一种基于生成对抗网络的井下输送带图像去模糊方法
本发明属于图像处理与计算机视觉,尤其涉及一种基于生成对抗网络的井下输送带图像去模糊方法。
背景技术:
1、煤矿井下带式输送机是煤流连续运输过程中的关键设备,沿线监控图像是异物识别、运行状态分析和安全预警的重要依据。受输送带高速运行、煤流冲击、设备振动以及异物混入等因素影响,井下视觉监测对图像清晰度、边缘完整性和纹理可辨识度具有较高要求。井下成像环境还伴随低照度、煤尘、水雾和非均匀照明,监控图像容易出现对比度下降、纹理弱化和细节不清等问题。输送带持续运动时,图像会进一步受到线性运动模糊影响,使异物轮廓、带面纹理和边缘结构产生拖影,细小目标的可分辨信息被削弱。
2、煤矿井下输送带监控图像与一般自然场景图像存在明显差异。自然场景模糊往往由相机抖动、目标独立运动和深度变化共同造成,模糊方向和模糊范围较为复杂。井下输送带图像中的运动模糊通常与输送带主导运动方向密切相关,具有方向集中、条带拖影明显、带面区域连续和局部模糊强度变化等特点。煤尘、低照度和非带面背景会进一步干扰恢复过程。通用去模糊模型虽然能够提升整体视觉质量,但若缺乏对模糊方向和有效带面区域的针对性建模,恢复结果仍可能出现残余条带、局部错向锐化、边缘细节恢复不足和背景干扰增强等问题。
3、现有深度学习去模糊方法主要依赖卷积特征与多尺度融合对退化过程进行隐式学习,对输送带线性运动模糊中的主导方向规律缺乏专门约束,导致恢复结果中容易出现残余条带、方向错向锐化以及边缘拖影等问题。另外,煤矿井下输送带图像通常存在低照度、煤尘干扰与纹理弱化问题,在编码压缩与逐级重建过程中,异物边缘与局部纹理信息容易被平滑,导致细节恢复不足。
技术实现思路
1、本发明的目的是提供一种基于生成对抗网络的井下输送带图像去模糊方法,以解决现有去模糊方法缺少对井下输送带运动模糊方向的有效约束,受井下复杂条件、标注缺失、背景干扰及高精度模型算力开销大的影响,存在复原细节差、伪影且难以部署的问题。
2、本发明采用以下技术方案:一种基于生成对抗网络的井下输送带图像去模糊方法,包括:
3、步骤1:将井下输送带的模糊图像划分为多个局部图像块,计算每个局部图像块在水平方向和垂直方向的梯度变化得到局部结构张量,并对局部结构张量进行特征分解得到局部主导方向和退化强度,进而转换得到角度信息和退化监督分量,并生成方向伪标签;
4、步骤2:利用deblurgan-v2对模糊图像的特征进行提取得到高层恢复特征;对高层恢复特征进行提取得到与输送带运动模糊方向相关的具备条带结构特征和边缘走向特征的结构走向图像,进而对结构走向图像求梯度得到水平方向分量图、垂直方向分量图,并根据水平方向分量图、垂直方向分量图计算得到角度辅助信息和退化辅助分量,进而得到梯度方向先验图,其中,通过比较梯度方向先验图与方向伪标签的差异,以此来约束梯度方向先验图的方向趋近于方向伪标签;
5、步骤3:将梯度方向先验图进行方向编码,将方向信息映射到与高层恢复特征相匹配的特征空间,然后将方向信息与高层恢复特征相融合得到融合特征,根据融合特征得到门控图和残差图;根据门控图和残差图结合后与高层恢复特征相加得到最终恢复特征,进而重建得到去模糊图像。
6、本发明的有益效果是:
7、本发明通过在deblurganv2恢复主干中引入运动方向先验建模、块级方向伪标签监督、方向引导特征细化以及输送带有效区域约束,实现对井下输送带图像中线性运动模糊、边缘拖影、弱纹理退化和背景冗余干扰的针对性处理,适用于煤矿井下输送带异物检测前处理、监控视频增强、运行状态分析、安全生产预警和工业视觉智能感知等应用场景;
8、本发明以高层恢复特征作为输入,输出水平方向分量、垂直方向分量和退化辅助分量,使网络能够学习输送带运动模糊的方向结构,继而增强模型对方向性运动模糊的感知能力,减少残余条带和错向锐化现象,使恢复结果更符合输送带场景的退化规律;
9、本发明利用局部结构张量和梯度统计构建块级方向伪标签,对方向预测进行弱监督约束,并通过有效掩膜降低低置信区域的影响,进而在缺少精确像素级方向标注的情况下提高方向学习稳定性,使方向先验更准确地服务于后续恢复过程;
10、本发明将方向先验嵌入恢复特征中,通过方向嵌入、空间门控和残差细化方式实现方向引导特征更新,使方向先验真正参与图像重建过程,提高边缘轮廓、条带纹理和弱纹理细节恢复能力,降低误增强和伪细节累积风险。
1.一种基于生成对抗网络的井下输送带图像去模糊方法,其特征在于,包括:
2.根据权利要求1所述的一种基于生成对抗网络的井下输送带图像去模糊方法,其特征在于,步骤1具体为:
3.根据权利要求2所述的一种基于生成对抗网络的井下输送带图像去模糊方法,其特征在于,步骤2中所述退化监督分量的获得方法为:
4.根据权利要求3所述的一种基于生成对抗网络的井下输送带图像去模糊方法,其特征在于,总损失函数为:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com