本发明涉及红外检测，特别是涉及一种多尺度密集残差网络红外热成像超分辨率重建方法及系统。
背景技术：
1、随着图像技术的不断发展，图像应用所涉及的范围越来越广，例如医学影像、卫星图像、安防监控等领域都需要更为精细的图像来进行诊断或监控。而在传统的图像采集过程中由于传统传感器、噪声等因素的影响，使采集到的图像有失真、模糊等问题，导致图像处理、分析、识别等任务的难度和准确性受到影响。随着深度学习技术的不断发展与普及，提出了基于深度学习的图像超分辨率重建方法，并得到了广泛的应用与研究。超分辨率重建是指通过一系列算法和技术，从低分辨率图像中重建出高分辨率图像的过程，其技术的应用可以有效地提高图像的清晰度和细节，进而提升图像处理、分析、识别等任务的效果。早期的超分辨率重建方法通过插值、重建的方法对图像进行重建，在低分辨率图像中进行像素级别的插值，以尽可能地还原高分辨率图像中的细节信息。红外热成像的超分辨率重建的应用面十分广泛，例如医学影像领域，工业检测和军事领域等等。如在医学领域，在医学影像学中，红外热成像技术被用于检测人体表面的温度分布，用于诊断疾病或损伤，而通过应用超分辨率重建技术，可以提高红外热成像图像的分辨率，从而更清晰地显示细微的温度变化，帮助医生更准确地诊断疾病或监测治疗效果。同时在工业领域中，红外热成像技术广泛应用于检测设备和结构的热量分布，用于预防设备故障或检测结构缺陷。而通过应用红外热成像超分辨率重建技术，可以提高红外热成像图像的清晰度和细节，从而更准确地检测设备或结构中的异常情况，提高工业生产的效率和安全性。
2、现有的超分辨率重建技术需要大量的计算资源以及时间来进行重建，且对设备性能的要求高，限制了其在实时应用和低耗能设备的使用。同时就目前的超分辨重建技术而言，主要应用场景为可见光图像，对于红外热成像图像开展相应研究较少，现有的算法在一定程度上可能无法精准恢复图像中的纹理细节，重建出的图像会有模糊、伪影等问题，而且对输入的低质量、模糊、含噪声的图像，对目前的超分辨率重建算法而言其重建图像效果有限。因此，由于传统的红外热成像系统在分辨率上往往受到硬件限制或成本限制，导致其图像分辨率相对较低。
技术实现思路
1、基于此，为了解决上述技术问题，提供一种多尺度密集残差网络红外热成像超分辨率重建方法及系统，可以提供更加清晰和丰富的图像信息，重建出清晰的图像。
2、一种多尺度密集残差网络红外热成像超分辨率重建方法，所述方法包括：
3、获取红外热成像图像，并对所述红外热成像图像进行图像处理，得到高分辨率图像、低分辨率图像；
4、将所述高分辨率图像、所述低分辨率图像作为图像对输入至多尺度密集残差超分辨率重建网络模型中；所述多尺度密集残差超分辨率重建网络模型包括浅层特征提取模块、深层特征提取模块、特征融合模块、图像重建模块；
5、通过所述浅层特征提取模块提取出所述图像对中的浅层次低频特征，并通过所述深层特征提取模块提取出所述图像对中的深层次高频特征；
6、基于所述特征融合模块对所述浅层次低频特征、深层次高频特征进行特征融合，并将融合后的特征输入至所述图像重建模块中重建出超分辨率图像。
7、在其中一个实施例中，所述浅层特征提取模块中设置有卷积神经网络中的二维卷积；
8、通过所述浅层特征提取模块提取出所述图像对中的浅层次低频特征，包括：
9、所述浅层特征提取模块通过第一个卷积提取出所述图像对中的第一特征，通过第二个卷积提取出所述图像对中的第二特征；
10、将所述第一特征、所述第二特征作为浅层次低频特征；
11、所述第一特征用于残差学习，所述第二特征用于深层次高频特征提取。
12、在其中一个实施例中，所述深层特征提取模块中设置有若干多尺度密集非对称模块；
13、通过所述深层特征提取模块提取出所述图像对中的深层次高频特征，包括：
14、基于densenet网络将各个所述多尺度密集非对称模块进行密集块堆叠；
15、将所述第二特征作为输入，各个所述多尺度密集非对称模块渐进依次输入输出，得到各个局部特征。
16、在其中一个实施例中，所述多尺度密集非对称模块中设置有多尺度密集残差模块、若干非对称卷积模块；
17、所述非对称卷积模块中设置有不同种类卷积核，用于进行二维卷积操作；
18、所述非对称卷积模块中包含有若干非对称卷积块，用于将二维卷积分解成两个一维卷积。
19、在其中一个实施例中，所述基于所述特征融合模块对所述浅层次低频特征、深层次高频特征进行特征融合，包括：
20、通过所述特征融合模块，采用concatenate特征融合操作，对所述浅层次低频特征、深层次高频特征进行特征融合；
21、通过所述特征融合模块将不同的特征图进行拼接，获得浅层次、深层次的特征信息。
22、在其中一个实施例中，所述图像重建模块中设置有亚像素卷积模块及卷积层；
23、将融合后的特征输入至所述图像重建模块中重建出超分辨率图像，包括：
24、通过所述亚像素卷积模块对融合后的特征进行上采样处理，得到处理后的数据；
25、根据所述处理后的数据，通过所述卷积层进行图像重建，获得超分辨率图像。
26、在其中一个实施例中，所述多尺度密集残差超分辨率重建网络模型的训练过程包括：
27、采集红外热图像光伏电板数据集图像进行图像退化处理，得到低分辨模糊图像；
28、对所述低分辨率模糊图像进行标注，将所述低分辨率图像与高分辨率图像作为图像对；
29、将所述图像对输入至多尺度密集残差超分辨率重建网络模型中，通过所述多尺度密集残差超分辨率重建网络模型输出超分辨率重建图像；
30、计算损失函数，并基于所述超分辨率重建图像进行参数更新，得到最优权重参数，完成多尺度密集残差超分辨率重建网络模型训练。
31、在其中一个实施例中，所述采集红外热图像光伏电板数据集图像进行图像退化处理，得到低分辨模糊图像，包括：
32、对所述红外热图像光伏电板数据集图像进行双三次插值处理，得到双三次插值处理后的图像；
33、对所述双三次插值处理后的图像进行缩放处理，得到低分辨模糊图像。
34、一种多尺度密集残差网络红外热成像超分辨率重建系统，所述系统包括：
35、图像处理单元，用于获取红外热成像图像，并对所述红外热成像图像进行图像处理，得到高分辨率图像、低分辨率图像；
36、图像输入单元，用于将所述高分辨率图像、所述低分辨率图像作为图像对输入至多尺度密集残差超分辨率重建网络模型中；所述多尺度密集残差超分辨率重建网络模型包括浅层特征提取模块、深层特征提取模块、特征融合模块、图像重建模块；
37、特征提取单元，用于通过所述浅层特征提取模块提取出所述图像对中的浅层次低频特征，并通过所述深层特征提取模块提取出所述图像对中的深层次高频特征；
38、图像重建单元，用于基于所述特征融合模块对所述浅层次低频特征、深层次高频特征进行特征融合，并将融合后的特征输入至所述图像重建模块中重建出超分辨率图像。
39、上述多尺度密集残差网络红外热成像超分辨率重建方法及系统，通过训练建立多尺度密集残差超分辨率重建网络模型，使用浅层特征提取模块、深层特征提取模块、特征融合模块、图像重建模块可以改进对红外热图像的温度信息，可以恢复图像的纹理细节，从而改善重建超分辨率图像的整体质量，提高红外热图像的重建效果。
1.一种多尺度密集残差网络红外热成像超分辨率重建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的多尺度密集残差网络红外热成像超分辨率重建方法，其特征在于，所述浅层特征提取模块中设置有卷积神经网络中的二维卷积；
3.根据权利要求2所述的多尺度密集残差网络红外热成像超分辨率重建方法，其特征在于，所述深层特征提取模块中设置有若干多尺度密集非对称模块；
4.根据权利要求3所述的多尺度密集残差网络红外热成像超分辨率重建方法，其特征在于，所述多尺度密集非对称模块中设置有多尺度密集残差模块、若干非对称卷积模块；
5.根据权利要求1所述的多尺度密集残差网络红外热成像超分辨率重建方法，其特征在于，所述基于所述特征融合模块对所述浅层次低频特征、深层次高频特征进行特征融合，包括：
6.根据权利要求1所述的多尺度密集残差网络红外热成像超分辨率重建方法，其特征在于，所述图像重建模块中设置有亚像素卷积模块及卷积层；
7.根据权利要求1所述的多尺度密集残差网络红外热成像超分辨率重建方法，其特征在于，所述多尺度密集残差超分辨率重建网络模型的训练过程包括：
8.根据权利要求7所述的多尺度密集残差网络红外热成像超分辨率重建方法，其特征在于，所述采集红外热图像光伏电板数据集图像进行图像退化处理，得到低分辨模糊图像，包括：
9.一种多尺度密集残差网络红外热成像超分辨率重建系统，其特征在于，所述系统包括：
10.根据权利要求9所述的多尺度密集残差网络红外热成像超分辨率重建系统，其特征在于，所述浅层特征提取模块中设置有卷积神经网络中的二维卷积；所述特征提取单元还用于：所述浅层特征提取模块通过第一个卷积提取出所述图像对中的第一特征，通过第二个卷积提取出所述图像对中的第二特征；将所述第一特征、所述第二特征作为浅层次低频特征；所述第一特征用于残差学习，所述第二特征用于深层次高频特征提取。
