梯度爆炸或消失的问题，导致网络权重参数严重破坏。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一，提供一种基于特征卷积神经网络的太赫兹超分辨重建方法、系统及计算机可读存储介质，能够提高太赫兹缺陷轮廓分辨率。

第一方面，本发明提供一种基于特征卷积神经网络的太赫兹超分辨重建方法，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。

根据本发明实施例提供的基于特征卷积神经网络的太赫兹超分辨重建方法，至少有如下有益效果：首先，获取包括高分辨率图像集、低分辨率图像集以及缺陷图像集的训练样本集，将缺陷图像集输入边缘检测模块，得到与缺陷图像集对应的二值边缘图像集，从而实现对缺陷图像轮廓边缘的提取，便于后续对缺陷图像的检测，之后，将二值边缘图像集输入下采样模块进行处理，得到特征卷积核算子，提升特征卷积神经网络的深度，将训练样本集输入超分辨重构模块进行训练，训练得到高分辨率图像集以及低分辨率图像集之间的权重矩阵，最后根据权重矩阵生成与训练样本集对应的目标缺陷图像，通过训练样本集训练边缘检测模块、下采样模块和超分辨重构模块，得到训练样本集中缺陷图的轮廓分辨率，从而达到稳定的超分辨重建效果。