一种应用于无人机中的量子图像修复方法及装置

1.本发明属于量子图像修复技术领域，具体而言，涉及一种应用于无人机中的量子图像修复方法及装置。


背景技术：

2.无人机是通过无线电遥控设备和机载计算机程控系统进行操控的不载人飞行器。伴随着人工智能、5g通信等新技术的逐步完善及应用，无人机行业迎来新的发展机遇，行业规模不断扩大。随着无人机技术的普及，逐步将无人机应用于环境监测领域，与常规人工操作与仪器监测相比，其机动性、灵活性均远优于其他监测模式。无人机进行环境监测的方法主要集中在两方面：搭载视频摄录装置对污染范围、分布范围等进行调查；搭载环境空气监测仪器，对空气或废气排放状况进行气体或颗粒物浓度监测。
3.量子计算机是靠量子比特来存储信息，与经典比特不同，量子比特具有叠加和纠缠效应。而量子图像是量子计算与经典图像相结合的研究领域，一幅经典图像通过量子态的叠加原理可以转换为适用于量子计算的量子图像。量子计算的并行性和叠加性是量子图像置乱优于经典图像置乱的根本。近年来，随着量子计算机的出现，量子图像处理是指在量子计算机上进行图像处理，它包括三个基本步骤：1、将图像输入到量子计算机中，叫做量子图像制备；2、用量子计算机处理图像；3、通过量子测量得到处理后的结果。目标物的真实图像数据在获取、存储与传输过程中不可避免地会丢失一些信息，例如在获取遥感图像时，由于传感器损坏或者天气影响等因素使得获取的遥感图像出现条带噪声或者有用信息被云层遮挡等。图像修复是指对受到损坏的图像进行修复重建或去除图像中的多余物体，使修复后的图像尽量达到或接近原图像的视觉效果。但是，现有技术中对量子图像进行修复的方法存在修复效果不佳的缺陷。


技术实现要素：

4.本发明实施例的目的在于提供一种应用于无人机中的量子图像修复方法及装置，旨在有效提高对量子图像进行修复的效果。
5.为解决上述技术问题，本发明是通过以下技术方案实现的：
6.第一方面，本发明提供的一种应用于无人机中的量子图像修复方法，包括以下步骤：
7.s100：获取无人机在第一角度采集的目标物的第一受损图像信息，并将所述第一受损图像信息转化为第一量子图像信息；
8.s200：获取所述无人机在第二角度采集的目标物的第二受损图像信息，并将所述第二受损图像信息转化为第二量子图像信息，其中，所述第二角度与所述第一角度的方向相垂直；
9.s300：提取所述第一量子图像信息中的像素点信息得到第一量子图像特征信息，以及提取所述第二量子图像信息中的像素点信息得到第二量子图像特征信息，其中，所述
像素点信息包括色彩信息和位置信息；
10.s400：将所述第一量子图像特征信息进行量子傅里叶变化后输入到预先训练的第一卷积神经网络模型中进行编码得到第一隐层特征向量，并将所述第二量子图像特征信息进行量子傅里叶变化后输入到预先训练的第二卷积神经网络模型中进行编码得到第二隐层特征向量；
11.s500：将所述第一隐层特征向量和第二隐层特征向量输入到预先训练的第三卷积神经网络模型中进行解码，得到修复的量子图像，并将所述修复的量子图像通过网络发送到云计算中心。
12.进一步地，所述步骤s500之后，所述量子图像修复方法还包括：
13.计算所述修复的量子图像与第一量子图像信息间的第一差异函数，并计算所述修复的量子图像与第二量子图像信息间的第二差异函数；
14.将所述第一差异函数和第二差异函数输入到预先训练的卷积神经网络回归模型中，得到损失函数及所述损失函数的概率分布。
15.进一步地，将所述第一受损图像信息转化为第一量子图像信息的步骤包括：
16.将所述第一受损图像信息进行二维dct变换，通过量化矩阵进行量化得到dct系数，再对dct系数进行归一化处理；
17.根据所述归一化处理后的dct系数得到对应的第一像素值集合，将所述第一像素值集合转换为第一量子图像信息。
18.进一步地，将所述第二受损图像信息转化为第二量子图像信息的步骤包括：
19.将所述第二受损图像信息进行二维dct变换，通过量化矩阵进行量化得到dct系数，再对dct系数进行归一化处理；
20.根据所述归一化处理后的dct系数得到对应的第二像素值集合，将所述像素值集合转换为第二量子图像信息。
21.第二方面，本发明提供的一种应用于无人机中的量子图像修复装置，包括：
22.第一图像转化模块，用于获取无人机在第一角度采集的目标物的第一受损图像信息，并将所述第一受损图像信息转化为第一量子图像信息；
23.第二图像转化模块，用于获取所述无人机在第二角度采集的目标物的第二受损图像信息，并将所述第二受损图像信息转化为第二量子图像信息，其中，所述第二角度与所述第一角度的方向相垂直；
24.量子图像提取模块，用于提取所述第一量子图像信息中的像素点信息得到第一量子图像特征信息，以及提取所述第二量子图像信息中的像素点信息得到第二量子图像特征信息，其中，所述像素点信息包括色彩信息和位置信息；
25.编码模块，用于将所述第一量子图像特征信息进行量子傅里叶变化后输入到预先训练的第一卷积神经网络模型中进行编码得到第一隐层特征向量，并将所述第二量子图像特征信息进行量子傅里叶变化后输入到预先训练的第二卷积神经网络模型中进行编码得到第二隐层特征向量；
26.解码模块，用于将所述第一隐层特征向量和第二隐层特征向量输入到预先训练的第三卷积神经网络模型中进行解码，得到修复的量子图像，并将所述修复的量子图像通过网络发送到云计算中心。
27.进一步地，所述量子图像修复装置还包括：
28.差异函数计算模块，用于计算所述修复的量子图像与第一量子图像信息间的第一差异函数，并计算所述修复的量子图像与第二量子图像信息间的第二差异函数；
29.损失函数计算模块，用于将所述第一差异函数和第二差异函数输入到预先训练的卷积神经网络回归模型中，得到损失函数及所述损失函数的概率分布。
30.进一步地，所述第一图像转化模块，具体用于将所述第一受损图像信息进行二维dct变换，通过量化矩阵进行量化得到dct系数，再对dct系数进行归一化处理；
31.根据所述归一化处理后的dct系数得到对应的第一像素值集合，将所述第一像素值集合转换为第一量子图像信息。
32.进一步地，所述第二图像转化模块，具体用于将所述第二受损图像信息进行二维dct变换，通过量化矩阵进行量化得到dct系数，再对dct系数进行归一化处理；
33.根据所述归一化处理后的dct系数得到对应的第二像素值集合，将所述像素值集合转换为第二量子图像信息。
34.本发明的有益效果是：
35.本发明提供的技术方案首先通过无人机分别获取在第一角度采集的目标物的第一受损图像信息和与第一角度的方向相垂直的第二角度采集的目标物的第二受损图像信息，并分别将第一受损图像信息转化为第一量子图像信息和将第二受损图像信息转化为第二量子图像信息，然后提取所述第一量子图像信息中的像素点信息得到第一量子图像特征信息，以及提取所述第二量子图像信息中的像素点信息得到第二量子图像特征信息；接着将所述第一量子图像特征信息进行量子傅里叶变化后输入到预先训练的第一卷积神经网络模型中进行编码得到第一隐层特征向量，并将所述第二量子图像特征信息进行量子傅里叶变化后输入到预先训练的第二卷积神经网络模型中进行编码得到第二隐层特征向量，最后将所述第一隐层特征向量和第二隐层特征向量输入到预先训练的第三卷积神经网络模型中进行解码，得到修复的量子图像。
36.通过将在两个相垂直的视角下获取的受损图像信息分别转化为对应的量子图像信息，再分别对量子图像信息进行像素点信息提取得到量子图像特征信息，并分别对量子图像特征信息进行编码得到隐层特征向量，最后对隐层特征向量进行解码得到修复的量子图像，从而能够对受到损坏的图像进行修复重建或去除图像中的多余物体，有效提高了对量子图像进行修复的效果。
37.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
38.为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
39.图1是本发明实施例提供的一种应用于无人机中的量子图像修复方法的流程图；
40.图2是本发明实施例提供的一种应用于无人机中的量子图像修复装置的功能框
图。
41.附图标记为：
42.第一图像转化模块100；
ꢀꢀꢀꢀꢀꢀꢀꢀ
第二图像转化模块200；
43.量子图像提取模块300；
ꢀꢀꢀꢀꢀꢀꢀꢀ
编码模块400；
44.解码模块500；
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
差异函数计算模块600；
45.损失函数计算模块700。
具体实施方式
46.为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明的一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。
47.此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。
48.应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
49.实施例1
50.本发明实施例提供的一种应用于无人机中的量子图像修复方法，可以包括以下步骤：
51.步骤s100：获取无人机在第一角度采集的目标物的第一受损图像信息，并将所述第一受损图像信息转化为第一量子图像信息。
52.优选地，将所述第一受损图像信息转化为第一量子图像信息的步骤可以包括：首先将所述第一受损图像信息进行二维dct变换，通过量化矩阵进行量化得到dct系数，再对dct系数进行归一化处理；然后根据所述归一化处理后的dct系数得到对应的第一像素值集合，将所述第一像素值集合转换为第一量子图像信息。
53.步骤s200：获取所述无人机在第二角度采集的目标物的第二受损图像信息，并将所述第二受损图像信息转化为第二量子图像信息。
54.优选地，将所述第二受损图像信息转化为第二量子图像信息的步骤包括：首先将所述第二受损图像信息进行二维dct变换，通过量化矩阵进行量化得到dct系数，再对dct系数进行归一化处理；然后根据所述归一化处理后的dct系数得到对应的第二像素值集合，将所述像素值集合转换为第二量子图像信息。
55.其中，所述第二角度与所述第一角度的方向相垂直，即所述第二角度所在的直线与所述第一角度所在的直线间的夹角为90度。
56.本实施例通过分别获取在第一角度采集的第一受损图像信息和在第二角度采集的第二受损图像信息，能够实现全面采集目标物的受损图像信息。此外，所述第二角度与所述第一角度的方向相垂直，能够实现对第一受损图像信息和第二受损图像信息的数据处
理。
57.步骤s300：提取所述第一量子图像信息中的像素点信息得到第一量子图像特征信息，以及提取所述第二量子图像信息中的像素点信息得到第二量子图像特征信息。
58.其中，所述像素点信息包括色彩信息和位置信息。实施时，提取所述第一量子图像信息中的色彩信息和位置信息，并根据所述色彩信息和位置信息得到第一量子图像特征信息。相应地，提取所述第二量子图像信息中的色彩信息和位置信息，并根据所述色彩信息和位置信息得到第二量子图像特征信息。
59.步骤s400：将所述第一量子图像特征信息进行量子傅里叶变化后输入到预先训练的第一卷积神经网络模型中进行编码得到第一隐层特征向量，并将所述第二量子图像特征信息进行量子傅里叶变化后输入到预先训练的第二卷积神经网络模型中进行编码得到第二隐层特征向量。
60.本实施例中，首先采用量子傅里叶变化对所述第一量子图像特征信息进行变换，然后将变换结果输入到预先训练的第一卷积神经网络模型中进行编码，以得到第一隐层特征向量。对应地，首先采用量子傅里叶变化对所述第二量子图像特征信息进行变换，然后将变换结果输入到预先训练的第二卷积神经网络模型中进行编码，以得到第二隐层特征向量。如此，所述第一隐层特征向量承载了在第一视角下目标物的图像信息，所述第二隐层特征向量承载了在第二视角下目标物的图像信息。
61.步骤s500：将所述第一隐层特征向量和第二隐层特征向量输入到预先训练的第三卷积神经网络模型中进行解码，得到修复的量子图像，并将所述修复的量子图像通过网络发送到云计算中心。
62.本实施例中，通过所述第三卷积神经网络模型对所述第一隐层特征向量和第二隐层特征向量进行解码，从而得到修复的量子图像。
63.为了对量子图像的修复准确度进行计算和评估，在所述步骤s500之后，所述量子图像修复方法还可以包括以下步骤：
64.首先计算所述修复的量子图像与第一量子图像信息间的第一差异函数，并计算所述修复的量子图像与第二量子图像信息间的第二差异函数。
65.然后将所述第一差异函数和第二差异函数输入到预先训练的卷积神经网络回归模型中，得到损失函数及所述损失函数的概率分布。
66.实施时，根据所述损失函数及所述损失函数的概率分布能够对量子图像的修复准确度进行评估。
67.实施例2
68.如图2所示，本发明实施例提供的一种应用于无人机中的量子图像修复装置可以包括第一图像转化模块100，第二图像转化模块200，量子图像提取模块300，编码模块400和解码模块500。
69.具体地，所述第一图像转化模块100用于获取无人机在第一角度采集的目标物的第一受损图像信息，并将所述第一受损图像信息转化为第一量子图像信息。
70.优选地，所述第一图像转化模块100具体用于将所述第一受损图像信息进行二维dct变换，通过量化矩阵进行量化得到dct系数，再对dct系数进行归一化处理；以及根据所述归一化处理后的dct系数得到对应的第一像素值集合，将所述第一像素值集合转换为第
一量子图像信息。
71.所述第二图像转化模块200用于获取所述无人机在第二角度采集的目标物的第二受损图像信息，并将所述第二受损图像信息转化为第二量子图像信息。
72.优选地，所述第二图像转化模块200，具体用于将所述第二受损图像信息进行二维dct变换，通过量化矩阵进行量化得到dct系数，再对dct系数进行归一化处理；以及根据所述归一化处理后的dct系数得到对应的第二像素值集合，将所述像素值集合转换为第二量子图像信息。
73.其中，所述第二角度与所述第一角度的方向相垂直，即所述第二角度所在的直线与所述第一角度所在的直线间的夹角为90度。
74.本实施例分别通过第一图像转化模块100获取在第一角度采集的第一受损图像信息和第二图像转化模块200获取在第二角度采集的第二受损图像信息，能够实现全面采集目标物的受损图像信息。此外，所述第二角度与所述第一角度的方向相垂直，能够实现对第一受损图像信息和第二受损图像信息的数据处理。
75.所述量子图像提取模块300用于提取所述第一量子图像信息中的像素点信息得到第一量子图像特征信息，以及提取所述第二量子图像信息中的像素点信息得到第二量子图像特征信息。
76.其中，所述像素点信息包括色彩信息和位置信息。实施时，所述量子图像提取模块300用于提取所述第一量子图像信息中的色彩信息和位置信息，并根据所述色彩信息和位置信息得到第一量子图像特征信息。相应地，所述量子图像提取模块300还用于提取所述第二量子图像信息中的色彩信息和位置信息，并根据所述色彩信息和位置信息得到第二量子图像特征信息。
77.所述编码模块400，用于将所述第一量子图像特征信息进行量子傅里叶变化后输入到预先训练的第一卷积神经网络模型中进行编码得到第一隐层特征向量，并将所述第二量子图像特征信息进行量子傅里叶变化后输入到预先训练的第二卷积神经网络模型中进行编码得到第二隐层特征向量。
78.本实施例中，首先采用量子傅里叶变化对所述第一量子图像特征信息进行变换，然后将变换结果输入到预先训练的第一卷积神经网络模型中进行编码，以得到第一隐层特征向量。
79.对应地，首先采用量子傅里叶变化对所述第二量子图像特征信息进行变换，然后将变换结果输入到预先训练的第二卷积神经网络模型中进行编码，以得到第二隐层特征向量。
80.如此，所述第一隐层特征向量承载了在第一视角下目标物的图像信息，所述第二隐层特征向量承载了在第二视角下目标物的图像信息。
81.所述解码模块500用于将所述第一隐层特征向量和第二隐层特征向量输入到预先训练的第三卷积神经网络模型中进行解码，以得到修复的量子图像，并将所述修复的量子图像通过网络发送到云计算中心，所述云计算中心可以对所述修复的量子图像进行存储等。
82.本实施例中，通过所述第三卷积神经网络模型对所述第一隐层特征向量和第二隐层特征向量进行解码，从而得到修复的量子图像。
83.为了对量子图像的修复准确度进行计算和评估，进一步参阅图2，本实施例提供的量子图像修复装置还包括差异函数计算模块600和损失函数计算模块700。
84.其中，所述差异函数计算模块600用于计算所述修复的量子图像与第一量子图像信息间的第一差异函数，并计算所述修复的量子图像与第二量子图像信息间的第二差异函数。
85.所述损失函数计算模块700用于将所述第一差异函数和第二差异函数输入到预先训练的卷积神经网络回归模型中，得到损失函数及所述损失函数的概率分布。
86.实施时，根据所述损失函数及所述损失函数的概率分布能够对量子图像的修复准确度进行评估。
87.本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
88.综上所述，本发明实施例首先通过无人机分别获取在第一角度采集的目标物的第一受损图像信息和与第一角度的方向相垂直的第二角度采集的目标物的第二受损图像信息，并分别将第一受损图像信息转化为第一量子图像信息和将第二受损图像信息转化为第二量子图像信息，然后提取所述第一量子图像信息中的像素点信息得到第一量子图像特征信息，以及提取所述第二量子图像信息中的像素点信息得到第二量子图像特征信息；接着将所述第一量子图像特征信息进行量子傅里叶变化后输入到预先训练的第一卷积神经网络模型中进行编码得到第一隐层特征向量，并将所述第二量子图像特征信息进行量子傅里叶变化后输入到预先训练的第二卷积神经网络模型中进行编码得到第二隐层特征向量，最后将所述第一隐层特征向量和第二隐层特征向量输入到预先训练的第三卷积神经网络模型中进行解码，得到修复的量子图像。
89.本发明实施例通过将在两个相垂直的视角下获取的受损图像信息分别转化为对应的量子图像信息，再分别对量子图像信息进行像素点信息提取得到量子图像特征信息，并分别对量子图像特征信息进行编码得到隐层特征向量，最后对隐层特征向量进行解码得到修复的量子图像，从而能够对受到损坏的图像进行修复重建或去除图像中的多余物体，有效提高了对量子图像进行修复的效果。
90.在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
91.另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
92.以上所述仅为本发明的优选实施方式而已，并不用于限制本发明，对于本领域的
技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。