【技术实现步骤摘要】
本专利技术涉及图像优化，具体是一种复杂环境低分辨率巡检图像优化方法。
技术介绍
1、在工业生产、安全监控、环境监测等众多领域中，巡检工作扮演着至关重要的角色。巡检人员需通过巡检设备对特定区域进行定期检查，以发现并处理潜在的安全隐患或异常情况。然而，在实际巡检过程中，由于复杂环境、光照条件不佳、摄像头分辨率低等因素，采集到的巡检图像往往存在噪声多、对比度低、分辨率差等问题，这给后续的图像分析和目标识别带来了极大的挑战。
2、传统的图像优化方法主要依赖于图像处理算法，如滤波、去噪、对比度增强等，但这些方法往往只能在一定程度上改善图像质量，对于复杂环境和低分辨率条件下的图像优化效果有限。此外，随着深度学习技术的快速发展，虽然已有一些基于深度学习的图像超分辨率重建和目标识别方法被提出，但这些方法通常需要在高性能计算平台上运行，且对训练数据的质量和数量要求较高，难以满足实际巡检工作对实时性和准确性的要求。
3、因此，研发一种能够适应复杂环境、有效处理低分辨率巡检图像的优化方法，提高巡检图像的清晰度和分辨率，进而提升目标识别的准确性和效率，具有重要的现实意义和应用价值。
技术实现思路
1、本专利技术的目的在于提供复杂环境低分辨率巡检图像优化方法，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种复杂环境低分辨率巡检图像优化方法，包括如下步骤：
4、s100、图像采集，利用安装在巡检上具有自适应
5、s101、预处理，对采集到的巡检图像进行预处理，包括采用基于深度学习的去噪算法去除图像噪声，利用自适应对比度增加系统提高图像的对比度，以及采用非线性变化方法增加图像的细节信息；
6、s102、超分辨率重建，首先基于插值的方法，利用已知像素点来估算未知像素点的值；其次基于重建的方法，通过构建图像降质的数学模型并逆向求解，以恢复高分辨率图像；并利用gan进行图像细节优化，gan由生成器和判别器组成，生成器尝试生成逼真的高分辨率图像，而判别器试图区分真实图像和生成的图像；
7、s103、特征提取和优化，对重建后的图像进行特征提取，采用基于注意力机制的卷积神经网络进行特征学习，提取图像中的关键特征信息，并通过特征融合和特征增强技术，对图像特征进行优化。
8、s104、目标识别与分类，利用深度学习检测模型，对优化后的图像进行目标识别与分类。
9、作为本专利技术再进一步的方案：其中，所述深度学习的去噪算法去除图像噪声采用如下公式：
10、
11、其中i表示输入图像；k表示卷积核；o表示输出特征图；(i，j)表示输出特征图中的位置；(m，n)表示卷积核中的位置。通过滑动一个称为卷积核(或滤波器的小窗口来提取输入图像中的特征，卷积核中的每个元素与图像中对应位置的元素相乘，然后将这些卷积相机，得到输出特征图中的一个值，这个过程中在图像的每个位置上重复进行，直到生成一个完整的输出特征图。
12、作为本专利技术再进一步的方案：其中，所述自适应对比度增加系统包括如下方法
13、局部对比度分析，系统通过对如图像的每个局部区域进行对比度分析，计算每个像素或者像素块的亮度值与周围像素的亮度差异；
14、对比度调整，根据局部对比度分析结果，系统动态地调整每个区域的对比度，对于对比度较低的区域，系统会增加其对比度，使细节更加清晰；对于对比度已经较高的区域，系统则会保持或降低其对比度，以避免过度增加导致的失真。
15、作为本专利技术再进一步的方案：其中，所述自适应对比度增加系统还包括自适应阈值设定，通过图像的整体亮度和对比度分布，自适应地设定一个或多个阈值，用于区分需要增加和保持的区域。
16、作为本专利技术再进一步的方案：其中，所述非线性变换方法包括如下步骤
17、在自适应对比增加系统的基础上，通过进一步采用非线性灰度变换方法来通过改变灰度级之间的映射关系，使图像的灰度分布更加均匀或符合特点的视觉效果，对于暗区域，非线性灰度变换可以将其灰度值拉伸到高范围，从而增加亮度，对于亮区域，则可以进行压缩处理以减少过曝现象。
18、作为本专利技术再进一步的方案：其中，所述图像采集步骤中，还包括对摄像头的校准方法，包括如下步骤：
19、对于径向畸变：畸变后的像素坐标(xdistorted，ydistorted)与畸变前的像素坐标(xundistorted，yundistorted)之间关系通过径向畸变系数k1、k2、k3来表示，对于畸变很大的镜头，需要使用到k3来表示；
20、xdistorted＝xundistorted*(1+k1*r2+k2*r4+k3*r6)
21、ydistorted＝yundistorted*(1+k1*r2+k2*r4+k3*r6)
22、其中，r是像素坐标(xundistorted，yundistorted)与图像中心距离；
23、对于切向畸变：畸变后的像素坐标(xcorrected，ycorrected)与畸变前的像素坐标(x，y)以及切向畸变系数p1、p2之间的关系表示为：
24、xcorrected＝x+[2*p1*y+p2*(r2)]
25、ycorrected＝y+[p1(r2)+2*p2*x
26、其中，r同样是像素坐标(x,y)与图像中心的距离。
27、与现有技术相比，本专利技术的有益效果是：
28、显著提升图像质量：通过图像预处理步骤，有效去除了图像中的噪声，增强了对比度和灰度变换，使得图像更加清晰、易于分析。同时，超分辨率重建步骤利用多帧低分辨率图像序列，通过信号处理或深度学习算法实现了图像分辨率的大幅提升，进一步改善了图像质量。
29、提高目标识别准确性：在特征提取与优化步骤中，采用先进的图像增强技术和深度学习模型，对重建后的图像进行特征提取和优化，显著提高了模型对复杂环境中目标的识别能力。这有助于巡检人员快速准确地发现和处理潜在的安全隐患或异常情况。
30、增强模型泛化能力：本专利技术还包括对深度学习模型进行训练和验证的步骤，通过不断优化模型参数和结构，提高了模型的识别精度和泛化能力。这使得该方法能够适应不同场景和复杂环境下的巡检任务需求。
本文档来自技高网...【技术保护点】
1.一种复杂环境低分辨率巡检图像优化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的复杂环境低分辨率巡检图像优化方法，其特征在于，所述深度学习的去噪算法去除图像噪声采用如下公式：
3.根据权利要求1所述的复杂环境低分辨率巡检图像优化方法，其特征在于，所述自适应对比度增加系统包括如下方法
4.根据权利要求3所述的复杂环境低分辨率巡检图像优化方法，其特征在于，所述自适应对比度增加系统还包括自适应阈值设定，通过图像的整体亮度和对比度分布，自适应地设定一个或多个阈值，用于区分需要增加和保持的区域。
5.根据权利要求1所述的复杂环境低分辨率巡检图像优化方法，其特征在于，所述非线性变换方法包括如下步骤
6.根据权利要求1所述的复杂环境低分辨率巡检图像优化方法，其特征在于，所述图像采集步骤中，还包括对摄像头的校准方法，包括如下步骤：
【技术特征摘要】
1.一种复杂环境低分辨率巡检图像优化方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的复杂环境低分辨率巡检图像优化方法，其特征在于，所述深度学习的去噪算法去除图像噪声采用如下公式：
3.根据权利要求1所述的复杂环境低分辨率巡检图像优化方法，其特征在于，所述自适应对比度增加系统包括如下方法
4.根据权利要求3所述的复杂环境低分辨率巡检图像优化方法，其特征在...
【专利技术属性】
技术研发人员：李晨贺，刘彦红，武胜欣，高建民，彭昆，路平，李士雅，王娜，周俊杰，
申请(专利权)人：国网河南淅川县供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。