[發(fā)明專利]一種基于超分辨率重建的模糊圖像分類方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110713780.4
• 申請(qǐng)日: 2021-06-26
• 公開(kāi)（公告）號(hào): CN113344110A
• 公開(kāi)（公告）日: 2021-09-03
• 發(fā)明（設(shè)計(jì)）人: 李俊峰;胡捷;李筱
• 申請(qǐng)（專利權(quán)）人: 浙江理工大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/46;G06T3/40;G06N3/04;G06N3/08
• 代理公司: 杭州中成專利事務(wù)所有限公司 33212
• 代理人: 金祺

本發(fā)明公開(kāi)了一種基于超分辨率重建的模糊圖像分類方法，包括如下步驟：步驟1、在上位機(jī)中，對(duì)原始高分辨率圖像指定類別標(biāo)簽，然后將原始高分辨率圖像進(jìn)行高斯平滑后再進(jìn)行下采樣，獲得帶有標(biāo)簽的低分辨率圖像作為步驟2的輸入；步驟2、構(gòu)建融合模型，包括串聯(lián)的超分辨率重建模型和分類模型，超分辨率重建模型包括串聯(lián)的生成模型和鑒別模型；步驟3、分別建立超分辨率重建模型和分類模型的損失函數(shù)，利用訓(xùn)練集來(lái)訓(xùn)練步驟2建立的融合模型，利用測(cè)試集測(cè)試融合模型獲得具有在線生產(chǎn)能力的融合模型。本發(fā)明的方法用以將超分辨率重建的模糊圖像進(jìn)行分類識(shí)別。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像識(shí)別領(lǐng)域，具體是一種基于超分辨率重建的模糊圖像分類方法。

背景技術(shù)

圖像分辨率是一組用于評(píng)估圖像中蘊(yùn)含細(xì)節(jié)信息豐富程度的性能參數(shù)，包括時(shí)間分辨率、空間分辨率及色階分辨率等，體現(xiàn)了成像系統(tǒng)實(shí)際所能反映物體細(xì)節(jié)信息的能力。相較于低分辨率圖像，高分辨率圖像往往包含更大的像素密度、更豐富的紋理細(xì)節(jié)及更高的可信賴度。近年來(lái)，隨著社會(huì)發(fā)展，科技進(jìn)步，人們?cè)絹?lái)越趨向于用照片或視頻的形式進(jìn)行記錄，無(wú)論是Vlog還是監(jiān)控視頻，但受限于拍攝設(shè)備和拍攝環(huán)境及技術(shù)的影響，最終獲取的圖像可能會(huì)出現(xiàn)模糊不清的現(xiàn)象，即分辨率較低，這在很多場(chǎng)合會(huì)給辨識(shí)帶來(lái)很大的困難。

目前，研究人員對(duì)于超分辨率重建技術(shù)的研究都是集中在對(duì)圖像的恢復(fù)上，而沒(méi)有關(guān)注對(duì)重建后的高清圖像如何進(jìn)行有效的信息獲取或識(shí)別檢測(cè)，而在圖像分類算法中往往需要較高分辨率的圖像提供更多的細(xì)節(jié)使模型更容易獲取圖像的特征，將低分辨率的圖像直接應(yīng)用在常見(jiàn)的分類模型中往往效果不佳，難以滿足應(yīng)用需求。因此，需要針對(duì)現(xiàn)有技術(shù)進(jìn)行改進(jìn)。

此外，目前對(duì)低分辨率的圖像的分類識(shí)別算法主要包括兩類，一類為直接對(duì)低分辨率的圖像進(jìn)行建模訓(xùn)練，該方法往往因圖像包含信息較少而效果不佳；另一類是將低分辨率的圖像重建為高分辨率的圖像，通過(guò)超分辨率重建技術(shù)為其補(bǔ)清細(xì)節(jié)，再對(duì)高分辨率的圖像進(jìn)行分類識(shí)別，該方法效果較好，所以本發(fā)明在該方法的思路上設(shè)計(jì)改進(jìn)。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問(wèn)題是提供一種基于超分辨率重建的模糊圖像分類方法，用以將超分辨率重建的模糊圖像進(jìn)行分類識(shí)別。

為了解決上述技術(shù)問(wèn)題，本發(fā)明提供一種基于超分辨率重建的模糊圖像分類方法包括步驟如下：

步驟1、在上位機(jī)中，對(duì)原始高分辨率圖像指定類別標(biāo)簽，然后將原始高分辨率圖像進(jìn)行高斯平滑后再進(jìn)行下采樣，獲得帶有標(biāo)簽的低分辨率圖像作為步驟2的輸入；

步驟2、構(gòu)建融合模型，包括串聯(lián)的超分辨率重建模型和分類模型，超分辨率重建模型包括串聯(lián)的生成模型和鑒別模型；

步驟3、分別建立超分辨率重建模型和分類模型的損失函數(shù)，利用訓(xùn)練集來(lái)訓(xùn)練步驟2建立的融合模型，利用測(cè)試集測(cè)試融合模型獲得具有在線生產(chǎn)能力的融合模型。

作為本發(fā)明的一種基于超分辨率重建的模糊圖像分類方法的改進(jìn)：

步驟2中所述生成模型包括：首先使輸入的圖像數(shù)據(jù)經(jīng)過(guò)一層尺寸為9，步長(zhǎng)為1的卷積層，并采用PReLU作為激活函數(shù)，然后再利用16層殘差卷積層提取低分辨率圖像的特征，使殘差塊的輸出經(jīng)過(guò)一層3×3的卷積層并進(jìn)行歸一化處理；最后對(duì)輸出數(shù)據(jù)加上第一層9×9卷積層的輸出后，根據(jù)原始高分辨率圖像與對(duì)應(yīng)的低分辨率圖像的放大倍數(shù)的一半設(shè)置上采樣層的層數(shù)，并對(duì)上采樣塊的輸出通過(guò)一層9×9卷積層從64通道縮小到3通道內(nèi)。

作為本發(fā)明的一種基于超分辨率重建的模糊圖像分類方法的進(jìn)一步改進(jìn)：

步驟2中所述鑒別模型為：輸入的圖像經(jīng)過(guò)8層3×3卷積層再經(jīng)過(guò)一層1×1卷積層和二維池化層，最終輸出得到鑒別分類結(jié)果，前八層的卷積層采用PReLU作為激活函數(shù)，二維池化層采用sigmoid作為激活函數(shù)，除第一層的3×3卷積層和第九層的1×1卷積層其余卷積層后都進(jìn)行批規(guī)范化BN層處理；