摘要
显微热成像系统可以观测并记录分析细微目标的温度变化过程，在一些基于细微热分析进行无损检测的领域有着广阔的应用前景。课题组前期基于非制冷焦平面探测器和光学微扫描技术搭建了一款新型的光学微扫描显微热成像系统。然而该系统采集的显微热图像存在图像质量差、空间分辨率低等问题。为解决以上问题，本文基于图像处理和深度学习理论，研究图像增强算法与图像超分辨率重建算法，主要工作如下： 首先，针对红外显微热图像动态范围大、图像模糊等问题，对传统图像增强算法进行改进，提出一种基于图像预处理、形态学腐蚀及引导滤波的图像增强算法。该算法对图像边缘和非边缘像素分别处理，在增强对比度的同时强化细节，有效改善单一方法不能兼顾图像内部细节和边缘轮廓的问题，仿真及实验结果表明该算法能够改善图像质量，增强图像视觉效果，为后续超分辨率重建提供理论基础。 其次，针对红外显微热图像信噪比及空间分辨率低等问题，对SRGAN算法进行改进，提出SMC-SRGAN算法；该算法对SRGAN中生成网络的残差块重新设计，即将原始残差块中的两个BN层删除，将激活函数ReLU替换为SMU，加入CBAM注意力机制。然后，将SMC-SRGAN与四种超分辨率重建算法进行仿真对比分析；最后，将SMC-SRGAN与图像增强算法进行结合，并在实际显微热成像系统上进行验证。 最后，针对SMC-SRGAN算法网络参数量大、图像重建时间长等问题，对SRGAN算法进行改进，提出SRGAN-Lightning算法。首先，为提高算法的计算效率和精度，构建SE-MobileNetV2模块，即在MobileNetV2的Bottleneck结构中加入注意力机制SEnet，并将其扩充通道第一个1×1卷积层的Channel变为原来的1/4；然后，针对SMC-SRGAN网络层数深、计算量大的问题，将生成网络中的残差块替换为SE-MobileNetV2，从而得到SRGAN-Lightning；最后将SRGAN-Lightning与包括SMC-SRGAN算法在内的五种算法进行仿真对比分析，结果证明了所提算法的有效性。
NETL