[發明專利]一種基于深度學習的圖像非線性插值獲取方法及獲取系統

在審

• 申請號: 202011210475.5
• 申請日: 2020-11-03
• 公開（公告）號: CN112348742A
• 公開（公告）日: 2021-02-09
• 發明（設計）人: 戴亦斌
• 申請（專利權）人: 北京信工博特智能科技有限公司
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06N3/08;G06K9/62
• 代理公司: 天津市鼎和專利商標代理有限公司 12101
• 代理人: 蒙建軍

1.一種基于深度學習的圖像非線性插值獲取方法；其特征在于，至少包括：

S1、建立數據集，具體為：

S101、通過最近鄰插值和/或雙線性插值和/或雙三次插值對原始圖像進行插值，得到插值后圖像并進行記錄；

S102、對插值后圖像進行人工檢視，標注出不合格目標并進行記錄；

S103、結合所述原始圖像、不合格目標，人工進行插值獲得人工插值后圖像，并對插值結果進行記錄；

S104、結合所述原始圖像、人工插值后圖像，再人工對原始圖像中與人工插值后圖像相關的原位置及原位置附近背景像素進行標注并進行記錄；

S105、組合S1-S4的記錄，形成數據集中的一條數據；

S106、對不同的原始圖像重復S1-S4的步驟，形成完整數據集；

S2、使用深度學習的目標檢測方法來檢測插值后圖像中的不合格目標，獲得第一目標檢測深度神經網絡；

S3、使用深度學習的目標檢測方法檢測不合格目標在原始圖像中位置及其附近像素；獲得第二目標檢測深度神經網絡；

S4、以所述數據集、第一目標檢測深度神經網絡、第二目標檢測深度神經網絡為基礎，訓練得到深度神經網絡，通過深度神經網絡輸出正確插值。

2.根據權利要求1所述的基于深度學習的圖像非線性插值獲取方法，其特征在于，在所述S2中：將插值后圖像作為第一目標檢測深度神經網絡輸入，通過人工標注不合格目標數據計算損失。

3.根據權利要求1所述的基于深度學習的圖像非線性插值獲取方法，其特征在于，在所述S3中：將原始圖像和插值后圖像中的不合格目標作為第二目標檢測深度神經網絡輸入，按照人工標注不合格目標及不合格目標在原始圖像中位置、附近背景像素示例的隱含邏輯，輸出不合格目標在原始圖像中的位置及此位置附近背景像素。

4.根據權利要求1所述的基于深度學習的圖像非線性插值獲取方法，其特征在于，在所述S4中：所述深度神經網絡的輸入為人工標注不合格目標原位置及其附近背景像素、人工標注不合格目標、傳統方法插值后圖像，并在訓練過程中使用人工插值來計算損失。

5.一種基于深度學習的圖像非線性插值獲取系統；其特征在于，至少包括：

數據集建立模塊，所述數據集建立模塊的建立過程為：

S101、通過最近鄰插值和/或雙線性插值和/或雙三次插值對原始圖像進行插值，得到插值后圖像并進行記錄；

S102、對插值后圖像進行人工檢視，標注出不合格目標并進行記錄；

S103、結合所述原始圖像、不合格目標，人工進行插值獲得人工插值后圖像，并對插值結果進行記錄；

S104、結合所述原始圖像、人工插值后圖像，再人工對原始圖像中與人工插值后圖像關的原位置及原位置附近背景像素進行標注并進行記錄；

S105、組合S1-S4的記錄，形成數據集中的一條數據；

S106、對不同的原始圖像重復S1-S4的步驟，形成完整數據集；

第一目標檢測深度神經網絡獲取模塊，使用深度學習的目標檢測方法來檢測插值后圖像中的不合格目標，獲得第一目標檢測深度神經網絡；

第二目標檢測深度神經網絡獲取模塊，使用深度學習的目標檢測方法檢測不合格目標在原始圖像中位置及其附近像素；獲得第二目標檢測深度神經網絡；

正確插值獲取模塊，以所述數據集、第一目標檢測深度神經網絡、第二目標檢測深度神經網絡為基礎，訓練得到深度神經網絡，通過深度神經網絡輸出正確插值。

6.根據權利要求5所述的基于深度學習的圖像非線性插值獲取系統，其特征在于，在所述第一目標檢測深度神經網絡獲取模塊中：將插值后圖像作為第一目標檢測深度神經網絡輸入，通過人工標注不合格目標數據計算損失。

7.根據權利要求5所述的基于深度學習的圖像非線性插值獲取系統，其特征在于，在所述第二目標檢測深度神經網絡獲取模塊中：將原始圖像和插值后圖像中的不合格目標作為第二目標檢測深度神經網絡輸入，按照人工標注不合格目標及其在原始圖像中位置、附近背景像素示例的隱含邏輯，輸出不合格目標在原始圖像中的位置及此位置附近背景像素。