Super-resolution Enhancement of Infrared Images Using a Lightweight Dense Residual Network
-
摘要: 现有的红外制导武器严重依赖操作手对目标的捕获，其捕获的精度与目标的纹理细节正相关。为了提升弱小区域的显示质量，满足现有导引头小型化、模块化、低成本的设计要求，本文设计了一种基于轻量级金字塔密集残差网络的图像增强模型，该模型在密集残差网络基础上通过密集连接层和残差网络来学习不同尺度图像之间的非线性映射，充分利用多尺度特征进行高频残差预测。同时，采用深度监督模块指导网络训练，有利于实现较大上采样因子的超分辨增强，提高其泛化能力。大量仿真实验结果表明本文所提出的超分辨模型能够获得高倍率的超分辨增强效果，其重建质量也优于对比算法。Abstract: Existing infrared-guided weapons heavily rely on operators to acquire targets, and the accuracy of acquisition is positively correlated with a target's texture details. To improve the display quality of weak small regions and meet the design requirements of miniaturization, modularization, and low-cost seekers, an image super-resolution(SR) reconstruction algorithm based on a pyramid dense residual network is proposed. The dense residual network is the basic framework of the proposed model. Through the dense connection layer and the residual network, the model can learn the non-linear mapping between images of different scales, and the multi-scale feature can be used to predict the high-frequency residual. In addition, using the deep supervision module to guide network training is conducive to the realization of SR reconstruction with a larger upper-sampling factor and improvements to its generalization ability. A large number of simulation results show that our proposed model outperforms comparison algorithms and that it has a high engineering application value.
-
Keywords:
- SR reconstruction /
- lightweight /
- infrared image /
- dense residual-network /
- loss function /
- deep supervision
-
0. 引言
太阳光中包含各种波段的光，但是地球大气层中的臭氧层会对220~280 nm波段的紫外光进行吸收，因此该波段的光很难到达地球表面，该波段又被称为“日盲”紫外波段[1]。我们通过220~280 nm紫外光的日盲特性对处于该波段的目标物进行检测成像，能够有效地排除掉阳光对其造成的影响。而高压输电线路由于其自身的故障会在大气中产生电晕，电晕放电会放射出波段为220~280 nm的紫外光[2-6]。传统的电晕探测技术有红外热探测和超声波探测，日盲紫外电晕探测相比于这两种技术有极大的改进：和红外技术相比，在早期就能检测到高压输电线上的电晕放电现象，并且不受周边环境干扰；和超声波技术相比，能够探测的距离长，并且能够检测出电晕放电产生的位置。如今，国内的紫外检测技术飞速发展，以国产碲铯阴极紫外像增强器为核心的紫外成像仪能够对电力设备故障进行实时的检测[7-9]。
1. 光子计数原理
在日盲紫外电晕成像探测过程中，一般是根据显示器上所显示的日盲紫外图像来主观判断电晕放电的程度，这样会带来很大的误差，所以需要通过具体的算法对日盲紫外电晕放电进行量化分析。考虑到日盲紫外电晕信号十分微弱，达到了单光子水平，普通的量化分析方法不能满足要求，因此需要设计合理的光子计数算法来对日盲紫外信号进行量化分析。
图 1是单光子探测的原理图。首先，光信号通过光学镜头进行光学聚焦；然后，前端光电探测器将光信号转化成电信号；其次，将电信号输入至信号处理模块进行处理；最后，后端读出电路模块将处理之后的信号进行输出。其中，因为日盲紫外信号十分微弱，传统的固体探测器件难以达到要求，因此一般会采用真空器件对信号进行光电转换和电子倍增。与此同时，当需要对目标信号强弱进行分析并对其进行成像时，采用像增强器作为光电转换和成像器件[10]。
当日盲紫外光子信号低于3×10－15 W/cm2时，光电转换器就会产生离散脉冲信号，合适的CMOS传感器就能探测到光子信号，所以能够统计日盲紫外信号光子的数量来实现对目标源信号的定量化分析。光子的能量公式为：
$$ E = h\frac{c}{\lambda } $$ (1) 式中：h为普朗克常数；c为真空中的光速；λ为光的波长。其中日盲紫外波段为200~280 nm[3]，通过计算得出一个日盲紫外光子的能量为7.1×10－19~1×10－18 J。
日盲紫外光光功率P表示为：
$$ P＝N×E $$ (2) 式中：N表示光子数；E表示单光子能量，所以单位时间内通过的光能量表示光流强度。
目标源信号的光功率可以通过统计一个截面上的光子数量来计算得到[4-7]。由于图像传感器靶面尺寸约为1.56 cm2，通过对单位时间内探测到的紫外图像上出现的光斑进行计数统计，就能计算得出一帧图像的光子数以及日盲紫外信号源的光功率。
2. 测试系统
本文所设计的日盲紫外成像系统原理框图如图 2所示，成像系统主要由紫外ICMOS模组、可见光探测器、ARM+FPGA嵌入式处理系统组成。其中，紫外ICMOS模组用来采集日盲紫外微弱信号，并经过模数转换将数字图像信号输入嵌入式平台中；可见光探测器采集可见光图像为日盲紫外信号提供位置信息；ARM+FPGA嵌入式处理系统通过采集紫外数字图像信息，完成图像处理和光子计数算法，并将处理后的图像输出显示。
![]()
图 2 日盲紫外成像系统整体设计框图Figure 2. Block diagram of overall design of solar blind ultraviolet imaging system图 3是所设计的日盲紫外成像系统整机实物图，尺寸（长×宽×高）为244 mm×135 mm×96 mm。其中1为相机窗口，2为LCD液晶屏，3为按键控制面板，4为电源充电口和TF卡槽，5为腕带。
3. 日盲紫外光子计数算法设计
3.1 传统光子计数算法分析
传统的光子计数算法通常为连通域标记光子计数算法，其算法主要思路为：假设单光子经过像增强器倍增以后，在荧光屏上所显示的每一个光斑都未重合。那么每一个光斑就对应了一个光电子，因此只需要对一帧图像中光斑出现的数量，就可以得出一帧图像中日盲紫外光子数。在连通域标记算法中，对经过图像预处理后的紫外图像进行二值化处理，得到一幅二值化图像。每个由灰度255组成的连通域表示为一个光子事件，图 4为连通域标记算法的示意图。
然后，对所采集到的一帧紫外图像进行连通域算法仿真分析，图 5为所采集到的日盲紫外图像和二值化后的图像。
通过对图进行连通域标记光子计数算法仿真，可以得出共有12个光子。通过分析二值化后的图像可知，连通域标记算法将光斑较大和较小的区域都默认为一个光子事件进行统计，这样显然影响了光子计数的准确度，因此需要对此光子计数算法进行改进。
3.2 基于时间相关的光子计数算法设计
弥散圆斑算法是一种从三维空间上统计光子数的方法，由于所设计的高帧频算法，可以使得光斑的变化在时间域上被捕获，因此本文在此基础上添加了时间因素，弥补光斑出现时间的随机性，找出四维空间中的最大点，约束条件如式(3)：
$$ \left\{ \begin{gathered} {f_x}'(x,y,z) \leqslant 0 \hfill \\ {f_y}'(x,y,z) \leqslant 0 \hfill \\ {f_t}'(x,y,z) \leqslant 0 \hfill \\ \end{gathered} \right. $$ (3) 由于加入了时间的约束，所以只有找出一段时间内几帧图像同一位置光斑的极大值点才能准确计算光子数。本文采用的CMOS传感器图像输出频率为3 ms每帧，而荧光屏的余晖时间为6 ms，即光斑在荧光屏上的起伏时间为6 ms，因此我们通过连续采样得到3帧图像就能得到光斑的变化范围，如图 6所示，其中a、b、c表示图像中光斑的灰度值。
如图 6所示，中间一帧图像中b灰度值最大，可以将b记作一个光子数，因此只要中间帧图像中光斑的灰度值大于前后帧图像光斑的灰度值，就能将其记为一个光子数。
这样就能统计出一帧图像的光子数[10]：
$$ n = \sum\limits_{k = 1}^f {\sum\limits_{i = 1}^m {\sum\limits_{j = 1}^n {Y(i,j,k)} } } $$ (4) 式中：f为日盲紫外成像探测器的帧频；k为第k帧图像；(i, j)为二维空间坐标；Y(i, j, k)为四维空间中的极大值点。由于日盲紫外成像探测器能达到300帧/s的帧频，两帧之间的变化时间较小，因此Y(i, j, k)又能满足：
$$ B(i,j,k)≥B(i±i′,j±j′,k±k′) $$ (5) 式中：B(i, j, k)为第k帧(i, j)点的灰度值。由上式可见，极大值点Y(i, j, k)的约束条件为：B(i, j)在i′×j′矩阵像素中具有最大的灰度值，且在前后k′帧的同一位置的灰度值也是最大的。根据日盲紫外成像探测器的输出帧频，这里k′＝1，同时i′×j′矩阵可设定为3×3矩阵或5×5矩阵。
4. 实验流程与不确定性度分析
4.1 光子计数算法的仿真实验分析
首先，本文用日盲紫外成像探测器采集图像，然后运用Matlab软件分别对两种算法进行仿真，比较仿真结果来判断时间相关的光子计数算法能否提高计数精度。
首先选用260 nm波段的紫外光源，然后日盲紫外成像探测器的增益电压调节为2.5 V，调节紫外光源光功率密度，从3×10－19 W/cm2每次往上增加一个数量级，采集3组不同光强的实验图像，每组实验记录3幅图像，如图 7所示。
运用MATLAB软件对采集的图像仿真，得出的光子数如表 1所示。表 1中的两种算法为连通域计数算法和基于时间相关算法。
表 1 两种算法光子计数统计表Table 1. Photon counting statistic table of two algorithmConnected domain labeling algorithm Dispersion circular algorithm Group 1 7 6 Group 2 78 78 Group 3 88 291 结果显示，当信号源很弱时，光子就会分散分布，因此两种算法的计数结果比较相近。在增强紫外光源的光功率后，光斑会重叠，并且连通域标记光子计数算法得出的光子数量没有太大变化，而本文所设计的算法随着信号的增强，计数值不断增加，由此可知，弥散圆斑算法相对于连通域计数算法更加精确，可对日盲紫外单光子进行准确统计。
4.2 基于日盲紫外成像系统的光子计数算法实验及分析
通过对两种算法的仿真分析可知，本文所设计的光子计数算法更具准确性，但由于所设计成像系统的资源和速度限制，我们将日盲紫外图像的14 bit数据压缩成8 bit数据进行处理，因此会使得计数精度上有所偏差，所以通过对紫外光源的实验来验证硬件实现的效果。
实验采用氘灯作为日盲紫外目标源进行光子计数实验测试，紫外ICMOS模组的增益电压保持不变，进行了如下3组实验：
第一组，关闭日盲紫外信号源，实验结果如图 8所示。
通过采集3帧图像，所计算的光子数一直为0，说明所设计的成像系统暗计数良好。
第二组，打开氘灯光源，并调节光源强度到最弱，采集到的图像如图 9所示。
第三组，输出光源光功率密度加到1×10－18 W/cm2，采集到的图像如图 10所示。
然后，我们利用Matlab对每组连续的3帧图像进行所设计的光子计数算法仿真，仿真结果与FPGA计算的结果如表 2所示。
表 2 四组光子计数实验结果Table 2. Results of four groups of photon counting experimentsGroup1 Group 2 Group 3 FPGA output result 0 24 141 Matlab simulation result 0 23 149 通过表 2可知，硬件实验的光子计数算法与仿真结果相近，证明了所设计的基于时间域的弥散圆斑光子计数算法在成像系统中可以硬件实现，并且效果良好。
5. 结论
日盲紫外电晕探测是近年来一种新型的电晕探测方式，但是紫外图像单靠人眼无法精确地判断电晕信号的强弱，因此本文研究了日盲紫外光子计数算法，通过对连通域标记算法和弥散圆斑算法进行分析提出了基于时间相关算法，然后使用Matlab对两种算法进行了实验仿真，结果显示基于时间相关算法对光子计数更加准确，最后，通过实验验证所设计的算法可以在成像系统中的FPGA硬件平台上实现，并且实现的效果良好，能够用于紫外成像仪中对信号进行量化分析。
-
![]()
图 3 不同算法对CASIA数据集中真实红外定性分析
Figure 3. SR results of local region for different algorithms in CASIA dataset. (a) EDSR; (b) SRCNN; (c) Meta_SR; (d) GANSR; (E) SRMD; (f) proposed algorithm
表 1 不同模块性能分析
Table 1 Performance analysis of different modules
RL DC DS PSNR █ 29.8 █ 29.9 █ 29.7 █ █ 31.7 █ █ 31.0 █ █ 31.8 █ █ █ 32.5 
下载: 导出CSV
表 2 不同算法的重建指标对比
Table 2 Comparison of reconstruction indexes of different algorithms
Images SRCNN EDSR Meta-SR GANSR SRMD Proposed 1 PSNR 32.087 32.237 32.297 32.347 32.507 32.777 SSIM 0.954 0.955 0.955 0.958 0.961 0.962 2 PSNR 22.907 23.507 23.187 23.547 23.187 23.827 SSIM 0.774 0.796 0.788 0.802 0.794 0.826 3 PSNR 24.147 25.617 24.467 25.477 24.567 26.287 SSIM 0.89 0.928 0.912 0.931 0.901 0.948 4 PSNR 32.767 32.697 32.777 32.787 33.047 33.087 SSIM 0.87 0.867 0.868 0.868 0.879 0.878 5 PSNR 29.297 30.207 29.557 30.167 29.567 30.487 SSIM 0.898 0.911 0.906 0.913 0.905 0.921 6 PSNR 28.657 28.557 28.557 28.697 28.627 29.037 SSIM 0.952 0.953 0.957 0.957 0.96 0.964 Average PSNR 28.307 28.807 28.467 28.837 28.577 29.247 SSIM 0.901 0.912 0.902 0.914 0.915 0.929
下载: 导出CSV
-
[1] 廖小华, 陈念年, 蒋勇, 等. 改进的卷积神经网络红外图像超分辨率算法[J]. 红外技术, 2020, 42(1): 075-80. http://hwjs.nvir.cn/article/id/hwjs202001011 LIAO Xiaohua, CHEN Niannian, JIANG Yong, et al. Infrared image super-resolution using improved convolutional neural network[J]. Infrared Technology, 2020, 42(1): 075-80. http://hwjs.nvir.cn/article/id/hwjs202001011
[2] 田广强. 一种新颖高效的红外动态场景多目标检测跟踪[J]. 红外技术, 2018, 40(3): 259-263. http://hwjs.nvir.cn/article/id/hwjs201803010 TIAN Guangqiang. A novel algorithm for efficient multi-object detection and tracking for infrared dynamic frames[J]. Infrared Technology, 2018, 40(3): 259-263. http://hwjs.nvir.cn/article/id/hwjs201803010
[3] 曾金发, 吴恩斯, 李能勇. 基于双核协同学习模型的红外目标跟踪算法[J]. 红外技术, 2018, 40(5): 438-443. http://hwjs.nvir.cn/article/id/hwjs201805006 ZENG Jinfa, WU Ensi, LI Nengyong. Infrared object-tracking algorithm based on dual-kernelized collaborative learning[J]. Infrared Technology, 2018, 40(5): 438-443. http://hwjs.nvir.cn/article/id/hwjs201805006
[4] 韩团军, 尹继武. 一种鲁棒的自适应更新策略的弹载计算机红外目标跟踪算法[J]. 红外技术, 2018, 40(7): 625-631. http://hwjs.nvir.cn/article/id/hwjs201807001 HAN Tuanjun, YIN Jiwu. Robust adaptive updating strategy for missile-borne infrared object-tracking algorithm[J]. Infrared Technology, 2018, 40(7): 625-631 http://hwjs.nvir.cn/article/id/hwjs201807001
[5] 艾志伟, 嵇建波, 李静, 等. 快速反射镜状态模型构建方法及其控制系统设计[J]. 红外技术, 2020, 42(1): 40-45. http://hwjs.nvir.cn/article/id/hwjs202001006 AI Zhiwei, JI Jianbo, LI Jing, et al. State model construction method for fast steering mirror and its control system design[J]. Infrared Technology, 2020, 42(1): 040-45. http://hwjs.nvir.cn/article/id/hwjs202001006
[6] DONG C, Loy C C, He K, et al. Learning a deep convolutional network for image super-resolution[C]//European Conference on Computer Vision, 2014: 184-199.
[7] Riegler G, Rther M, Bischof H. ATGV-Net: accurate depth super resolution[C]//Proc. Eur. Conf. Comput. Vis., 2016: 268-284.
[8] SHI Y, LI S, LI W, et al. Fast and Lightweight Image Super-resolution based on dense residuals two-channel network[C]//2019 IEEE International Conference on Image Processing (ICIP), 2019: 2826-2830.
[9] WANG Wei, JIANG Yongbin, LUO Yanhong, et al. An advanced deep residual dense network(DRDN) approach for image super-resolution[J]. International Journal of Computational Intelligence Systems, 2019, 12(2): 1592-1601. DOI: 10.2991/ijcis.d.191209.001
[10] WU Y, JI X, JI W, et al. CASR: a context-aware residual network for single-image super-resolution[J]. Neural Computing and Applications, 2019: 1-16. DOI: 10.1007/s00521-019-04609-8%3Fshared-article-renderer
[11] 杨明, 王璇, 高宏伟. 基于多级深度网络的高清晰度红外电子变倍算法[J]. 弹箭与制导学报, 2020, 40(4): 14-19. https://www.cnki.com.cn/Article/CJFDTOTAL-DJZD202004004.htm YANG Ming, WANG Xuan, GAO Hongwei. High-definition infrared electronic zooming algorithm based on multi-level deep network[J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2020, 40(4): 14-19. https://www.cnki.com.cn/Article/CJFDTOTAL-DJZD202004004.htm
[12] HUI T, Loy C C, TANG X. Depth map super-resolution by deep multi-scale guidance[C]//Proc. Eur. Conf. Comput. Vis., 2016: 353-369.
[13] QIU Y, WANG R, TAO D, et al. Embedded block residual network: a recursive restoration model for single-image super - resolution[C]//Proceedings of the IEEE International Conference on Computer Vision, 2019: 4180-4189.
[14] CAO Y, HE Z, YE Z, et al. Fast and accurate single image super - resolution via an energy-aware improved deep residual network[J]. Signal Processing, 2019, 162: 115-125. DOI: 10.1016/j.sigpro.2019.03.018
[15] Anwar S, Barnes N. Densely residual Laplacian super-resolution[J/OL]. IEEE Transactions on Pattern Analysis and Machine Intelligence [2020-09-20](DOI: 10.1109/TPAMI.2020.3021088).
[16] WANG Z, Chen J, Hoi S C H. Deep learning for image super-resolution: a survey[J/OL]. IEEE Trans Pattern Anal Mach Intell.[2020-09-20]. https://ieeexplore.ieee.org/document/9185010 (doi: 10.1109/TPAMI.2020.2982166).
[17] LONG J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation[C]// Proc. Conf. Comput. Vis. Pattern Recognit, 2015: 3431-3440.
[18] HE K, ZHANG X, REN S, et al. Delving deep into rectifiers: Surpassing human-level performance on image net classification[C]//Proc. Int. Conf. Comput. Vis., 2015: 1026-1034.
[19] Lim B, Son S, Kim H, et al. Enhanced deep residual networks for single image super-resolution[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops, 2017: 136-144.
[20] HUI T W, Loy C C, TANG X. Depth map super-resolution by deep multi-scale guidance[C]//European Conference on Computer Vision, Springer, 2016: 353-369.
[21] Guei A C, Akhloufi M. Deep learning enhancement of infrared face images using generative adversarial networks[J]. Applied Optics, 2018, 57(18): 98-107. DOI: 10.1364/AO.57.000D98
[22] ZHANG X, LI C, MENG Q, et al. Infrared image super resolution by combining compressive sensing and deep learning[J]. Sensors, 2018, 18(8): 2587-2599. DOI: 10.3390/s18082587
-
期刊类型引用(1)
1. 杨晓超，郝慧良. 矿用电缆放电监测系统研究设计. 中国煤炭. 2024(S1): 406-410 . 
百度学术
其他类型引用(1)
计量
- 文章访问数: 612
- HTML全文浏览量: 163
- PDF下载量: 66
- 被引次数: 2
