论文部分内容阅读
近年来,红外成像技术在自动驾驶、智能安防和遥感等领域获得了广泛的应用,但还存在空间分辨率低、对比度弱和信噪比低等缺点。基于深度学习的超分辨率重建技术是提高红外图像分辨率的有效方法,获得了广泛研究。本文结合实际应用背景和红外成像特点,从网络结构优化、主客观成像质量评价和小目标分类等方面对红外超分辨率成像技术和应用进行了深入的研究,主要研究工作和成果包括如下几个方面:1.研究了超分辨率的理论基础和主流神经网络结构,在卷积神经网络和生成对抗网络的基础上,提出了多尺度稠密残差块结构和多层级特征融合方法,优化了单帧红外图像的超分辨率重建网络。对比插值和SRCNN等方法,本方法提高了红外图像的超分辨率重建效果,超分辨率红外图像峰值信噪比从28.65提高到了31.53。2.在红外成像的众多观察应用中,主观视觉效果是重要评判指标,但当前超分辨率重建算法大多基于客观评价标准。本文开展了主客观联合评价方法研究,相关实验表明相位一致性特征更符合人类视觉感受。在此基础上提出了主客观联合评价损失函数,并应用于红外图像的超分辨率重建,提高了红外超分辨率图像的主观视觉效果。3.红外小目标检测和识别是红外探测领域的一大难点,本文就利用超分辨率重建技术丰富目标细节信息,进而提高小目标分类准确率进行了研究,提出了基于超分辨率重建的红外小目标分类算法。利用基于多尺度残差块的超分辨率重建方法提高红外小目标图像的分辨率,丰富图像特征信息,在此基础上利用卷积神经网络对放大后的小目标图像进行分类。实验结果表明,本文超分辨率重建算法可以更准确的发掘图像特征,获得的重建图像质量更高;使用本方法对红外小目标进行分类,可以提高分类准确度。另外,本文还联合了超分辨率网络和分类网络,利用超分辨率重建过程中待重建的红外图像特征,实现了端到端的红外小目标分类。4.红外成像系统多具有实时性的要求,本文设计了红外超分辨率成像系统框架,使用嵌入式数字计算平台开展了实时算法的研究。采用了NVIDIA TX1嵌入式平台,该平台集合了ARM处理器和GPU计算单元,计算能力强,适合深度神经网络的运算。为进一步提升实时性,还利用剪枝、量化压缩等方式简化了红外超分辨率重建网络模型,在保证重建性能的基础上,降低了计算量。最终,实验样机能够实时输出高质量、高分辨率红外图像。