-
公开(公告)号：CN115526778A
公开(公告)日：2022-12-27
申请号：CN202211234391.4
申请日：2022-10-10
Applicant: 上海大学
Abstract: 本发明公开了一基于通道分离深度神经网络的红外图像超分辨率重建方法，包括如下步骤：准备训练数据集：根据已有的高分辨率红外图像数据集，通过双三次插值模拟退化过程，生成对应的低分辨率红外图像；构建深度神经网络模型：包括浅层特征抽取模块、深层特征抽取模块和图像重构模块；训练深度神经网络模型：设置好超参数，将成对的低分辨率和高分辨率红外图像输入所述网络模型，通过反向传播算法更新网络权重，直至达到所设定的最大迭代次数；保存网络模型，以供后续用来测试红外图像超分辨率重建效果。所述方法能够在提升已捕获的低分辨率红外图像分辨率的同时，较好的还原其边缘和纹理，为后续运动分割和追踪等提供坚实基础。
-
公开(公告)号：CN114913069B
公开(公告)日：2024-05-03
申请号：CN202210446873.X
申请日：2022-04-26
Applicant: 上海大学
IPC: G06T3/4053 , G06T3/4046 , G06T3/4007 , G06N3/0464 , G06N3/045 , G06N3/084 , G06V10/44 , G06V10/82 , G06V10/774
Abstract: 本发明公开了一种基于深度神经网络的红外图像超分辨率重建方法，涉及红外图像处理技术领域，具体包括：使用已有的高分辨率红外图像数据集，利用双三次插值算法分别生成两倍、三倍和四倍尺度下采样的低分辨率红外图像ILR作为训练集。然后，对训练数据集依照设定的概率随机选择以下一种方法进行数据增强：Cutout、CutMix、Mixup、CutMixup、RGB permute、Blend和CutBlur。随后，数据增强后的低分辨率红外图像分别经过低频特征抽取模块LFE、高频特征抽取模块HFE和特征重构模块FR处理。最后，计算生成的超分辨率红外图像ISR与真实高分辨率红外图像IHR的L1损失，利用反向传播算法更新网络权重，重复以上步骤直至达到最大迭代次数完成训练。本发明所述方法为红外图像超分辨率重建提供新方向。
-
公开(公告)号：CN114913069A
公开(公告)日：2022-08-16
申请号：CN202210446873.X
申请日：2022-04-26
Applicant: 上海大学
Abstract: 本发明公开了一种基于深度神经网络的红外图像超分辨率重建方法，涉及红外图像处理技术领域，具体包括：使用已有的高分辨率红外图像数据集，利用双三次插值算法分别生成两倍、三倍和四倍尺度下采样的低分辨率红外图像ILR作为训练集。然后，对训练数据集依照设定的概率随机选择以下一种方法进行数据增强：Cutout、CutMix、Mixup、CutMixup、RGB permute、Blend和CutBlur。随后，数据增强后的低分辨率红外图像分别经过低频特征抽取模块LFE、高频特征抽取模块HFE和特征重构模块FR处理。最后，计算生成的超分辨率红外图像ISR与真实高分辨率红外图像IHR的L1损失，利用反向传播算法更新网络权重，重复以上步骤直至达到最大迭代次数完成训练。本发明所述方法为红外图像超分辨率重建提供新方向。
-
公开(公告)号：CN115526779A
公开(公告)日：2022-12-27
申请号：CN202211234451.2
申请日：2022-10-10
Applicant: 上海大学
Abstract: 本发明公开了一种基于动态注意力机制的红外图像超分辨率重建方法，涉及图像处理方法技术领域。所述方法包括如下步骤：构建一个基于动态注意力机制的轻量化深度神经网络模型；制作所述神经网络模型的训练数据集；使用所述训练数据集对所述神经网络模型进行训练：将成对的低分辨率红外图像和目标图像提供给所述网络模型，设置超参数开始训练网络，直至达到所设定的最大迭代次数，终止训练；保存模型：训练完成后，将评估过程中峰值信噪比最高指标所对应的一组网络权重保存为最终的网络模型参数用于后期测试。所述方法能够提高红外图像超分辨率性能且参数量较小，计算速度快。
-
-
-
Search Results
4
records
(took 0.015 seconds)
