一种基于卷积神经网络的火星表面图像增强方法技术

本发明专利技术公开了一种基于卷积神经网络的火星表面图像增强方法，包括：获取待处理图像；对所述待处理图像执行图像增强操作，所述图像增强操作包括：向火星表面图像增强神经网络模型输入图像，得到噪声信息；去除所述噪声信息，得到增强后的图像。通过对“祝融号”火星车采集到的火星表面图像进行建模，将火星表面图像增强问题转换为火星表面图像噪声求解问题，在此基础上通过设计卷积神经网络对火星表面图像的噪声进行求解，并结合火星表面图像模型，以实现对火星表面图像的增强。本发明专利技术可有效提升“祝融号”等火星探测车的图像采集质量，可有效提升火车探测车自主感知能力，进而有助于“祝融号”等火星探测车的自主导航及避障能力。等火星探测车的自主导航及避障能力。等火星探测车的自主导航及避障能力。

【技术实现步骤摘要】
一种基于卷积神经网络的火星表面图像增强方法


[0001]本申请涉及火星车自主智能感知的
，特别是一种基于卷积神经网络的火星表面图像增强方法。

技术介绍

[0002]在人类探测火星的过程中需要持续地采集火星表面的图像，用于对火星地表形态、气候状态的分析及探索；另一方面，随着近几年火星自主巡视器的发展，特别是随着“祝融号”火星车开始巡视探测，视觉传感器在火星车的应用越来月广泛，可用于巡视器前后方环境自主感知，从而实现自主导航及避障。然而火星探测器，如“祝融号”火星车相机在拍摄图像的过程中，由于火星表面灰尘、大气等因素，会造成拍摄的图像清晰度降低，从而影响后续的图像分析及“祝融号”的自主导航及避障，故需要进行图像增强，提升“祝融号”等火星表面图像的成像质量。
[0003]现有的图像增强方法主要集中在弱光照环境下或低照度环境下的图像增强，火星表面图像增强的研究较少。另一方面，现阶段基于深度学习或神经网络进行图像增强的研究未充分考虑视觉成像模型，对图像的增强机理考虑不全面。

技术实现思路

[0004]针对“祝融号”等火星表面图像增强问题，本专利技术提出了一种基于卷积神经网络的火星表面图像增强方法，通过对“祝融号”火星车采集到的火星表面图像进行建模，将火星表面图像增强问题转换为火星表面图像噪声求解问题，在此基础上通过设计卷积神经网络对火星表面图像的噪声进行求解，并结合火星表面图像模型，以实现对火星表面图像的增强。本专利技术可有效提升“祝融号”等火星探测车的图像采集质量，可有效提升火车探测车自主感知能力，进而有助于“祝融号”等火星探测车的自主导航及避障能力。
[0005]第一方面，提供了一种火星表面图像增强方法，包括：
[0006]获取待处理图像；
[0007]对所述待处理图像执行图像增强操作，所述图像增强操作包括：向火星表面图像增强神经网络模型输入图像，得到噪声信息；去除所述噪声信息，得到增强后的图像。
[0008]结合第一方面，在第一方面的某些实现方式中，所述火星表面图像增强神经网络模型包括6个卷积层，
[0009]第0卷积层的卷积核为3*3，扩展指数为1，包含压缩激励SE块，感受野为3*3；
[0010]第1卷积层的卷积核为3*3，扩展指数为2，包含压缩激励SE块，感受野为5*5；
[0011]第2卷积层的卷积核为3*3，扩展指数为4，包含压缩激励SE块，感受野为9*9；
[0012]第3卷积层的卷积核为3*3，扩展指数为8，包含压缩激励SE块，感受野为17*17；
[0013]第4卷积层的卷积核为3*3，扩展指数为1，包含压缩激励SE块，感受野为17*17；
[0014]第5卷积层的卷积核为1*1，扩展指数为1，不包含压缩激励SE块，感受野为17*17。
[0015]结合第一方面，在第一方面的某些实现方式中，所述火星表面图像增强神经网络
模型还包括降维非线性映射层，所述降维非线性映射层满足：
[0016][0017][0017]是一个卷积滤波器，卷积滤波器总个数为k*n1个，且k对降维非线性映射所设定的参数，f1为滤波器大小，3代表输入图像I(x)中的3个颜色通道，代表偏置；n1代表输出特征图的个数；*代表卷积运算。
[0018]结合第一方面，在第一方面的某些实现方式中，所述火星表面图像增强神经网络模型通过从全连接层提取特征和从卷积层提取特征实现特征融合。
[0019]结合第一方面，在第一方面的某些实现方式中，所述火星表面图像增强神经网络模型的训练损失函数满足：
[0020][0021]O为待处理图像，R是噪声图像，f(O)是所述火星表面图像增强神经网络模型输出的基于O的映射。
[0022]结合第一方面，在第一方面的某些实现方式中，所述增强后的图像B满足：
[0023][0024]O为待处理图像，R
j
为不同层的噪声，n为噪声层数，α
j
对应的是各个噪声层的权重。
[0025]结合第一方面，在第一方面的某些实现方式中，所述方法还包括：
[0026]循环执行所述图像增强操作，其中，将前一次图像增强操作得到的图像作为下一次图像增强操作的输入：
[0027]I
t+1
＝φ(I
t
)
[0028]其中，I
t
为第t次优化图像，φ为本文所提出的图像增强网络。
[0029]结合第一方面，在第一方面的某些实现方式中，使用第(n～n+k)k次优化结果的均值作为最终优化结果。
[0030]结合第一方面，在第一方面的某些实现方式中，所述循环执行所述图像增强操作，满足：
[0031][0032]是第i级循环中所分解出的第j个噪声层，β
i
对应的是各个噪声层的权重。
[0033]结合第一方面，在第一方面的某些实现方式中，所述方法还包括：
[0034]在每次执行所述图像增强操作后，判断所述图像增强操作输出的噪声是否大于或等于预设阈值；
[0035]如果是，则继续执行所述图像增强操作；
[0036]如果否，则跳出循环。
[0037]第二方面，提供了一种电子设备，所述电子设备用于执行如上述第一方面中的任意一种实现方式中所述的方法。
[0038]本专利技术提供了一种基于卷积神经网络的火星表面图像增强方法，本专利技术考虑视觉成像模型，应用卷积神经网络，实现火星表面的图像增强。与现有技术相比，本申请提供的方案至少包括以下有益技术效果：
[0039](1)本专利技术提出了一种火星表面图像成像模型。本专利技术将火星表面图像建模成清晰图像以及噪声图像，从而将火星表面图像增强问题转换为火星表面图像噪声求解问题，对比于端到端的神经网络进行图像增强，本专利技术的图像增强更具有可解释性；
[0040](2)本专利技术设计出了基于卷积神经网络的图像增强网络。该网络设计了空洞卷积、多尺度预测以及循环聚合网络，通过对图像全局特征与局部特征进行融合，并将图像的特征进行传递，以实现对图像噪声的求解。
[0041](3)本专利技术设计了火星表面数据集生成方法。针对火星表面图像较少的现状，本专利技术通过采集的公开火星表面图像，通过设置介质透射率以及噪声比生成不同程度的模糊图像，以模拟火星表面图像，并以此为基础对设计的卷积神经网络进行训练，以实现对火星表面图像增强。
附图说明
[0042]图1为专利技术提供的火星表面成像模型示意图。
[0043]图2为专利技术提供的火星表面增强卷积神经网络结构示意图。
具体实施方式
[0044]下面结合附图和具体实施例对本申请作进一步详细的描述。
[0045]本专利技术一种基于卷积神经网络的火星表面图像增强方法主要包括以下内容。
[0046]针对火星表面图像因灰尘、大气等影响而不清晰等问题，本专利技术将“祝融号”火星探测车相机获得的图像建模成清晰图与噪声图像，将图像增强问题转换为清晰本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种火星表面图像增强方法，其特征在于，包括：获取待处理图像；对所述待处理图像执行图像增强操作，所述图像增强操作包括：向火星表面图像增强神经网络模型输入图像，得到噪声信息；去除所述噪声信息，得到增强后的图像。2.根据权利要求1所述的方法，其特征在于，所述火星表面图像增强神经网络模型包括6个卷积层，第0卷积层的卷积核为3*3，扩展指数为1，包含压缩激励SE块，感受野为3*3；第1卷积层的卷积核为3*3，扩展指数为2，包含压缩激励SE块，感受野为5*5；第2卷积层的卷积核为3*3，扩展指数为4，包含压缩激励SE块，感受野为9*9；第3卷积层的卷积核为3*3，扩展指数为8，包含压缩激励SE块，感受野为17*17；第4卷积层的卷积核为3*3，扩展指数为1，包含压缩激励SE块，感受野为17*17；第5卷积层的卷积核为1*1，扩展指数为1，不包含压缩激励SE块，感受野为17*17。3.根据权利要求1所述的方法，其特征在于，所述火星表面图像增强神经网络模型还包括降维非线性映射层，所述降维非线性映射层满足：括降维非线性映射层，所述降维非线性映射层满足：W
1i,j
是一个卷积滤波器，卷积滤波器总个数为k*n1个，且k对降维非线性映射所设定的参数，f1为滤波器大小，3代表输入图像I(x)中的3个颜色通道，代表偏置；n1代表输出特征图的个数；*代表卷积运算。4.根据权利要求1所述的方法，其特征在于，所述火星表面图像增强神经网络模型通过从全连接层提取特征和从卷积层提取特征实现特征融...

【专利技术属性】
技术研发人员：王斯奋，李志平，王磊，于丹，杨巍，顾朋，胡宇桑，郝策，
申请(专利权)人：北京控制工程研究所，
类型：发明
国别省市：