本发明涉及图像处理。更具体地说,本发明涉及一种太赫兹图像超分辨率重构方法及系统和应用。
背景技术:
1、小麦是一种主要的谷物作物,也是许多食品的成分。它含有大量的淀粉、蛋白质和脂肪,为饮食提供重要的矿物质、维生素和纤维。谷物在收获后储存不当时容易发芽,从而降低其质量,甚至使其无法食用,造成巨大的收成损失。传统检测手段难以检测出早期发芽状态的小麦,而生化测定以及分子测定实验操作繁琐耗时,成本较高对样品具有破坏性。探索一种快速无损检测的方法势在必行。thz波能够无损地穿过非极性材料,且能获得目标物对thz脉冲响应的强度、相位和时间等完整信息,能同时获取空间图像信息和丰富的光谱信息。综合上述优势,可以使用太赫兹光谱成像技术对发芽小麦进行无损检测。
2、太赫兹成像技术在相关的领域取得了一定的成绩,但仍存在一些限制,如图像质量较差,实时性差等。thz超分辨率成像的开发为了提高超过衍射极限的空间分辨率,目前的趋势是改进thz光谱图像采集系统中的光学硬件。这些技术虽然在空间分辨率上有显著的提高,但由于制造工艺难以大幅改进,制造成本高昂,在物理硬件上提升thz光谱图像的分辨率代价过大,因此从软件和算法角度实现thz光谱图像超分辨率重构十分必要。
3、因此,如何将低分辨率的太赫兹光谱图像有效重构为高分辨率的太赫兹光谱图像,是亟待解决的研究问题。
技术实现思路
1、本发明的一个目的是解决至少上述问题,并提供至少后面将说明的优点。
2、本发明还有一个目的是提供一种太赫兹图像超分辨率重构方法及系统,其解决了太赫兹成像系统存在着光谱图像分辨率低,质量较差等问题。
3、为了实现根据本发明的这些目的和其它优点,提供了一种本发明提供一种太赫兹图像超分辨率重构方法,其包括:
4、s1、获取太赫兹光谱图像,对太赫兹光谱图像进行预处理,得预处理图像;
5、s2、基于预处理图像,构建训练集和测试集;
6、s3、将训练集输入至太赫兹图像超分辨率重构模型进行训练,得训练后的图像重构模型;
7、s4、将测试集输入至训练后的图像重构模型中,得到重构图像;
8、其中,所述图像重构模型包括生成器和判别器,生成器包括密集连接注意力块、两个卷积层、sigmod函数、亚卷积像素层;
9、所述判别器包括八个卷积层、一个sigmoid激活函数层和两个全连接层,八个卷积层的滤波器数量依次是:64,64,128,128,256,256,512,512。
10、优选的是,所述的太赫兹图像超分辨率重构方法,所述判别器为:
11、dra(xr,xf)=σ(c(xr))-e[c(xf)] (1)
12、dra(xf,xr)=σ(c(xf))-e[c(xr)] (2)
13、dra表示相对判别器,xr表示原始高分辨率图像数据,xf表示生成器生成出的图像数据,σ为sigmoid激活函数,c()是非变换判别器的输出,e()是对在一个批次中所有虚假数据做平均。
14、优选的是,所述的太赫兹图像超分辨率重构方法,所述重构模型的损失函数为:
15、
16、公式中ihr表示高分辨率原始图像,ilr表示低分辨率图像,cov()为特征提取器,此处代表经过协方差标准化后的特征图,g()代表生成器,wi,j和hi,j代表重构模型中相应的特征图维度。
17、优选的是,所述的太赫兹图像超分辨率重构方法,损失函数的特征提取层引入协方差归一化,其特征矩阵x协方差矩阵为:
18、
19、其中式中i为s×s维的单位矩阵,s=h×w,1则是全为1的矩阵;x是一个特征矩阵,t是转置。
20、优选的是,所述的太赫兹图像超分辨率重构方法,利用式(5)~(6)对协方差矩阵进行规范化:
21、∑=uaut (5)
22、
23、其中,u是一个正交矩阵,λ=diag(λ1,...,λc)是一个对称阵列;α是一个正实值,α=0.5,λα=diag(λ1a,...,λ1c)。
24、本发明还提供一种太赫兹图像超分辨率重构系统,其包括:
25、获取模块,其用于获取太赫兹光谱图像,对太赫兹光谱图像进行预处理,得预处理图像;
26、数据处理模块,其用于基于预处理图像,构建训练集和测试集;
27、训练模块,其用于将训练集输入至图像重构模型进行训练,得训练后的图像重构模型;
28、重构模块,其用于将测试集输入至训练后的图像重构模型中,得到重构图像。
29、本发明还提供一种太赫兹图像超分辨率重构方法的应用,将上述的太赫兹图像超分辨率重构方法应用于发芽小麦种子早期检测中。
30、本发明还提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行上述的方法。
31、本发明还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时,实现上所述的方法。
32、本发明至少包括以下有益效果:本发明提出了一种基于生成对抗网络的太赫兹光谱图像超分辨率重构方法,以生成对抗网络为基本模型架构,构建基于深度学习的thz光谱图像超分辨率重构算法模型:在esrgan网络模型的基础之上,将多通道注意块机制融入到网络的生成模式中,并通过密集连接注意力块,同时,将注意力块紧密地连在一起,增强信号的表达性;采用了协方差正一化技术,能够在更高级的统计特性下,降低对视觉的感知损耗,达到更好的重构效果。经本发明与最先进的算法bicubic、srgan和esrgan就其重建性能进行比较,结果表明,本发明的重构方法在提升了thz光谱图像清晰度的同时,也提升了图像品质,并增强了边缘轮廓和细部的清晰度,重构图像psnr和ssim值相较于其他几种算法均有提高。
33、本发明的其它优点、目标和特征将部分通过下面的说明体现,部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。
1.太赫兹图像超分辨率重构方法,其特征在于,包括:
2.如权利要求1所述的太赫兹图像超分辨率重构方法,其特征在于,所述判别器为:
3.如权利要求1所述的太赫兹图像超分辨率重构方法,其特征在于,所述重构模型的损失函数为:
4.如权利要求3所述的太赫兹图像超分辨率重构方法,其特征在于,损失函数的特征提取层引入协方差归一化,其特征矩阵x协方差矩阵为:
5.如权利要求4所述的太赫兹图像超分辨率重构方法,其特征在于,利用式(5)~(6)对协方差矩阵进行规范化:
6.太赫兹图像超分辨率重构系统,其特征在于,包括:
7.太赫兹图像超分辨率重构方法的应用,其特征在于,将权利要求1~5中任一项所述的太赫兹图像超分辨率重构方法应用于发芽小麦种子早期检测中。
8.电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行权利要求1~5中任一项所述的方法。
9.存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时,实现权利要求1~5中任一项所述的方法。