[發明專利]一種基于深度學習的遠距離目標超分辨成像方法

在審

• 申請號: 202010069741.0
• 申請日: 2020-01-21
• 公開（公告）號: CN111260557A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 耿遠超;王德恩;劉蘭琴;胡東霞;黃晚晴;張穎;孫喜博;王文義;王芳;粟敬欽
• 申請（專利權）人: 中國工程物理研究院激光聚變研究中心
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06N3/04;G06N3/08;G06N20/00
• 代理公司: 北京同輝知識產權代理事務所(普通合伙) 11357
• 代理人: 張明利

本發明公開一種基于深度學習的遠距離目標超分辨成像方法，包括獲取目標物和與目標物同屬一類的其余物體的高分辨率圖像和低分辨率圖像，并利用所獲取圖像建立圖像數據集，基于預先訓練成熟的神經網絡模型對所建立的圖像數據集進行遷移學習，得到訓練完成的神經網絡模型；獲取當前目標物成像得到的低分辨率圖像，利用訓練完成的神經網絡模型處理所獲取的當前目標物低分辨率圖像，構建得到當前目標物高分辨率圖像。本發明圖像處理由深度學習得到的人工神經網絡模型構成，取代了傳統的圖像處理算法，通過本發明方法可以實現超過成像系統光學分辨率和像素分辨率的成像，達到超分辨的效果。

技術領域

本發明屬于超分辨成像領域，具體地說涉及一種基于深度學習的遠距離目標超分辨成像方法。

背景技術

對物體的光學成像分辨率受限于成像系統的數值孔徑，使得在特定的成像條件下往往無法得到物體的清晰成像。傳統的超分辨成像方法采用熒光或結構光等光學方法對顯微對象進行照明優化，從而獲得細節信息。而對于空天目標成像、衛星遙感成像和長焦顯微成像等情況，無法通過照明優化來改善成像條件。因此，現有技術有待于進一步改進和發展。

發明內容

針對如何在既有成像條件下獲得目標的細節信息成為目前超分辨成像的重要需求，現提出一種基于深度學習的遠距離目標超分辨成像方法。

本發明提供如下技術方案：

一種基于深度學習的遠距離目標超分辨成像方法，其中，包括以下步驟：

獲取目標物和與目標物同屬一類的其余物體的高分辨率圖像和低分辨率圖像，并利用所獲取圖像建立圖像數據集；

基于預先訓練成熟的神經網絡模型對所建立的圖像數據集進行遷移學習，得到訓練完成的神經網絡模型；

獲取當前目標物成像得到的低分辨率圖像；

利用訓練完成的神經網絡模型處理所獲取的當前目標物低分辨率圖像，構建得到當前目標物高分辨率圖像。

一種基于深度學習的遠距離目標超分辨成像方法，其中，利用高分辨成像系統獲取目標物和與目標物同屬一類的其余物體的高分辨率圖像，利用低分辨成像系統獲取目標物和與目標物同屬一類的其余物體的低分辨率圖像。

一種基于深度學習的遠距離目標超分辨成像方法，其中，目標物和與目標物同屬一類的其余物體的高分辨率圖像包括目標物和與目標物同屬一類的其余物體各個角度和距離的高分辨率圖像，目標物和與目標物同屬一類的其余物體的低分辨率圖像包括目標物和與目標物同屬一類的其余物體各個角度和距離的低分辨率圖像。

一種基于深度學習的遠距離目標超分辨成像方法，其中，利用在公開數據集ImageNet上訓練成熟的神經網絡模型對所建立的圖像數據集進行遷移學習，得到訓練完成的神經網絡模型。

一種基于深度學習的遠距離目標超分辨成像方法，其中，通過低分辨成像系統對當前目標物進行成像，獲取當前目標物的低分辨率圖像。

一種基于深度學習的遠距離目標超分辨成像方法，其中，將同一類物體的高分辨率圖像與其相應的低分辨率圖像成對組成圖像數據集。

一種基于深度學習的遠距離目標超分辨成像系統，其中，包括：

圖像獲取模塊，用于獲取目標物和與目標物同屬一類的其余物體的高分辨率圖像和低分辨率圖像；

數據集構建模塊，用于利用圖像獲取模塊所獲取圖像建立圖像數據集；

訓練模塊，用于基于預先訓練成熟的神經網絡模型對所建立的圖像數據集進行遷移學習，得到訓練完成的神經網絡模型；

處理模塊，用于利用訓練完成的神經網絡模型處理所獲取的當前目標物低分辨率圖像，得到當前目標物高分辨率圖像。

有益效果：