CN116362974B - 一种超分辨率水泥水化图像生成方法和装置 - Google Patents
一种超分辨率水泥水化图像生成方法和装置 Download PDFInfo
- Publication number
- CN116362974B CN116362974B CN202310645828.1A CN202310645828A CN116362974B CN 116362974 B CN116362974 B CN 116362974B CN 202310645828 A CN202310645828 A CN 202310645828A CN 116362974 B CN116362974 B CN 116362974B
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- super
- cement
- cement hydration
- 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.)
- Active
Links
- 238000006703 hydration reaction Methods 0.000 title claims abstract description 220
- 230000036571 hydration Effects 0.000 title claims abstract description 212
- 239000004568 cement Substances 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000012360 testing method Methods 0.000 claims abstract description 135
- 238000012549 training Methods 0.000 claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000011065 in-situ storage Methods 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 39
- 238000001228 spectrum Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 230000003416 augmentation Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012805 post-processing Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000001131 transforming effect Effects 0.000 claims description 8
- 230000003190 augmentative effect Effects 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000002002 slurry Substances 0.000 description 4
- CLOMYZFHNHFSIQ-UHFFFAOYSA-N clonixin Chemical compound CC1=C(Cl)C=CC=C1NC1=NC=CC=C1C(O)=O CLOMYZFHNHFSIQ-UHFFFAOYSA-N 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000013256 Gubra-Amylin NASH model Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052918 calcium silicate Inorganic materials 0.000 description 1
- 235000012241 calcium silicate Nutrition 0.000 description 1
- JHLNERQLKQQLRZ-UHFFFAOYSA-N calcium silicate Chemical compound [Ca+2].[Ca+2].[O-][Si]([O-])([O-])[O-] JHLNERQLKQQLRZ-UHFFFAOYSA-N 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- BCAARMUWIRURQS-UHFFFAOYSA-N dicalcium;oxocalcium;silicate Chemical compound [Ca+2].[Ca+2].[Ca]=O.[O-][Si]([O-])([O-])[O-] BCAARMUWIRURQS-UHFFFAOYSA-N 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005510 radiation hardening Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000003469 silicate cement Substances 0.000 description 1
- 238000004513 sizing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 229910021534 tricalcium silicate Inorganic materials 0.000 description 1
- 235000019976 tricalcium silicate Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明实施例提供了一种超分辨率水泥水化图像生成方法和装置，所述方法包括：获取水泥水化图像集；根据水泥水化图像集，对改进的超分辨率重建测试算法进行训练，构建超分辨率图像生成模型，改进的超分辨率重建测试算法包括残差网络结构和改进的损失函数，改进的损失函数包括正则项；通过超分辨率图像生成模型，对采集的当前水泥水化图像进行超分辨率特征识别，得到超分辨率水泥水化图像，通过拍摄不同特征的水化图像，并对构造的通过改进的超分辨率重建测试算法加以训练，以实现对水泥水化微观X‑CT图像的超分辨，能够有效放大水化图像，保证图像细节和图像质量。
Description
技术领域
本发明涉及计算机技术领域，尤其涉及一种超分辨率水泥水化图像生成方法和装置。
背景技术
水泥材料的绝大多数劣化问题根源在微观、调控靠水化，然而水泥水化的直观表征，尤其是无损的动态检测一直是业内难点。基于X射线断层扫描（X-CT）技术可以重建出水泥随时间变化的三维结构，实现水化结构发展的表征，然而由于物理局限，若要达到微米X-CT的拍摄极限（0.5μm空间分辨率），必须要制备极小的水泥样品（尺寸在1mm以下），小样品的制备工艺繁杂、代表性有限，更难以与其他水泥宏观试验相对接，因而为水化研究带来了诸多阻碍。相关技术中，通常通过插值的方法或基于图像的先验知识进行图像重建的方法实现分辨率的提高，但插值方法由于是根据周围像素进行计算，无法获取高频图像信息，会丢失水化大量细节，导致图像失真；水泥水化图像无法提供较好的先验知识，且水化研究往往需要放大更多倍数，但基于图像的先验知识进行图像重建的方法重建倍数较小，所以对水泥水化超分辨问题的应对极其有限，得到的图像的分辨率不足，图像质量较低。
发明内容
本发明的一个目的在于提供一种超分辨率水泥水化图像生成方法，通过拍摄不同特征的水化图像，并对构造的通过改进的超分辨率重建测试算法加以训练，以实现对水泥水化微观X-CT图像的超分辨，能够有效放大水化图像，保证图像细节和图像质量。本发明的另一个目的在于提供一种超分辨率水泥水化图像生成装置。本发明的再一个目的在于提供一种计算机可读介质。本发明的还一个目的在于提供一种计算机设备。
为了达到以上目的，本发明一方面公开了一种超分辨率水泥水化图像生成方法，包括：
获取水泥水化图像集；
根据水泥水化图像集，对改进的超分辨率重建测试算法进行训练，构建超分辨率图像生成模型，改进的超分辨率重建测试算法包括残差网络结构和改进的损失函数，改进的损失函数包括正则项；
通过超分辨率图像生成模型，对采集的当前水泥水化图像进行超分辨率特征识别，得到超分辨率水泥水化图像。
优选的，获取水泥水化图像集，包括：
获取水泥水化原始图像集；
对水泥水化原始图像集进行后处理，得到高分辨率原始图像集；
通过震荡双线性插值算法，对高分辨率原始图像集进行缩放处理，得到对应的低分辨率原始图像集；
对高分辨率原始图像集和低分辨率原始图像集合并，得到水泥水化图像集。
优选的，对水泥水化原始图像集进行后处理，得到高分辨率原始图像集，包括：
通过预设的中心裁剪标准，对高分辨率原始图像集中的高分辨率原始图像的中心位置进行指定尺寸的图像裁剪，得到裁剪后的水泥水化图像；
对裁剪后的水泥水化图像进行图像划分，得到具备环状伪影的图像和无环状伪影的图像；
对具备环状伪影的图像进行去伪影与去噪处理，得到去伪影与去噪处理后的水泥水化图像；
对无环状伪影的图像进行去噪处理，得到去噪处理后的水泥水化图像；
根据去伪影与去噪处理后的水泥水化图像和去噪处理后的水泥水化图像，生成高分辨率原始图像集。
优选的，对裁剪后的水泥水化图像进行图像划分，得到具备环状伪影的图像和无环状伪影的图像，包括：
获取裁剪后的水泥水化图像的灰度矩阵；
对灰度矩阵进行傅里叶变换，得到复数矩阵；
根据复数矩阵，生成所述复数矩阵的幅度谱；
对幅度谱进行变换，得到图像伪影值；
通过预设的判断因子，根据图像伪影值与预设的伪影阈值，将裁剪后的水泥水化图像划分为具备环状伪影的图像和无环状伪影的图像。
优选的，根据水泥水化图像集，对改进的超分辨率重建测试算法进行训练，构建超分辨率图像生成模型，包括：
按照指定比例对水泥水化图像集进行划分，得到训练图像集和验证图像集；
根据训练图像集，对改进的超分辨率重建测试算法进行训练，得到初始图像生成模型；
通过验证图像集，对初始图像生成模型的超参数进行修正，得到超分辨率图像生成模型。
优选的，在根据训练图像集，对改进的超分辨率重建测试算法进行训练，得到初始图像生成模型之前，还包括：
对训练图像集进行增广处理，得到增广后的训练图像集。
优选的，在根据水泥水化图像集，对改进的超分辨率重建测试算法进行训练，构建超分辨率图像生成模型之后，还包括：
获取测试图像集，测试图像集包括低分辨率测试图像和对应的原位高分辨率测试图像；
通过超分辨率图像生成模型，对低分辨率测试图像进行超分辨率特征识别，得到超分辨率图像；
根据原位高分辨率测试图像和超分辨率测试图像，生成超分辨测试结果。
优选的，根据原位高分辨率测试图像和超分辨率测试图像，生成超分辨测试结果，包括：
按照物相分别对原位高分辨率测试图像和超分辨率测试图像进行阈值分割，得到每种物相对应的原位高分辨率二值化图像和超分辨率二值化图像；
对每种物相对应的原位高分辨率二值化图像和超分辨率二值化图像进行平均交并比计算，得到超分辨测试结果。
本发明还公开了一种超分辨率水泥水化图像生成装置，包括：
第一获取单元，用于获取水泥水化图像集；
模型构建单元，用于根据水泥水化图像集，对改进的超分辨率重建测试算法进行训练，构建超分辨率图像生成模型，改进的超分辨率重建测试算法包括残差网络结构和改进的损失函数，改进的损失函数包括正则项；
第一识别单元，用于通过超分辨率图像生成模型，对采集的当前水泥水化图像进行超分辨率特征识别，得到超分辨率水泥水化图像。
优选的，第一获取单元，具体用于获取水泥水化原始图像集；对水泥水化原始图像集进行后处理，得到高分辨率原始图像集；通过震荡双线性插值算法，对高分辨率原始图像集进行缩放处理，得到对应的低分辨率原始图像集；对高分辨率原始图像集和低分辨率原始图像集合并，得到水泥水化图像集。
优选的，第一获取单元，具体用于通过预设的中心裁剪标准，对高分辨率原始图像集中的高分辨率原始图像的中心位置进行指定尺寸的图像裁剪，得到裁剪后的水泥水化图像；对裁剪后的水泥水化图像进行图像划分，得到具备环状伪影的图像和无环状伪影的图像；对具备环状伪影的图像进行去伪影与去噪处理，得到去伪影与去噪处理后的水泥水化图像；对无环状伪影的图像进行去噪处理，得到去噪处理后的水泥水化图像；根据去伪影与去噪处理后的水泥水化图像和去噪处理后的水泥水化图像，生成高分辨率原始图像集。
优选的，第一获取单元，具体用于获取裁剪后的水泥水化图像的灰度矩阵；对灰度矩阵进行傅里叶变换，得到复数矩阵；根据复数矩阵，生成复数矩阵的幅度谱；对幅度谱进行变换，得到图像伪影值；通过预设的判断因子，根据图像伪影值与预设的伪影阈值，将裁剪后的水泥水化图像划分为具备环状伪影的图像和无环状伪影的图像。
优选的，模型构建单元，具体用于按照指定比例对水泥水化图像集进行划分，得到训练图像集和验证图像集；根据训练图像集，对改进的超分辨率重建测试算法进行训练，得到初始图像生成模型；通过验证图像集，对初始图像生成模型的超参数进行修正，得到超分辨率图像生成模型。
优选的，装置还包括：
增广单元，用于对训练图像集进行增广处理，得到增广后的训练图像集。
优选的，装置还包括：
第二获取单元，用于获取测试图像集，测试图像集包括低分辨率测试图像和对应的原位高分辨率测试图像；
第二识别单元，用于通过超分辨率图像生成模型，对低分辨率测试图像进行超分辨率特征识别，得到超分辨率图像；
测试结果生成单元，用于根据原位高分辨率测试图像和超分辨率测试图像，生成超分辨测试结果。
优选的，测试结果生成单元，具体用于按照物相分别对原位高分辨率测试图像和超分辨率测试图像进行阈值分割，得到每种物相对应的原位高分辨率二值化图像和超分辨率二值化图像；对每种物相对应的原位高分辨率二值化图像和超分辨率二值化图像进行平均交并比计算，得到超分辨测试结果。
本发明还公开了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述方法。
本发明还公开了一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述处理器执行所述程序时实现如上所述方法。
本发明还公开了一种计算机程序产品，包括计算机程序/指令，计算机程序/指令被处理器执行时实现如上所述方法。
本发明获取水泥水化图像集；根据水泥水化图像集，对改进的超分辨率重建测试算法进行训练，构建超分辨率图像生成模型，改进的超分辨率重建测试算法包括残差网络结构和改进的损失函数，改进的损失函数包括正则项；通过超分辨率图像生成模型，对采集的当前水泥水化图像进行超分辨率特征识别，得到超分辨率水泥水化图像，通过拍摄不同特征的水化图像，并对构造的通过改进的超分辨率重建测试算法加以训练，以实现对水泥水化微观X-CT图像的超分辨，能够有效放大水化图像，保证图像细节和图像质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种超分辨率水泥水化图像生成方法的流程图；
图2为本发明实施例提供的又一种超分辨率水泥水化图像生成方法的流程图；
图3为本发明实施例提供的一种超分辨率水泥水化图像生成装置的结构示意图；
图4为本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了便于理解本申请提供的技术方案，下面先对本申请技术方案的相关内容进行说明。水泥混凝土的性能研究关键在微观，微观结构的形成是水泥水化发展的必然结果，其演化问题关乎混凝土长期服役。相比于电子显微镜技术，X射线断层扫描（X-CT）可以实现原位无损三维结构检测，是表征水化结构时变演化的不可替代的重要技术。突破X-CT拍摄局限，可以更好地发展X-CT在水化领域的应用、更好地推动水化机理研究、更好地为新材料发展提供助力。近年来，随着人工智能方法地蓬勃发展，深度学习方法在计算机视觉领域不断推陈出新，催生出许多训练速度快、提取特征准、泛用性强的网络架构。对抗生成网络（GAN）可以通过自己学习图像特征并不断迭代优化，生成具有训练数据特征相关的图像，使其具有极大地开发潜能。对GAN模型进行优化，使其成为针对水泥水化图像更准确的模型，从而用训练模型自己生成水化的超分辨图像，可以突破X-CT基于射线衰减规律的物理极限，实现大型样品更加精细的水化结构获取。本发明提供了一种基于深度学习的X-CT超分辨率水泥水化图像生成方法，通过拍摄不同特征的水化图像，并对构造的深度学习模型加以训练，以实现对水泥水化微观X-CT图像的超分辨，该发明可以有效放大水化图像4倍有余，提升体素的体积提升96倍，并且具有较强的鲁棒性。
下面以超分辨率水泥水化图像生成装置作为执行主体为例，说明本发明实施例提供的超分辨率水泥水化图像生成方法的实现过程。可理解的是，本发明实施例提供的超分辨率水泥水化图像生成方法的执行主体包括但不限于超分辨率水泥水化图像生成装置。
图1为本发明实施例提供的一种超分辨率水泥水化图像生成方法的流程图，如图1所示，该方法包括：
步骤101、获取水泥水化图像集。
步骤102、根据水泥水化图像集，对改进的超分辨率重建测试算法进行训练，构建超分辨率图像生成模型，改进的超分辨率重建测试算法包括残差网络结构和改进的损失函数，改进的损失函数包括正则项。
步骤103、通过超分辨率图像生成模型，对采集的当前水泥水化图像进行超分辨率特征识别，得到超分辨率水泥水化图像。
本发明实施例提供的技术方案中，获取水泥水化图像集；根据水泥水化图像集，对改进的超分辨率重建测试算法进行训练，构建超分辨率图像生成模型，改进的超分辨率重建测试算法包括残差网络结构和改进的损失函数，改进的损失函数包括正则项；通过超分辨率图像生成模型，对采集的当前水泥水化图像进行超分辨率特征识别，得到超分辨率水泥水化图像，通过拍摄不同特征的水化图像，并对构造的通过改进的超分辨率重建测试算法加以训练，以实现对水泥水化微观X-CT图像的超分辨，能够有效放大水化图像，保证图像细节和图像质量。
图2为本发明实施例提供的又一种超分辨率水泥水化图像生成方法的流程图，如图2所示，该方法包括：
步骤201、获取水泥水化原始图像集。
本发明实施例中，各步骤由超分辨率水泥水化图像生成装置执行。
本发明实施例中，水泥水化原始图像集是对水泥矿物净浆样品进行全周期拍摄得到的图像集，水泥水化原始图像集包括多幅水泥水化原始图像。作为一种可选方案，选用硅酸三钙（C3S）、纯硅酸二钙（C2S）以及低热硅酸盐水泥三种材料，并以0.5的水胶比将三种材料分别与水分混合，搅拌30秒后，制备出纯C3S浆体、纯C2S浆体、半C3S/C2S浆体以及低热水泥浆体，装入直径为0.5mm高度为5mm的聚乙酰胺毛细管中，静置1h后开启拍摄；射线源管电压为60Kv，管电流为50uA，体素分辨率为r = 0.492um3/voxel，拍摄帧数为1080FPS，样品拍摄1h、2h、4h、8h、12h、24h、1d、3d、7d、28d、56d的数据得到的原始数据体，拍摄56天的分辨率为1.972 um3/voxel数据体，数据体尺寸均为2000pixel×2000pixel×2000pixel，沿z轴方向共2000张切片图像，每张图像的尺寸为2000pixel×2000pixel。
步骤202、对水泥水化原始图像集进行后处理，得到高分辨率原始图像集。
本发明实施例中，步骤202具体包括：
步骤2021、通过预设的中心裁剪标准，对高分辨率原始图像集中的高分辨率原始图像的中心位置进行指定尺寸的图像裁剪，得到裁剪后的水泥水化图像。
本发明实施例中，中心裁剪标准可以根据实际需求进行设置，本发明实施例对此不做限定。
具体地，对于给定的图像，以中心裁剪的方法，截取图像中心位置处自定尺寸的图像，得到裁剪后的水泥水化图像。
步骤2022、对裁剪后的水泥水化图像进行图像划分，得到具备环状伪影的图像和无环状伪影的图像。
本发明实施例中，从裁剪后的水泥水化图像中，选取出无伪影、无射线硬化的图像以及有部分噪声无明显伪影和硬化的图像作为质量优良的水泥水化图像，选取出具备环状伪影的图像作为质量较差的水泥水化图像。
本发明实施例中，通过算法将数据自动分成具有环状伪影与无环状伪影的两部分，具体通过以下方法实现：
步骤a1、获取裁剪后的水泥水化图像的灰度矩阵。
具体地，取裁剪后的水泥水化图像的灰度矩阵，灰度矩阵记作a，矩阵中的每个元素（x,y）。
步骤a2、对灰度矩阵进行傅里叶变换，得到复数矩阵。
具体地，通过，对灰度矩阵进行傅里叶变换，得到复数矩阵。其中，a（x,y）为灰度矩阵，x = 0, 1, ..., M-1； y = 0, 1, ..., N-1，其中M和N分别为矩阵A的宽度和高度（在这种情况下为128），j表示虚数单位，A（u，v）为复数矩阵，（u，v）为（x，y）进行二维离散傅里变换后的元素。
步骤a3、根据复数矩阵，生成复数矩阵的幅度谱。
具体地，通过，计算出复数矩阵的幅度谱M，其中，A（u，v）为复数矩阵，M（u，v）为幅度谱中的元素，幅度谱能够显示图像的频率分布。
步骤a4、对幅度谱进行变换，得到图像伪影值。
为了便于可视化和进一步处理，将幅度谱M缩放到0-255范围内。
具体地，通过，/>，，对幅度谱中的元素进行变换，得到图像伪影值。其中，M（u，v）为幅度谱中的元素，M’（u，v）为该元素对应的缩放后的幅度谱。
进一步地，通过霍夫圆变换，对缩放后的幅度谱M’进行变换，得到图像伪影值。具体地，通过对缩放后的幅度谱M’进行霍夫圆变换，得到图像伪影值。其中，/>为图像伪影值，x'和y'是圆心坐标，R是圆半径，θ是角度，δ是狄拉克δ函数。
步骤a5、通过预设的判断因子，根据图像伪影值与预设的伪影阈值，将裁剪后的水泥水化图像划分为具备环状伪影的图像和无环状伪影的图像。
本发明实施例中，判断因子和伪影阈值可以根据实际需求进行设置，本发明实施例对此不做限定。作为一种可选方案，伪影阈值可以通过预读取的几张环状伪影图像与非环状伪影图像的中间值确定，本发明实施例中将伪影阈值设置为110，可以有效筛选出具有环状伪影的图像。
具体地，通过，根据判断因子、图像伪影值与伪影阈值，得到环状伪影判断结果。其中，ρ 0为伪影阈值，/>为图像伪影值，J为判断因子。当J=1时，表示该图像存在环状伪影；当J=0时，表示该图像不存在环状伪影。通过判断因子得到环状伪影判断结果，将裁剪后的水泥水化图像划分为具备环状伪影的图像和无环状伪影的图像，由此可实现环状伪影筛分。
步骤2023、对具备环状伪影的图像进行去伪影与去噪处理，得到去伪影与去噪处理后的水泥水化图像。
本发明实施例中，具备环状伪影的图像属于质量较差的水泥水化图像，从质量较差的水泥水化图像中，进行去环状伪影与去噪处理，并再次进行上述步骤2022的划分并筛选出仍然具备环状伪影的图像，过滤掉再次被筛选出的图像。留下修正完成的不再具备环状伪影的图像，并与最先选出的无环状伪影的图像合并组成筛选出的去伪影后的水泥水化图像。
本发明实施例中，通过第三方数据处理工具，对筛选出的去伪影后的水泥水化图像进行去噪处理，得到去伪影与去噪处理后的水泥水化图像。例如，去噪处理后的水泥水化图像的空间标准差为2，强度标准差为0.15。作为一种可选方案，第三方处理工具提供多种去噪方法，例如：均值滤波、高斯滤波以及非局部均值滤波峰操作。
步骤2024、对无环状伪影的图像进行去噪处理，得到去噪处理后的水泥水化图像。
本发明实施例中，对无环状伪影的图像进行去噪处理的方法与步骤2023相同，在此不再重复赘述。
步骤2025、根据去伪影与去噪处理后的水泥水化图像和所述去噪处理后的水泥水化图像，生成高分辨率原始图像集。
本发明实施例中，高分辨率原始图像集中包括多幅高分辨率的水泥水化原始图像，每幅高分辨率的水泥水化原始图像均为质量优良的图像。
本发明实施例中，为保证结果的鲁棒性，将质量优良的水泥水化原始图像去噪后保留，将质量较差的水泥水化原始图像进行去环状伪影、去噪处理后保留，得到高分辨率原始图像集，降低后续模型训练过程中学习到不良特征的概率，从而保证模型准确率。
步骤203、通过震荡双线性插值算法，对高分辨率（HR）原始图像集进行缩放处理，得到对应的低分辨率（LR）原始图像集。
本发明实施例中，HR原始图像集包括多幅HR原始图像，LR原始图像集包括多幅LR原始图像。
具体地，通过以下公式，对HR原始图像的每个像素坐标进行指定范围缩放，得到LR原始图像。
其中，g(i, j)为目标像素；(i, j)为其原始坐标(x, y)在缩放后的新坐标；x1、x2、y1和y2组合构成了g(i, j)在周围四个邻近像素的坐标；u和v为插值系数，△r u 为u的随机偏移量，△r u 在(0.05，0.15)u范围内震荡；△r v 为v的随机偏移量，△r v 在(0.05，0.15)v范围内震荡；u’和v’为偏移后的插值系数。
值得说明的是，指定范围为根据实际需求预先设置的，本发明实施例对此不做限定。作为一种可选方案，指定范围为1/4倍，即： LR原始图像为HR原始图像缩放至1/4×1/4倍得到的。
步骤204、对HR原始图像集和LR原始图像集合并，得到水泥水化图像集。
本发明实施例中，水泥水化图像集包括HR原始图像集和LR原始图像集。通过震荡双线性插值算法，对HR原始图像数据集进行插值，能够引入图像处理的不规则性，防止图像过拟合，提升鲁棒性。
步骤205、根据水泥水化图像集，对改进的超分辨率重建测试（ESRGAN）算法进行训练，构建超分辨率图像生成模型，改进的超分辨率重建测试算法包括残差网络结构（resnet50网络）和改进的损失函数，改进的损失函数包括正则项。
本发明实施例中，步骤205具体包括：
步骤2051、按照指定比例对水泥水化图像集进行划分，得到训练图像集和验证图像集。
本发明实施例中，指定比例可以根据实际需求进行设置，本发明实施例对此不做限定。作为一种可选方案，训练图像集和验证图像集之间的指定比例为9：1，即：将水泥水化图像集中的90%的水泥水化图像作为训练图像集，将水泥水化图像集中的10%的水泥水化图像作为验证图像集。
步骤2052、对训练图像集进行增广处理，得到增广后的训练图像集。
本发明实施例中，增广处理包括但不限于随机旋转、随机切割、随机翻折、随机灰度调节和随机亮度调节。其中，随机旋转的旋转范围在0至180°之间，随机切割的切割尺寸为原尺寸的0.4至1倍，随机翻折为对图像的上下左右翻折，随机灰度调节为对图像整体灰度调节为原灰度的0.8至1.2倍，随机亮度调节为对图像整体亮度调节为原亮度的0.8至1.2倍。
本发明实施例中，对训练图像集进行增广处理能够提高模型网络对输入数据样品的鲁棒性和泛化能力。
步骤2053、根据训练图像集，对改进的ESRGAN算法进行训练，得到初始图像生成模型。
本发明实施例中，为了提高提取性能和效率，将传统ESRGAN算法中的vgg19网络替换为resnet50网络，去除resnet50网络的后两层，搭接生成器。
本发明实施例中，水泥水化图像具有小型孔隙、矿物、水化产物、气孔隙裂隙分布不均的特征，且存在一些劣质图像的噪声，图像的复杂度较高。为了避免引发判别器的误判，应提高判别器的判别裕度和生成器的准确性。因此，结合传统ESRGAN算法与L1损失，改进了ESRGAN网络的损失函数，其改进后形式如下：
其中，LossD与LossG分别为判别器和生成器的损失函数；L RaD表示真实图像和真实图像经过低分辨率化后通过生成器生成的高分辨假图像之间的对抗损失；L L1为L1损失，用于衡量真实数据与假数据之间的绝对差异；xr为在应用过程中为真实图像，在训练过程中为训练图像集中的LR原始图像；xf是xr经过低分辨率化后通过生成器生成的超分辨图像；为生成器的生成数据的梯度损失，为生成器实际数据的梯度损失；为判别器的生成数据的梯度损失，为判别器实际数据的梯度损失；λ为权重系数；为L1正则项；D Ra (x r ,x f )表示判别器对真实数据和假数据的判断函数，是一个CNN网络，输出范围为（0,1），接近1会判断为真实数据，接近0会判断为是生成的假数据；表示关于真实图像数据的期望值；/>表示关于生成的假数据的期望值。
本发明实施例中，在损失函数中添加了L1正则项，用于辅助训练，提高对不同水泥材料的泛化能力。
具体地，在预设的模型训练环境下，将训练图像集输入改进的ESRGAN算法，对训练图像集进行迭代训练，直至满足预先设置的迭代要求，停止模型训练，输出初始图像生成模型。
值得说明的是，模型训练环境为预先设置的，模型训练环境包括但不限于操作系统、模型运行环境、显卡、显卡驱动版本、统一计算设备架构（CUDA）版本和机器学习库（Pytorch）版本。作为一种可选方案，操作系统为Ubuntu 20.04LTS，模型运行环境为Pytorch+CUDA，显卡为NVIDIA 4090×4，显卡驱动版本为520.56.06，CUDA版本为11.8，Pytorch版本为Stable（1.13.1）。在上述模型训练环境下，对训练图像集进行500个Epoch（一次正向传播和一次反向传播）训练，用可视化工具（tensorboard）输出模型的判别器与生成器的损失曲线，每1个epoch保存一个二分类（pth）模型参数，根据训练结果选择最优模型作为初始图像生成模型。
步骤2054、通过验证图像集，对初始图像生成模型的超参数进行修正，得到超分辨率图像生成模型。
具体地，将验证图像集输入初始图像生成模型进行计算，根据输出结果对初始图像生成模型的超参数进行修正，训练出识别水泥水化图像超分辨特征的超分辨图像生成模型并保存。
步骤206、获取测试图像集，测试图像集包括低分辨率测试图像和对应的原位高分辨率测试图像。
本发明实施例中，测试图像集通过拍摄低分辨率的图像（LR_T）和对应的原位高分辨率图像（HR_T）进行建立。值得说明的是，LR_T与HR_T是对应相同位置不同分辨率的图像。作为一种可选方案，将56天拍摄的1.972 um3/voxel的图像作为LR_T，将56天拍摄的0.492um3/voxel的图像作为HR_T；根据LR_T与HR_T，构建测试图像集。
步骤207、通过超分辨率图像生成模型，对低分辨率测试图像进行超分辨率特征识别，得到超分辨率图像。
具体地，将低分辨率测试图像输入超分辨率图像生成模型进行超分辨率特征识别，输出超分辨率图像。
步骤208、根据原位高分辨率测试图像和超分辨率测试图像，生成超分辨测试结果。
本发明实施例中，步骤208具体包括：
步骤2081、按照物相分别对原位高分辨率测试图像和超分辨率测试图像进行阈值分割，得到每种物相对应的原位高分辨率二值化图像和超分辨率二值化图像。
本发明实施例中，原位高分辨率测试图像为实际拍摄的高分辨率图像，超分辨率测试图像是通过超分辨率图像生成模型生成的高分辨率图像，需要对原位高分辨率测试图像和超分辨率测试图像进行比较，从而判定超分辨率图像生成模型的模型效果。
本发明实施例，物相的种类数量以测试图像为准；将原位高分辨率测试图像以物相进行阈值分割，得到该物相对应的原位高分辨率二值化图像；将超分辨率测试图像以物相进行阈值分割，得到该物相对应的超分辨率二值化图像。
步骤2082、对每种物相对应的原位高分辨率二值化图像和超分辨率二值化图像进行平均交并比计算，得到超分辨测试结果。
具体地，通过，对每种物相对应的原位高分辨率二值化图像和超分辨率二值化图像进行平均交并比计算，得到超分辨测试结果。其中，/>为超分辨率测试图像的二值化图像集合，/>为原位高分辨率测试图像的二值化图像集合，i为分割出来的第i种物相，mIoU为平均交并比。
进一步地，可以根据实际需求设置模型效果阈值，通过将超分辨测试结果与模型效果阈值进行比较，来判定超分辨率图像生成模型的模型效果。本发明实例中mIoU的值达到0.85以上，判定为本次超分辨模型的训练结果优异。
本发明利用深度学习的方式实现水泥水化CT图像的超分辨，突破了CT对水泥水化研究的分辨率局限，可为水泥水化基础理论研究提供技术支持，为水利工程结构耐久性问题提供无损检测优化手段。
值得说明的是，本申请中技术方案中对数据的获取、存储、使用、处理等均符合法律法规的相关规定。本申请实施例中的用户信息均是通过合法合规途径获得，并且对用户信息的获取、存储、使用、处理等经过客户授权同意的。
本发明实施例提供的超分辨率水泥水化图像生成方法的技术方案中，获取水泥水化图像集；根据水泥水化图像集，对改进的超分辨率重建测试算法进行训练，构建超分辨率图像生成模型，改进的超分辨率重建测试算法包括残差网络结构和改进的损失函数，改进的损失函数包括正则项；通过超分辨率图像生成模型，对采集的当前水泥水化图像进行超分辨率特征识别，得到超分辨率水泥水化图像，通过拍摄不同特征的水化图像，并对构造的通过改进的超分辨率重建测试算法加以训练，以实现对水泥水化微观X-CT图像的超分辨，能够有效放大水化图像，保证图像细节和图像质量。
图3为本发明实施例提供的一种超分辨率水泥水化图像生成装置的结构示意图，该装置用于执行上述超分辨率水泥水化图像生成方法，如图3所示，该装置包括：第一获取单元11、模型构建单元12和第一识别单元13。
第一获取单元11用于获取水泥水化图像集。
模型构建单元12用于根据水泥水化图像集，对改进的超分辨率重建测试算法进行训练，构建超分辨率图像生成模型，改进的超分辨率重建测试算法包括残差网络结构和改进的损失函数，改进的损失函数包括正则项。
第一识别单元13用于通过超分辨率图像生成模型，对采集的当前水泥水化图像进行超分辨率特征识别，得到超分辨率水泥水化图像。
本发明实施例中，第一获取单元11具体用于获取水泥水化原始图像集；对水泥水化原始图像集进行后处理，得到高分辨率原始图像集；通过震荡双线性插值算法，对高分辨率原始图像集进行缩放处理，得到对应的低分辨率原始图像集；对高分辨率原始图像集和低分辨率原始图像集合并，得到水泥水化图像集。
本发明实施例中，第一获取单元11具体用于通过预设的中心裁剪标准，对高分辨率原始图像集中的高分辨率原始图像的中心位置进行指定尺寸的图像裁剪，得到裁剪后的水泥水化图像；对裁剪后的水泥水化图像进行图像划分，得到具备环状伪影的图像和无环状伪影的图像；对具备环状伪影的图像进行去伪影与去噪处理，得到去伪影与去噪处理后的水泥水化图像；对无环状伪影的图像进行去噪处理，得到去噪处理后的水泥水化图像；根据去伪影与去噪处理后的水泥水化图像和去噪处理后的水泥水化图像，生成高分辨率原始图像集。
本发明实施例中，第一获取单元11具体用于获取裁剪后的水泥水化图像的灰度矩阵；对灰度矩阵进行傅里叶变换，得到复数矩阵；根据复数矩阵，生成复数矩阵的幅度谱；对幅度谱进行变换，得到图像伪影值；通过预设的判断因子，根据图像伪影值与预设的伪影阈值，将裁剪后的水泥水化图像划分为具备环状伪影的图像和无环状伪影的图像。
本发明实施例中，模型构建单元12具体用于按照指定比例对水泥水化图像集进行划分，得到训练图像集和验证图像集；根据训练图像集，对改进的超分辨率重建测试算法进行训练，得到初始图像生成模型；通过验证图像集，对初始图像生成模型的超参数进行修正，得到超分辨率图像生成模型。
本发明实施例中，装置还包括：增广单元14。
增广单元14用于对训练图像集进行增广处理，得到增广后的训练图像集。
本发明实施例中，装置还包括：第二获取单元15、第二识别单元16和测试结果生成单元17。
第二获取单元15用于获取测试图像集，测试图像集包括低分辨率测试图像和对应的原位高分辨率测试图像。
第二识别单元16用于通过超分辨率图像生成模型，对低分辨率测试图像进行超分辨率特征识别，得到超分辨率图像。
测试结果生成单元17用于根据原位高分辨率测试图像和超分辨率测试图像，生成超分辨测试结果。
本发明实施例中，测试结果生成单元17具体用于按照物相分别对原位高分辨率测试图像和超分辨率测试图像进行阈值分割，得到每种物相对应的原位高分辨率二值化图像和超分辨率二值化图像；对每种物相对应的原位高分辨率二值化图像和超分辨率二值化图像进行平均交并比计算，得到超分辨测试结果。
本发明实施例的方案中，获取水泥水化图像集；根据水泥水化图像集，对改进的超分辨率重建测试算法进行训练，构建超分辨率图像生成模型，改进的超分辨率重建测试算法包括残差网络结构和改进的损失函数，改进的损失函数包括正则项；通过超分辨率图像生成模型，对采集的当前水泥水化图像进行超分辨率特征识别，得到超分辨率水泥水化图像，通过拍摄不同特征的水化图像，并对构造的通过改进的超分辨率重建测试算法加以训练，以实现对水泥水化微观X-CT图像的超分辨，能够有效放大水化图像，保证图像细节和图像质量。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机设备，具体的，计算机设备例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
本发明实施例提供了一种计算机设备，包括存储器和处理器，存储器用于存储包括程序指令的信息，处理器用于控制程序指令的执行，程序指令被处理器加载并执行时实现上述超分辨率水泥水化图像生成方法的实施例的各步骤，具体描述可参见上述超分辨率水泥水化图像生成方法的实施例。
下面参考图4，其示出了适于用来实现本申请实施例的计算机设备600的结构示意图。
如图4所示，计算机设备600包括中央处理单元（CPU）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储部分608加载到随机访问存储器（RAM）603中的程序而执行各种适当的工作和处理。在RAM603中，还存储有计算机设备600操作所需的各种程序和数据。CPU601、ROM602、以及RAM603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管（CRT）、液晶反馈器（LCD）等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡，调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装如存储部分608。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包括用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (19)
1.一种超分辨率水泥水化图像生成方法，其特征在于，所述方法包括：
获取水泥水化图像集；
根据所述水泥水化图像集，对改进的超分辨率重建测试算法进行训练，构建超分辨率图像生成模型，所述改进的超分辨率重建测试算法包括残差网络结构和改进的损失函数，所述改进的损失函数包括正则项；
通过所述超分辨率图像生成模型，对采集的当前水泥水化图像进行超分辨率特征识别，得到超分辨率水泥水化图像；
改进的超分辨率重建测试算法的损失函数形式如下：
；
其中，LossD与LossG分别为判别器和生成器的损失函数；L RaD表示真实图像和真实图像经过低分辨率化后通过生成器生成的高分辨假图像之间的对抗损失；L L1为L1损失，用于衡量真实数据与假数据之间的绝对差异；xr为在应用过程中为真实图像，在训练过程中为训练图像集中的LR原始图像；xf是xr经过低分辨率化后通过生成器生成的超分辨图像；为生成器的生成数据的梯度损失，/>为生成器实际数据的梯度损失；/>为判别器的生成数据的梯度损失，为判别器实际数据的梯度损失；λ为权重系数；/>为L1正则项；D Ra (x r , x f )表示判别器对真实数据和假数据的判断函数，是一个CNN网络；/>表示关于真实图像数据的期望值；表示关于生成的假数据的期望值。
2.根据权利要求1所述的超分辨率水泥水化图像生成方法，其特征在于，所述获取水泥水化图像集，包括：
获取水泥水化原始图像集；
对所述水泥水化原始图像集进行后处理，得到高分辨率原始图像集；
通过震荡双线性插值算法，对所述高分辨率原始图像集进行缩放处理，得到对应的低分辨率原始图像集；
对所述高分辨率原始图像集和低分辨率原始图像集合并，得到水泥水化图像集。
3.根据权利要求2所述的超分辨率水泥水化图像生成方法，其特征在于，所述对所述水泥水化原始图像集进行后处理，得到高分辨率原始图像集，包括：
通过预设的中心裁剪标准，对所述高分辨率原始图像集中的高分辨率原始图像的中心位置进行指定尺寸的图像裁剪，得到裁剪后的水泥水化图像；
对所述裁剪后的水泥水化图像进行图像划分，得到具备环状伪影的图像和无环状伪影的图像；
对具备环状伪影的图像进行去伪影与去噪处理，得到去伪影与去噪处理后的水泥水化图像；
对无环状伪影的图像进行去噪处理，得到去噪处理后的水泥水化图像；
根据所述去伪影与去噪处理后的水泥水化图像和所述去噪处理后的水泥水化图像，生成高分辨率原始图像集。
4.根据权利要求3所述的超分辨率水泥水化图像生成方法，其特征在于，对所述裁剪后的水泥水化图像进行图像划分，得到具备环状伪影的图像和无环状伪影的图像，包括：
获取所述裁剪后的水泥水化图像的灰度矩阵；
对所述灰度矩阵进行傅里叶变换，得到复数矩阵；
根据所述复数矩阵，生成所述复数矩阵的幅度谱；
对所述幅度谱进行变换，得到图像伪影值；
通过预设的判断因子，根据所述图像伪影值与预设的伪影阈值，将裁剪后的水泥水化图像划分为具备环状伪影的图像和无环状伪影的图像。
5.根据权利要求1所述的超分辨率水泥水化图像生成方法，其特征在于，根据所述水泥水化图像集，对改进的超分辨率重建测试算法进行训练，构建超分辨率图像生成模型，包括：
按照指定比例对所述水泥水化图像集进行划分，得到训练图像集和验证图像集；
根据所述训练图像集，对改进的超分辨率重建测试算法进行训练，得到初始图像生成模型；
通过所述验证图像集，对所述初始图像生成模型的超参数进行修正，得到所述超分辨率图像生成模型。
6.根据权利要求5所述的超分辨率水泥水化图像生成方法，其特征在于，在所述根据所述训练图像集，对改进的超分辨率重建测试算法进行训练，得到初始图像生成模型之前，还包括：
对所述训练图像集进行增广处理，得到增广后的训练图像集。
7.根据权利要求1所述的超分辨率水泥水化图像生成方法，其特征在于，在所述根据所述水泥水化图像集，对改进的超分辨率重建测试算法进行训练，构建超分辨率图像生成模型之后，还包括：
获取测试图像集，所述测试图像集包括低分辨率测试图像和对应的原位高分辨率测试图像；
通过所述超分辨率图像生成模型，对所述低分辨率测试图像进行超分辨率特征识别，得到超分辨率图像；
根据所述原位高分辨率测试图像和超分辨率测试图像，生成超分辨测试结果。
8.根据权利要求7所述的超分辨率水泥水化图像生成方法，其特征在于，所述根据所述原位高分辨率测试图像和超分辨率测试图像，生成超分辨测试结果，包括：
按照物相分别对原位高分辨率测试图像和超分辨率测试图像进行阈值分割，得到每种物相对应的原位高分辨率二值化图像和超分辨率二值化图像；
对每种物相对应的原位高分辨率二值化图像和超分辨率二值化图像进行平均交并比计算，得到超分辨测试结果。
9.一种超分辨率水泥水化图像生成装置，其特征在于，所述装置包括：
第一获取单元，用于获取水泥水化图像集；
模型构建单元，用于根据所述水泥水化图像集，对改进的超分辨率重建测试算法进行训练，构建超分辨率图像生成模型，所述改进的超分辨率重建测试算法包括残差网络结构和改进的损失函数，所述改进的损失函数包括正则项；
第一识别单元，用于通过所述超分辨率图像生成模型，对采集的当前水泥水化图像进行超分辨率特征识别，得到超分辨率水泥水化图像；
改进的超分辨率重建测试算法的损失函数形式如下：
；
其中，LossD与LossG分别为判别器和生成器的损失函数；L RaD表示真实图像和真实图像经过低分辨率化后通过生成器生成的高分辨假图像之间的对抗损失；L L1为L1损失，用于衡量真实数据与假数据之间的绝对差异；xr为在应用过程中为真实图像，在训练过程中为训练图像集中的LR原始图像；xf是xr经过低分辨率化后通过生成器生成的超分辨图像；为生成器的生成数据的梯度损失，/>为生成器实际数据的梯度损失；/>为判别器的生成数据的梯度损失，为判别器实际数据的梯度损失；λ为权重系数；/>为L1正则项；D Ra (x r , x f )表示判别器对真实数据和假数据的判断函数，是一个CNN网络；/>表示关于真实图像数据的期望值；表示关于生成的假数据的期望值。
10.根据权利要求9所述的超分辨率水泥水化图像生成装置，其特征在于，
所述第一获取单元，具体用于获取水泥水化原始图像集；对所述水泥水化原始图像集进行后处理，得到高分辨率原始图像集；通过震荡双线性插值算法，对所述高分辨率原始图像集进行缩放处理，得到对应的低分辨率原始图像集；对所述高分辨率原始图像集和低分辨率原始图像集合并，得到水泥水化图像集。
11.根据权利要求10所述的超分辨率水泥水化图像生成装置，其特征在于，
所述第一获取单元，具体用于通过预设的中心裁剪标准，对所述高分辨率原始图像集中的高分辨率原始图像的中心位置进行指定尺寸的图像裁剪，得到裁剪后的水泥水化图像；对所述裁剪后的水泥水化图像进行图像划分，得到具备环状伪影的图像和无环状伪影的图像；对具备环状伪影的图像进行去伪影与去噪处理，得到去伪影与去噪处理后的水泥水化图像；对无环状伪影的图像进行去噪处理，得到去噪处理后的水泥水化图像；根据所述去伪影与去噪处理后的水泥水化图像和所述去噪处理后的水泥水化图像，生成高分辨率原始图像集。
12.根据权利要求11所述的超分辨率水泥水化图像生成装置，其特征在于，
所述第一获取单元，具体用于获取所述裁剪后的水泥水化图像的灰度矩阵；对所述灰度矩阵进行傅里叶变换，得到复数矩阵；根据所述复数矩阵，生成所述复数矩阵的幅度谱；对所述幅度谱进行变换，得到图像伪影值；通过预设的判断因子，根据所述图像伪影值与预设的伪影阈值，将裁剪后的水泥水化图像划分为具备环状伪影的图像和无环状伪影的图像。
13.根据权利要求9所述的超分辨率水泥水化图像生成装置，其特征在于，
所述模型构建单元，具体用于按照指定比例对所述水泥水化图像集进行划分，得到训练图像集和验证图像集；根据所述训练图像集，对改进的超分辨率重建测试算法进行训练，得到初始图像生成模型；通过所述验证图像集，对所述初始图像生成模型的超参数进行修正，得到所述超分辨率图像生成模型。
14.根据权利要求13所述的超分辨率水泥水化图像生成装置，其特征在于，所述装置还包括：
增广单元，用于对所述训练图像集进行增广处理，得到增广后的训练图像集。
15.根据权利要求9所述的超分辨率水泥水化图像生成装置，其特征在于，所述装置还包括：
第二获取单元，用于获取测试图像集，所述测试图像集包括低分辨率测试图像和对应的原位高分辨率测试图像；
第二识别单元，用于通过所述超分辨率图像生成模型，对所述低分辨率测试图像进行超分辨率特征识别，得到超分辨率图像；
测试结果生成单元，用于根据所述原位高分辨率测试图像和超分辨率测试图像，生成超分辨测试结果。
16.根据权利要求15所述的超分辨率水泥水化图像生成装置，其特征在于，
测试结果生成单元，具体用于按照物相分别对原位高分辨率测试图像和超分辨率测试图像进行阈值分割，得到每种物相对应的原位高分辨率二值化图像和超分辨率二值化图像；对每种物相对应的原位高分辨率二值化图像和超分辨率二值化图像进行平均交并比计算，得到超分辨测试结果。
17.一种计算机可读介质，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至8任一项所述的超分辨率水泥水化图像生成方法。
18.一种计算机设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，其特征在于，所述程序指令被处理器加载并执行时实现权利要求1至8任一项所述的超分辨率水泥水化图像生成方法。
19.一种计算机程序产品，包括计算机程序/指令，其特征在于，所述计算机程序/指令被处理器执行时实现权利要求1至8任一项所述的超分辨率水泥水化图像生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310645828.1A CN116362974B (zh) | 2023-06-02 | 2023-06-02 | 一种超分辨率水泥水化图像生成方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310645828.1A CN116362974B (zh) | 2023-06-02 | 2023-06-02 | 一种超分辨率水泥水化图像生成方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116362974A CN116362974A (zh) | 2023-06-30 |
| CN116362974B true CN116362974B (zh) | 2023-08-15 |
Family
ID=86929087
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310645828.1A Active CN116362974B (zh) | 2023-06-02 | 2023-06-02 | 一种超分辨率水泥水化图像生成方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116362974B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103345560A (zh) * | 2013-07-11 | 2013-10-09 | 济南大学 | 基于微观图象特征的水泥水化仿真及宏观属性预测的方法 |
| JP2013224932A (ja) * | 2012-03-22 | 2013-10-31 | Taiheiyo Cement Corp | 反射電子像におけるノイズ除去方法、当該ノイズ除去方法を使用したセメントの構成相比率の推定方法および製造方法並びに水和反応率の推定方法 |
| CN112150614A (zh) * | 2020-09-24 | 2020-12-29 | 济南大学 | 基于微观结构图像的水泥三维仿真模型建立方法及系统 |
| CN112164076A (zh) * | 2020-09-24 | 2021-01-01 | 济南大学 | 基于水泥微观结构图像的硬化水泥水灰比预测方法及系统 |
| CN112557424A (zh) * | 2020-11-25 | 2021-03-26 | 东南大学 | 一种预测水泥浆体有效弹性模量的方法 |
| CN114998185A (zh) * | 2022-03-10 | 2022-09-02 | 湖北中桥科技有限公司 | 一种基于YOLOv5模型的泥浆泌水率实时检测方法 |
| CN115409826A (zh) * | 2022-09-19 | 2022-11-29 | 济南大学 | 一种水泥及其基材料元素含量非直接测度方法和系统 |
-
2023
- 2023-06-02 CN CN202310645828.1A patent/CN116362974B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013224932A (ja) * | 2012-03-22 | 2013-10-31 | Taiheiyo Cement Corp | 反射電子像におけるノイズ除去方法、当該ノイズ除去方法を使用したセメントの構成相比率の推定方法および製造方法並びに水和反応率の推定方法 |
| CN103345560A (zh) * | 2013-07-11 | 2013-10-09 | 济南大学 | 基于微观图象特征的水泥水化仿真及宏观属性预测的方法 |
| CN112150614A (zh) * | 2020-09-24 | 2020-12-29 | 济南大学 | 基于微观结构图像的水泥三维仿真模型建立方法及系统 |
| CN112164076A (zh) * | 2020-09-24 | 2021-01-01 | 济南大学 | 基于水泥微观结构图像的硬化水泥水灰比预测方法及系统 |
| CN112557424A (zh) * | 2020-11-25 | 2021-03-26 | 东南大学 | 一种预测水泥浆体有效弹性模量的方法 |
| CN114998185A (zh) * | 2022-03-10 | 2022-09-02 | 湖北中桥科技有限公司 | 一种基于YOLOv5模型的泥浆泌水率实时检测方法 |
| CN115409826A (zh) * | 2022-09-19 | 2022-11-29 | 济南大学 | 一种水泥及其基材料元素含量非直接测度方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116362974A (zh) | 2023-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Low-dose x-ray tomography through a deep convolutional neural network | |
| Venkatakrishnan et al. | A model based iterative reconstruction algorithm for high angle annular dark field-scanning transmission electron microscope (HAADF-STEM) tomography | |
| CN106204447A (zh) | 基于总变差分和卷积神经网络的超分辨率重建方法 | |
| Zhu et al. | Residual dense network for medical magnetic resonance images super-resolution | |
| Tuller et al. | Segmentation of X‐ray CT data of porous materials: A review of global and locally adaptive algorithms | |
| CN105335972A (zh) | 基于小波轮廓波变换与视觉显著性的经编织物疵点检测方法 | |
| CN113160088B (zh) | 一种基于Sobel算子及图像熵的散斑干涉相位图滤波评价方法 | |
| Roslin et al. | Processing of micro-CT images of granodiorite rock samples using convolutional neural networks (CNN), Part I: Super-resolution enhancement using a 3D CNN | |
| Zhao et al. | Enhancing resolution of micro-CT images of reservoir rocks using super resolution | |
| Roslin et al. | Processing of micro-CT images of granodiorite rock samples using convolutional neural networks (CNN). Part III: Enhancement of Scanco micro-CT images of granodiorite rocks using a 3D convolutional neural network super-resolution algorithm | |
| CN116362974B (zh) | 一种超分辨率水泥水化图像生成方法和装置 | |
| Wu et al. | Curvelet coefficient prediction-based image super-resolution method for precision measurement | |
| Bhandary et al. | Double U-Net for Super-Resolution and Segmentation of Live Cell Images | |
| CN116843779A (zh) | 直线扫描探测器微分bpf重建图像稀疏伪影校正方法 | |
| CN115661377A (zh) | 自监督深度学习及构建各向同性超分辨率三维图像的方法 | |
| Wang et al. | Deep residual network for single image super-resolution | |
| CN113469882B (zh) | 基于土壤ct图像的超分辨率重建方法及装置 | |
| Roslin et al. | Enhancement of Scanco micro-CT images of granodiorite rocks using a 3D convolutional neural network super-resolution algorithm | |
| Kornilov et al. | Deep neural networks for ring artifacts segmentation and corrections in fragments of CT images | |
| Shobi et al. | Review on Image Inpainting using Intelligence Mining Techniques. | |
| CN116363161B (zh) | 一种水泥水化图像多类别分割方法和装置 | |
| Peng et al. | DERnet: a deep neural network for end-to-end reconstruction in magnetic particle imaging | |
| CN106097272A (zh) | 基于插值剪切波的图像处理方法及装置 | |
| Nagalakshmi et al. | Revolutionizing Magnetic Resonance Imaging Image Reconstruction: A Unified Approach Integrating Deep Residual Networks and Generative Adversarial Networks. | |
| Du et al. | License plate super-resolution reconstruction based on improved ESPCN network |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |