CN111784573A - 一种基于迁移学习的被动太赫兹图像超分辨率重构方法 - Google Patents

一种基于迁移学习的被动太赫兹图像超分辨率重构方法 Download PDF

Info

Publication number
CN111784573A
CN111784573A CN202010436073.0A CN202010436073A CN111784573A CN 111784573 A CN111784573 A CN 111784573A CN 202010436073 A CN202010436073 A CN 202010436073A CN 111784573 A CN111784573 A CN 111784573A
Authority
CN
China
Prior art keywords
image
terahertz
network
resolution
data set
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010436073.0A
Other languages
English (en)
Inventor
曾文健
朱艳
沈韬
刘英莉
朱明亮
宋欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202010436073.0A priority Critical patent/CN111784573A/zh
Publication of CN111784573A publication Critical patent/CN111784573A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于迁移学习的被动太赫兹图像超分辨率重构方法，属于图像处理技术领域。本发明利用计算机深度学习领域的方法，首先找到高清图像的数据集，对数据集进行预处理，在该数据集上进行下采样，由双三次插值法形成低分辨率图像。利用上述数据集训练得到图像重构模型，同时将高清和低清图像输入网络中让网络学习端到端的映射关系。调整网络结构和被动太赫兹图像的通道以及图像格式让网络适应太赫兹灰度图。通过迁移学习将训练模型应用在被动太赫兹图像领域。对太赫兹相机中所成的低分辨率的图像进行增强和重构，让重构之后的图像更清晰，更有利于人眼的观察。

Description

一种基于迁移学习的被动太赫兹图像超分辨率重构方法
技术领域
本发明涉及一种基于迁移学习的被动太赫兹图像超分辨率重构方法，属于图像处理技术领域。
背景技术
太赫兹波又称远红外线，太赫兹(Terahertz，简称THz)波一般是指频率在0.1-10THz(波长30μm-3mm，1THz＝1012Hz)范围内的电磁波。其波段位于微波和红外之间，属于远红外和亚毫米波范畴。相比于微波，太赫兹波波长较短，有更高的分辨能力；相比于红外，太赫兹波具有更好的穿透能力，例如太赫兹辐射能以很小的衰减穿透如脂肪、碳板、布料等物质，同时被金属、胶体、爆炸物、毒品、货币及液体等大量吸收或反射，同时，太赫兹波又具有较低的光子能量，不会对人体产生伤害，并且可以在不与人体直接接触的情况下帮助观察感兴趣的物体。使得太赫兹波非常适合对人体安检成像。
太赫兹成像技术是一种人体隐匿物品检测的高科技。目前，隐匿物品探测设备主要有光学/红外成像仪、X射线系统、CT探测系统、金属安检门、手持式金属探测器等。虽然光学、X射线系统和红外成像具有很高的分辨率，但是光学/红外探测不能穿透衣物和包裹层探检隐匿违禁物。X射线系统和CT探测系统具有很好的穿透性，但其高辐射会伤害人体而无法用于人体安检。金属安检门只能告警不能定位，且对非金属违禁物无能为力。手持式金属探测器不能探检非金属违禁物，且须接触式操作，检测速度慢，易造成被检人员被侵犯感。
而太赫兹人体安检技术利用太赫兹波对日常衣物材料(棉、麻、化纤等)特殊的穿透性，填补了人体安检领域的空白，是对当前人体安检手段的重要补充。
但是，由太赫兹安检设备产生的图像具有较低的图像质量，通常所呈现的图像伴随着一些模糊不清以及伪影，这显然降低了太赫兹安检工作的效率，并且一定程度上增加了太赫兹安检工作上的难度。从成像效果来看，虽然可以有效地辨认出隐匿于衣物下的金属.但是受实验环境、硬件系统的性能等因素影响，所得图像对比度较低，隐匿物品很难被识别，甚至还很容易被忽略，这都将导致在安检过程中发生错检或者漏检事件。图像的低对比度是阻碍该项技术发展的主要因素之一。
因此，如何提高太赫兹图像的分辨率是本领域的研究人员亟需解决的技术问题。
发明内容
本发明要解决的技术问题是提供一种基于迁移学习的被动太赫兹图像超分辨率重构方法，用以解决被动太赫兹所成图像分辨率低下，图像模糊不清等问题，增加被动太赫兹所成图像的显示效果，提高了太赫兹图像的分辨率。
本发明的技术方案是：一种基于迁移学习的被动太赫兹图像超分辨率重构方法，具体步骤为：
Step1：首先找到高清图像的数据集，对数据集进行预处理，然后在数据集上进行下采样，通过双三次插值法得到低分辨率图像；
Step2：利用Step1中的数据集训练得到图像重构模型，同时将高清图像和低分辨率图像输入网络中，让网络学习端到端的映射关系；
Step3：调整网络结构、被动太赫兹图像的通道和图像格式，让网络适应太赫兹灰度图；
Step4、通过迁移学习将图像重构模型应用在被动太赫兹图像领域对太赫兹相机中所成的低分辨率的图像进行增强和重构，让重构之后的图像更清晰，更有利于人眼的观察。
所述高清图片的数据集为公开数据集DIV2K800，数据集包含800张高清图片，为不同种类、不同形状的以及有不同细节的图片，以训练网络的泛化性，用以应对不同的需求。
由于公开数据集DIV2K800中的图片为尺寸较大的高清图片，较大尺寸的图片会减慢超分辨率生成对抗网络的训练速度，并且会降低训练的质量，考虑将图像切分成若干对应的小幅图片，以闪电存储映射数据库(Lightning Memory Mapped Database，简称LMDB)格式训练数据集，以提高输入输出(Input/Output，简称I/O)速度，大幅度缩短数据读取时间，从而减少了训练增强型超分辨生成对抗网络模型的时间，然后使用双三次插值法进行上采样得到低分辨率图像，再将低分辨率和高分辨率图像同时输入到网络，让模型进行学习。
所述训练方法在预先训练的峰值信噪比(Peak Signalto Noise Ratio，简称PSNR)模型进行初始化，用以给网络模型一个良好的开始，但PSNR与感知质量没有很好的相关性，PSNR的分数无法和人眼看到的视觉品质完全一致，因为人眼的视觉对于误差的敏感度并不是绝对的，其感知结果会受到许多因素的影响而产生变化。
所述增强型超分辨生成对抗网络在50万次的迭代下，在测试集中有了30.22的PSNR值和0.84的结构相似性评价指标(Structual Similarity Index，简称SSIM)值，有了相对较好的视觉效果，可以应用在被动太赫兹图像上。
所述增强型超分辨生成对抗网络是在RGB图像下进行训练的，该种图像有三通道，而对于我们所采取到的被动太赫兹图像是灰度图，只有一个通道，所以对增强型超分辨生成对抗网络的网络结构进行修改，在读取太赫兹图像的同时赋予每张图像三通道以适应该网络结构。
本发明的有益效果是：本发明利用计算机深度学习领域的方法，通过训练增强型超分辨生成对抗网络重构模型，将太赫兹相机中所成的低分辨率及带有噪声的被动太赫兹进行图像增强和重构，让重构之后的图像更清晰。本发明与现有技术相比，主要解决了以用于解决被动太赫兹所成图像分辨率低下，图像模糊不清等现象，增加被动太赫兹所成图像的显示效果，提高了太赫兹图像的分辨率。
附图说明
图1是本发明的流程图；
图2是本发明中增强型超分辨生成对抗网络流程图；
图3是本发明中增强型超分辨生成对抗网络中的RRDB模块图；
图4是本发明中当输入为真数据时鉴别器的输出真数据的对抗损失和迭代次数的关系图；
图5是本发明中当输入为真数据时鉴别器的输出虚假数据的对抗损失和迭代次数的关系图；
图6是本发明中带刀和手机的原始THz图像；
图7是是本发明中图6经过超分辨之后的图像。
具体实施方式
下面结合附图和具体实施方式，对本发明作进一步说明。
实施例1：如图1-7所示，一种基于迁移学习的被动太赫兹图像超分辨率重构方法，具体步骤为：
Step1：首先找到高清图像的数据集，对数据集进行预处理，然后在数据集上进行下采样，通过双三次插值法得到低分辨率图像；
Step2：利用Step1中的数据集训练得到图像重构模型，同时将高清图像和低分辨率图像输入网络中，让网络学习端到端的映射关系；
Step3：调整网络结构、被动太赫兹图像的通道和图像格式，让网络适应太赫兹灰度图；
Step4、通过迁移学习将图像重构模型应用在被动太赫兹图像领域对太赫兹相机中所成的低分辨率的图像进行增强和重构，让重构之后的图像更清晰，更有利于人眼的观察。
申请的核心是提供一种被动太赫兹图像超分辨率重建方法，第一能够提高被动太赫兹图像的分辨率，使经过处理的图像看起来更清晰，更加符合人眼的观察，第二是能够去除被动太赫兹图像中因为设备或其他原因而产生的噪声，使生成后的图像更有利于机器进行进一步的学习或检测工作。
采用的太赫兹图像超分辨率重建方法是ESRGAN模型，该模型是基于生成对抗网络(Generative Adversarial Network，简称GAN)加以改进来实现图像重构。
太赫兹图像处理的主要任务是提高信噪比和分辨率，以便将图像用于后续步骤，即特征提取和图像识别。太赫兹成像和光谱技术可提供传统的微波、红外等技术所不能提供的信息。太赫兹检测技术是一种新的安全技术，在当前形势下对社会公共安全起着重要作用。但通常，由太赫兹相机产生的图像具有较低的图像质量，因此我们使用了一种深度学习的方法提高太赫兹图像质量。
本发明利用计算机深度学习领域的方法，将生成对抗网络应用在图像处理领域。生成对抗网络是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。由一个生成网络与一个判别网络组成。生成网络从潜在空间中随机采样作为输入，其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数，最终目的是使判别网络无法判断生成网络的输出结果是否真实。
本发明所用模型对网络结构最大的改动是将原来的将残差模块(ResidualBlock，简称RB)网络结构替换成了密集残差块(Residual-in-Residual Dense Block，简称RRDB)的结构，即在残差结构中套入了残差结构的模块(Dense block)。
class RRDB(nn.Module):
def__init__(self,nc,kernel_size＝3,gc＝32,stride＝1,bias＝True,pad_type＝'zero',\norm_type＝None,act_type＝'leakyrelu',mode＝'CNA'):
super(RRDB,self).__init__()
self.RDB1＝ResidualDenseBlock_5C(nc,kernel_size,gc,stride,bias,pad_type,norm_type,act_type,mode)
self.RDB2＝ResidualDenseBlock_5C(nc,kernel_size,gc,stride,bias,pad_type,norm_type,act_type,mode)
self.RDB3＝ResidualDenseBlock_5C(nc,kernel_size,gc,stride,bias,pad_type,norm_type,act_type,mode)
def forward(self,x):
out＝self.RDB1(x)
out＝self.RDB2(out)
out＝self.RDB3(out)
return out.mul(0.2)+x
模块中有卷积层(Conv)和非线性激活层(LRelu)，并且不进行批量正则化(BatchNormalization，简称BN)，同时将对抗网络的判别器由标准二分类的分类器改为相对分类器，让判别器预测相对真实性；感知损失改用激活前的特征，为亮度一致性和纹理恢复提供有效的更强的约束。
在模块中移除了BN层。对于不同的基于PSNR的任务中，包括超分辨率和去模糊，去掉BN层已经被证明会提高模型的效果和减小计算的复杂度，因为BN层在训练时，使用一个批量的数据的均值和方差对该批量特征进行归一化，在测试时，使用在整个测试集上的数据预测的均值和方差。当训练集和测试集的统计量有很大不同的时候，BN层就会倾向于生成不好的伪影，并且限制模型的泛化能力。所以为了模型的稳定性、一致性和泛化性，在模型中去掉了BN层，以减少计算复杂度和内存占用。
在ESRGAN中将激活后的特征改为激活前的特征。使用激活前的特征，可以克服两个缺点：第一，激活后的特征是非常稀疏的，特别是在很深的网络中。这种稀疏的激活提供的监督效果是很弱的，会造成性能低下；第二，使用激活后的特征会导致重建图像与真实图像的亮度不一致。
训练增强型超分辨生成对抗网络所使用的高清图片的数据集为公开数据集DIV2K800，数据集包含800张高清图片，为不同种类、不同形状的以及有不同细节的图片，以训练网络的泛化性，用以应对不同的需求。
由于公开数据集DIV2K800中的图片为尺寸较大的高清图片，直接使用会减慢超分辨率生成对抗网络的训练速度，并且会降低训练的质量，考虑用Python脚本文件将图像裁剪为子图像，即切分成若干对应的小幅图片，该数据集中每一张图片均为2040×1404像素的高清图片，数据加载器会裁剪图像，因此无需阅读整个大图像，只需要阅读子图像即可，滑动窗口每隔60个像素进行裁剪，将每张图片切分成40张480×480像素的图片进行保存。
训练过程中需要低清图像和高清图像的配对，让成对的图像输入到网络中，才能让网络学习到图像由低清到高清的过程，考虑到实际的效果，需要4倍的放大才可以肉眼分辨出网络训练的效果，故使用双三次插值法在已经切分的图像基础上对图像进行4倍的下采样得到对应的40张120×120像素的图片。
由在训练期间，考虑到从存储设备加载数据或解压缩图像可能会成为瓶颈，尤其是使用2K分辨率的DIV2K数据集时。为了提高I/O速度，缩短数据读取时间，从而减少训练增强型超分辨生成对抗网络模型的时间，将裁剪过后的图像转换成以LMDB格式。LMDB格式数据存储的所有数据的信息，包括数据集名称，数据图片名称，图片的分辨率以及通道信息。采用LMDB格式，由于对每个图像进行解压缩，因此不会像从存储设备读取原始图像那样会消耗大量CPU资源。然后将创建的LMDB格式的数据放入相应的文件夹中。
由于生成对抗网络训练较难收敛，故不直接对ESRGAN进行训练，准备面向PSNR的预训练模型，将RRDB_PSNR_x4.pth用作预训练模型，用以给网络模型一个良好的开始，能让GAN快速收敛。但PSNR与感知质量没有很好的相关性，PSNR的分数无法和人眼看到的视觉品质完全一致，因为人眼的视觉对于误差的敏感度并不是绝对的，其感知结果会受到许多因素的影响而产生变化。
修改网络配置文件，对于图像的超分辨参数设置为4倍；每次读取一个小批量的图片，batch_size＝8；判别网络模型使用vgg_128，因为vgg_128网络模型对图像的特征较敏感；迭代次数设置为50万次，并且每5000次保存一次训练日志；学习率每10万次跟新；利用上述数据集训练一种增强型超分辨生成对抗网络图像重构模型，同时将高清和低清图像输入网络中让网络学习端到端的映射关系。最后在单个RTX2060的GPU上训练了4天。
在这网络结构这一部分中，训练深层网络：
1)残差信息的比例缩放：将残差乘以一个(0,1)中的数值，防止不稳定；
2)更小的初始化，发现如果初始参数的方差变小的话残差结构将会更容易训练；标准的GAN网络的判别器是判别是真还是假，而在ESRGAN中判别的是谁更像真的，谁更像假的，也就是说相对分类器判别的是真实图像相对于虚假图像更逼真的概率。
具体来说，对应的判别器的损失函数和生成器的对抗损失可以定义为：
Figure BDA0002502297960000061
Figure BDA0002502297960000062
xf是原始低分辨图像经过生成器以后的图像，由于对抗的损失包含了xr和xf,所以生成器受益于对抗训练中的生成数据和实际数据的梯度，这种调整会使得网络学习到更尖锐的边缘和更细节的纹理。
所述增强型超分辨生成对抗网络在经过50万次的迭代下，将该模型应用到公开的测试集set14中。和训练集中的图像一样，使用双三次插值法对图像进行4倍的下采样得到对应的14张不同像素的图片，因为测试集中包含14张不同分辨率的图片，因此下采样的图片像素值也不相同。
用ESRGAN生成的4倍放大的超分辨图像和测试集中的原图进行比较，计算PSNR值和SSIM值，最后经过50万次迭代的网络在测试集中有了30.22的PSNR值和0.84的SSIM值，有了相对较好的视觉效果，可以应用在被动太赫兹图像上。
增强型超分辨生成对抗网络的最终目的是应用在太赫兹图像领域，因为被动太赫兹图像采集相对较高分辨率的图像十分困难，无法直接使用太赫兹数据集进行训练，故考虑通过迁移学习的方式将训练模型应用在被动太赫兹图像领域。因为训练的时候是用的彩色图像，ESRGAN模型也是针对彩色图像，所以需要调整网络结构。由于太赫兹图像是灰度图，只有一个通道的信息，所以在读取被动太赫兹图像的时候赋予图像三通道，让三个通道的信息相同，网络才能适应太赫兹灰度图，对太赫兹图像进行重构。
最后对太赫兹图像进行重构之后的图像效果如图7所示，对比图6，隐藏在腰部的手机和刀具相比之前原始图像，确实有更好的对比度，进过ESRGAN进行重构的图像确实更清晰，更有利于人眼的观察。
以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (2)

1.一种基于迁移学习的被动太赫兹图像超分辨率重构方法，其特征在于：
Step1：首先找到高清图像的数据集，对数据集进行预处理，然后在数据集上进行下采样，通过双三次插值法得到低分辨率图像；
Step2：利用Step1中的数据集训练得到图像重构模型，同时将高清图像和低分辨率图像输入网络中，让网络学习端到端的映射关系；
Step3：调整网络结构、被动太赫兹图像的通道和图像格式，让网络适应太赫兹灰度图；
Step4、通过迁移学习将图像重构模型应用在被动太赫兹图像领域对太赫兹相机中所成的低分辨率的图像进行增强和重构。
2.根据权利要求1所述的基于迁移学习的被动太赫兹图像超分辨率重构方法，其特征在于：所述高清图片的数据集为公开数据集DIV2K800，数据集包含800张高清图片。
CN202010436073.0A 2020-05-21 2020-05-21 一种基于迁移学习的被动太赫兹图像超分辨率重构方法 Pending CN111784573A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010436073.0A CN111784573A (zh) 2020-05-21 2020-05-21 一种基于迁移学习的被动太赫兹图像超分辨率重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010436073.0A CN111784573A (zh) 2020-05-21 2020-05-21 一种基于迁移学习的被动太赫兹图像超分辨率重构方法

Publications (1)

Publication Number Publication Date
CN111784573A true CN111784573A (zh) 2020-10-16

Family

ID=72754397

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010436073.0A Pending CN111784573A (zh) 2020-05-21 2020-05-21 一种基于迁移学习的被动太赫兹图像超分辨率重构方法

Country Status (1)

Country Link
CN (1) CN111784573A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112014349A (zh) * 2020-11-02 2020-12-01 季华实验室 太赫兹时域光谱成像复原方法、装置、存储介质及终端
CN112365403A (zh) * 2020-11-20 2021-02-12 山东大学 一种基于深度学习和相邻帧的视频超分辨率恢复方法
CN113450267A (zh) * 2021-05-14 2021-09-28 桂林电子科技大学 可快速获取多种自然退化图像复原模型的迁移学习方法
CN114037609A (zh) * 2021-10-21 2022-02-11 中国科学院沈阳自动化研究所 一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法
CN114636704A (zh) * 2022-03-10 2022-06-17 电子科技大学 一种基于深度学习的太赫兹连续波三维层析成像方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100280779A1 (en) * 2007-07-12 2010-11-04 White Jeffrey S System and method to measure the transit time position(s) of pulses in time domain data
CN104574301A (zh) * 2014-12-25 2015-04-29 深圳市一体太赫兹科技有限公司 一种太赫兹图像重构方法及系统
CN104990888A (zh) * 2015-06-24 2015-10-21 河南工业大学 利用太赫兹成像技术检测储备粮食粒内虫害的方法
CN109191376A (zh) * 2018-07-18 2019-01-11 电子科技大学 基于srcnn改进模型的高分辨率太赫兹图像重构方法
CN109740688A (zh) * 2019-01-09 2019-05-10 广东工业大学 一种太赫兹图像信息解译方法、网络及存储介质
CN109785237A (zh) * 2019-01-25 2019-05-21 广东工业大学 一种太赫兹图像超分辨率重建方法、系统及相关装置
CN110068543A (zh) * 2019-03-26 2019-07-30 昆明理工大学 一种基于迁移学习的太赫兹光谱识别方法
CN110472696A (zh) * 2019-08-22 2019-11-19 昆明理工大学 一种基于dcgan生成太赫兹人体图像的方法
CN110490151A (zh) * 2019-08-22 2019-11-22 昆明理工大学 一种基于Mask RCNN识别太赫兹安检图像可疑物体的检测方法
CN110599401A (zh) * 2019-08-19 2019-12-20 中国科学院电子学研究所 遥感图像超分辨率重建方法、处理装置及可读存储介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100280779A1 (en) * 2007-07-12 2010-11-04 White Jeffrey S System and method to measure the transit time position(s) of pulses in time domain data
CN104574301A (zh) * 2014-12-25 2015-04-29 深圳市一体太赫兹科技有限公司 一种太赫兹图像重构方法及系统
CN104990888A (zh) * 2015-06-24 2015-10-21 河南工业大学 利用太赫兹成像技术检测储备粮食粒内虫害的方法
CN109191376A (zh) * 2018-07-18 2019-01-11 电子科技大学 基于srcnn改进模型的高分辨率太赫兹图像重构方法
CN109740688A (zh) * 2019-01-09 2019-05-10 广东工业大学 一种太赫兹图像信息解译方法、网络及存储介质
CN109785237A (zh) * 2019-01-25 2019-05-21 广东工业大学 一种太赫兹图像超分辨率重建方法、系统及相关装置
CN110068543A (zh) * 2019-03-26 2019-07-30 昆明理工大学 一种基于迁移学习的太赫兹光谱识别方法
CN110599401A (zh) * 2019-08-19 2019-12-20 中国科学院电子学研究所 遥感图像超分辨率重建方法、处理装置及可读存储介质
CN110472696A (zh) * 2019-08-22 2019-11-19 昆明理工大学 一种基于dcgan生成太赫兹人体图像的方法
CN110490151A (zh) * 2019-08-22 2019-11-22 昆明理工大学 一种基于Mask RCNN识别太赫兹安检图像可疑物体的检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李增: "太赫兹成像系统及超分辨图像重建算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 *
李艳春: "生成对抗网络的改进方法与超分辨率图像重建研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 *
郭佑东: "基于梯度变换的太赫兹图像超分辨率重建技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112014349A (zh) * 2020-11-02 2020-12-01 季华实验室 太赫兹时域光谱成像复原方法、装置、存储介质及终端
CN112365403A (zh) * 2020-11-20 2021-02-12 山东大学 一种基于深度学习和相邻帧的视频超分辨率恢复方法
CN112365403B (zh) * 2020-11-20 2022-12-27 山东大学 一种基于深度学习和相邻帧的视频超分辨率恢复方法
CN113450267A (zh) * 2021-05-14 2021-09-28 桂林电子科技大学 可快速获取多种自然退化图像复原模型的迁移学习方法
CN114037609A (zh) * 2021-10-21 2022-02-11 中国科学院沈阳自动化研究所 一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法
CN114037609B (zh) * 2021-10-21 2024-04-19 中国科学院沈阳自动化研究所 一种基于学习太赫兹成像逆过程的太赫兹图像超分辨算法
CN114636704A (zh) * 2022-03-10 2022-06-17 电子科技大学 一种基于深度学习的太赫兹连续波三维层析成像方法
CN114636704B (zh) * 2022-03-10 2023-05-26 电子科技大学 一种基于深度学习的太赫兹连续波三维层析成像方法

Similar Documents

Publication Publication Date Title
CN111784573A (zh) 一种基于迁移学习的被动太赫兹图像超分辨率重构方法
Li et al. Compressive ghost imaging through scattering media with deep learning
Jifara et al. Medical image denoising using convolutional neural network: a residual learning approach
US20200387750A1 (en) Method and apparatus for training neural network model for enhancing image detail
CN109785237B (zh) 一种太赫兹图像超分辨率重建方法、系统及相关装置
Gupta et al. Predicting detection performance on security X-ray images as a function of image quality
Jiang Edge enhancement and noise suppression for infrared image based on feature analysis
CN114926374B (zh) 一种基于ai的图像处理方法、装置、设备及可读存储介质
Hu et al. Microwave radiometer data superresolution using image degradation and residual network
CN115908257A (zh) 缺陷识别模型训练方法及果蔬缺陷识别方法
CN114529462A (zh) 一种基于改进YOLO V3-Tiny的毫米波图像目标检测方法及系统
Liu et al. Infrared and visible image fusion via salient object extraction and low-light region enhancement
El-Tokhy et al. Classification of welding flaws in gamma radiography images based on multi-scale wavelet packet feature extraction using support vector machine
Fan et al. Cervical lesion image enhancement based on conditional entropy generative adversarial network framework
Hou et al. Super-resolution reconstruction algorithm for terahertz images
Krishnan et al. A novel underwater image enhancement technique using ResNet
Zhang A selection of image processing techniques: from fundamentals to research front
Feng et al. High-turbidity underwater active single-pixel imaging based on generative adversarial networks with double Attention U-Net under low sampling rate
Danso et al. Denoising terahertz image using non-linear filters
CN116664587A (zh) 基于伪彩色增强的混合注意力UNet超声图像分割方法与装置
Quan Quality evaluation method of agricultural product packaging image based on structural similarity and MTF
He et al. Research on single-pixel imaging method in the complex environment
CN116977911A (zh) 基于注意力机制的目标检测模型及其训练方法、目标检测方法
Chinnathambi et al. Despeckling of ultrasound images using directionally decimated wavelet packets with adaptive clustering
Chang et al. A novel method of radiographic image enhancement based on phase symmetry

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20201016

RJ01 Rejection of invention patent application after publication