专利汇可以提供一种织物图像超分辨率重建方法专利检索,专利查询,专利分析的服务。并且本 发明 属于 深度学习 领域,涉及一种织物图像超 分辨率 重建方法,广泛应用于 颜色 分析,纹理结构研究, 模式识别 等领域。本发明首先对采集到的图像进行分组并下 采样 ,然后利用生成对抗网络GAN和Resnet50网络的基本结构,搭建一个SRGAN网络,再利用预处理的织物图像作为输入对网络分三步进行训练。训练完成后用测试数据集进行测试,用PSNR评价网络性能。本方法不仅能较大的提升织物图像的分辨率,而且细节部分更加丰富,具有理想的鲁棒性和广泛的适用性。,下面是一种织物图像超分辨率重建方法专利的具体信息内容。
1.一种织物图像超分辨率重建方法,其特征在于,包括以下步骤:
步骤1:从多光源灯箱获取各种颜色的色纺织物图像若干张;
步骤2:将所有的图片色纺织物图像在MATLAB中进行下采样,把高分辨率色纺织物图像作为高分辨率图片数据集HR,把低分辨率色纺织物图像作为低分辨率图片数据集LR,下采样的方法为最近邻插值法,公式如下:
式中,h和w为原始图像的高和宽,(x,y)为原始图像上的像素值,H和W为目标图像的高和宽,(X,Y)为目标图像上的像素值;
得到了目标图像上面的像素点(X,Y)对应到原始图像上面像素点的位置(x,y);
步骤3:利用生成式对抗网络GAN和ResNet50的基本架构,设置图像超分辨率重建网络SRGAN;包括以下子步骤:
步骤3.1:搭建生成式对抗网络GAN,对应的优化函数如下:
式3.1中,包含了对生成器G和判决器D总体的优化;Pdata表示真实数据的分布,Pz表示噪音(输入数据)的分布,E代表数学期望;
式3.2为判决器D的优化函数,其中D(x)表示真实的样本,z为随机的输入,G(z)表示生成的样本,判决器D优化的目标是让D(x)对真实的样本判别结果趋近于1,让D(G(z))趋近于
0;
式3.3为生成器G的优化函数,生成器G优化的目标式让判决结果D(G(z))趋近于1;
步骤3.2:搭建ResNet50网络,ResNet50由49个卷积层和一个全连接层构成;
步骤4:SRGAN包含了两个网络,分别是生成式对抗网络GAN和ResNet50;其中生成式对抗网络GAN由生成器网络generator和判决器网络discriminator组成;
将步骤2得到的高分辨率图片数据集HR和低分辨率图片数据集LR分为两组,一组为高分辨率图片训练集HR和低分辨率图片训练集LR用于网络的训练,另一组为高分辨率图片测试集HR和低分辨率图片测试集LR用于网络的测试;由于神经网络的层数过多,在CPU上训练的速度会非常慢,所以本发明的代码全部是在NVIDIA GTX1080显卡上运行完成的,包括以下子步骤:
步骤4.1:在SRResnettask下训练SRResnet网络,生成网络generator的输入是训练数据集中的低分辨率图片训练集LR,输出是低分辨率图片LR经过网络超分辨率之后的高分辨率图片SR,用训练数据集中高分辨率图片HR和SR一起来优化生成网络generator的误差content loss,迭代次数为100万次;content loss为输入图像和输出图像像素点的误差,在训练SRResnet时使用的是均方误差,公式如下:
式中,ySR是生成网络generator生成的单张高分辨率图片SR, 是真实高分率图片HR的均值,m为迭代次数,MSE表示的是真实高分辨率图片HR与生成网络generator生成的高分辨率图片SR的均方误差;
步骤4.2:保留步骤5.1中生成器generator中所有参数,随机初始化判决器discriminator的网络参数,优化生成器generator新的损失content loss,交叉优化判决器的目标函数,公式如下:
式中,判决器的目标函数分为两个部分,一部分由生成图片经过判决器的输出结果决定,另一部分由真实图片经过判决器的输出结果决定;迭代50万次;
步骤4.3:保留步骤5.2中的生成器和判决器的所有网络参数,引入ResNet网络,用预训练的ResNet网络作为基础来优化Resnetloss,用ResNet网络分别提取真实图片HR和生成的高分辨率图片SR的特征,求HR和SR特征向量之间的欧氏距离,公式如下:
式中,φi,j表示ResNet50网络中的第i个最大池化层之前的第j次卷积提取的特征向HR
量,I 表示真实的高分辨率图片HR, 表示低分辨率图片LR由生成器generator生成的高分辨率图片SR;Wi,j和Hi,j表示的是ResnNet50网络中各个特征图的维数;
通过计算真实的高分辨率图片HR和生成器generator生成的高分辨率图片SR的欧式距离作为损失函数,能使生成的图片细节更加丰富,迭代次数为20万次;
步骤5:训练完成之后将步骤4中得到的低分辨率图片数据集LR用来测试,用峰值信噪比PSNR来衡量网络性能,公式如下:
式中, 为真实高分辨率图片HR可能的最大像素值;MSE为真实高分辨率图片HR与网络生成的高分辨率图片SR的均方误差。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种基于深度学习的体育视频关键姿态提取方法 | 2020-05-11 | 895 |
一种社交网络下基于深度学习的个性化推荐系统 | 2020-05-12 | 431 |
一种偏光片表面轻微压迹的检测方法及检测系统 | 2020-05-08 | 573 |
一种虾和藻类的复合养殖方法 | 2020-05-11 | 484 |
一种枸杞提取物及其制备方法和用途 | 2020-05-11 | 256 |
一种耐火纤维板放置架 | 2020-05-11 | 171 |
一种改良型采样车 | 2020-05-12 | 581 |
一种带防潮功能的高压固态软启动柜 | 2020-05-08 | 380 |
一种配网维修用检修辅助装置 | 2020-05-12 | 161 |
一种基于复杂网络的移动式检测装置 | 2020-05-08 | 777 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。