一種基于深度學習算法的太赫茲圖像超分辨方法
1.本發明涉及太赫茲圖像處理技術領域，特別是涉及一種基于深度學習算法的太赫茲圖像超分辨方法。
背景技術：
2.隨著太赫茲成像技術的發展，太赫茲成像技術在速度與成像質量上得到了很大的提升。然而，在太赫茲成像過程中，由于太赫茲輻射波長較長，在成像時容易發生衍射現象，從而在圖像上產生條紋。另外，由于太赫茲波對水敏感，需要在干燥的環境下實驗，否則會造成太赫茲圖像的模糊和對比度低等問題。因此，太赫茲圖像往往具有衍射條紋、對比度較低、整體呈現灰黑調，對于樣品的成像可能存在邊緣模糊等問題。
3.分辨率較差、信噪比低、邊緣模糊嚴重的太赫茲圖像并不能滿足人們的正常視覺和后續研究需求。為了解決這一問題，最直接的辦法是改善硬件環境，但目前硬件技術還在更新中，搭建硬件環境又會帶來高昂的成本，因此使用軟件方法去提高圖像的分辨率是一種重要手段。
技術實現要素：
4.本發明所要解決的技術問題是提供一種基于深度學習算法的太赫茲圖像超分辨方法，實現對太赫茲圖像進行超分辨操作。
5.本發明解決其技術問題所采用的技術方案是：提供一種基于深度學習算法的太赫茲圖像超分辨方法，包括以下步驟：
6.(1)通過太赫茲成像設備得到原始太赫茲圖像數據；
7.(2)將所述原始太赫茲圖像數據送入太赫茲圖像超分辨模型中，得到超分后的太赫茲圖片；其中，所述太赫茲圖像超分辨模型通過以下方式得到：
8.對所述超分重建數據集中的數據進行退化處理，得到lr圖像；
9.構建深度學習網絡，將所述超分重建數據集中的hr圖像作為標簽數據，將所述lr圖像作為所述深度學習網絡的輸入，對所述深度學習網絡進行訓練，將訓練好的深度學習網絡作為所述太赫茲圖像超分辨模型。
10.所述對所述超分重建數據集中的數據進行退化處理具體為：
11.對所述超分重建數據集中的數據使用高斯濾波來模擬太赫茲波psf點擴散效應，并添加隨機同向與異向的高斯核；進行不同的下采樣，并添加隨機高斯噪聲。
12.所述深度學習網絡包括：
13.淺層特征提取部分，用于對所述lr圖像進行特征提取，得到淺層特征；
14.深層特征提取部分，用于對所述淺層特征進行特征提取，得到深層特征；
15.圖像重建部分，用于基于所述淺層特征、深層特征和所述lr圖像對圖像進行重建，得到重建圖像。
16.所述深層特征提取部分包括依次相連的若干級聯的卷積模塊和通道注意力機制
模塊，所述卷積模塊包括依次連接的第一1
×
1卷積層、第一3
×
3卷積層和第一relu激活層；所述通道注意力機制模塊包括依次連接的全局池化層、第二1
×
1卷積層、第二relu激活層、第三1
×
1卷積層和sigmoid激活層，所述sigmoid激活層的輸出和所述通道注意力機制模塊的輸入混合后作為所述通道注意力機制模塊的輸出。
17.所述圖像重建部分包括依次連接的第二3
×
3卷積層和亞像素卷積層。
18.有益效果
19.由于采用了上述的技術方案，本發明與現有技術相比，具有以下的優點和積極效果：本發明通過對退化后的超分重建數據集進行訓練，得到了一套有用的太赫茲圖像超分模型，該模型的網絡中通過使用通道注意力機制以及亞像素卷積提高了成像質量，改善了視覺效果。
附圖說明
20.圖1是本發明實施方式的流程圖；
21.圖2是本發明實施方式中深度學習網絡的結構示意圖；
22.圖3是采用本發明實施方式重建的太赫茲圖像與原始太赫茲圖像的對比圖。
具體實施方式
23.下面結合具體實施例，進一步闡述本發明。應理解，這些實施例僅用于說明本發明而不用于限制本發明的范圍。此外應理解，在閱讀了本發明講授的內容之后，本領域技術人員可以對本發明作各種改動或修改，這些等價形式同樣落于本技術所附權利要求書所限定的范圍。
24.本發明的實施方式涉及一種基于深度學習算法的太赫茲圖像超分辨方法，如圖1所示，包括以下步驟：
25.(1)通過太赫茲成像設備得到原始太赫茲圖像數據；
26.(2)將所述原始太赫茲圖像數據送入太赫茲圖像超分辨模型中，得到超分后的太赫茲圖片。其中，所述太赫茲圖像超分辨模型通過以下方式得到：
27.對所述超分重建數據集中的數據進行退化處理，得到lr圖像。本實施方式中超分重建數據集采用開源的div2k數據，在進行退化處理時，對div2k數據使用高斯濾波來模擬太赫茲波psf點擴散效應，并添加隨機同向與異向的高斯核，在進行不同的下采樣后，再添加隨機高斯噪聲，得到退化后的lr圖像。通過上述方式能夠更好的模擬太赫茲圖像的退化過程，確保重建的圖像質量更高。
28.構建深度學習網絡，將所述超分重建數據集中的hr圖像作為標簽數據，將所述lr圖像作為所述深度學習網絡的輸入，對所述深度學習網絡進行訓練，將訓練好的深度學習網絡作為所述太赫茲圖像超分辨模型。
29.如圖2所示，本實施方式中構建的深度學習網絡包括：淺層特征提取部分，用于對所述lr圖像進行特征提取，得到淺層特征；深層特征提取部分，用于對所述淺層特征進行特征提取，得到深層特征；圖像重建部分，用于基于所述淺層特征、深層特征和所述lr圖像對圖像進行重建，得到重建圖像。
30.其中，淺層特征提取部分由一個3
×
3卷積層和一個relu激活層構成，該淺層特征
提取部分將lr圖像作為輸入，經過一個3
×
3卷積層和一個relu激活層后能夠對其淺層特征進行提取，得到淺層特征f1。
31.深層特征提取部分包括依次相連的若干級聯的卷積模塊和通道注意力機制模塊，所述卷積模塊包括依次連接的1
×
1卷積層、3
×
3卷積層和relu激活層；所述通道注意力機制模塊包括依次連接的全局池化層、1
×
1卷積層、relu激活層、1
×
1卷積層和sigmoid激活層，所述sigmoid激活層的輸出和所述通道注意力機制模塊的輸入混合后作為所述通道注意力機制模塊的輸出。該深層特征提取部分將淺層特征f1作為輸入，經過若干級聯的卷積模塊和通道注意力機制模塊后可以提取出深層特征f2。使用卷積神經網絡雖然可以很好的提取空間上的高頻信息，但是對不同通道上的高頻信息進行同等對待，這勢必會阻礙網絡傳播能力。因此，本實施方式加入通道注意力機制，根據通道間的相互信息調整各通道的權重，有利于得到更好的重建效果。
32.圖像重建部分包括依次連接的3
×
3卷積層和亞像素卷積層，該圖像重建部分的輸入包括淺層特征f1、深層特征f2以及lr圖像，經過3
×
3卷積層和亞像素卷積層后即可得到重建圖像。本實施方式的亞像素卷積將多通道特征的單個像素組合成一個特征上的單位，是一種通道到空間的重排方式，相較于反卷積更加高效且重建效果好。
33.在訓練該深度學習網絡時，將卷積模塊設置為4，學習率設置為1e-4，裁剪訓練尺寸48，總共訓練600個epoch，將輸出的圖像與hr圖像計算mse(均分誤差)，并以此作為損失函數進行反向傳播，以調整深度學習網絡參數，訓練完成后，即得到太赫茲圖像超分辨模型。
34.圖3是采用本發明實施方式重建的太赫茲圖像與原始太赫茲圖像的對比圖，其中，(a)為原始太赫茲圖像，(e)為重建的太赫茲圖像(psnr：31.57db ssim：0.85)，從中可以看出重建的太赫茲圖像相比于原始太赫茲圖像而言，條紋和邊緣更加清晰，實現了對太赫茲圖像的超分辨操作。
35.不難發現，本發明通過對退化后的超分重建數據集進行訓練，得到了一套有用的太赫茲圖像超分模型，該模型的網絡中通過使用通道注意力機制以及亞像素卷積提高了成像質量，改善了視覺效果。
