一种旋翼DIC变形测量标识点识别方法及介质与流程

本发明涉及旋翼dic变形测量，具体涉及一种旋翼dic变形测量标识点识别方法及介质。

背景技术：

1、数字图像相关（dic）技术是一种非接触式全场变形测量方法，也是实现直升机旋翼三维动态变形测量的重要手段。通过高精度的成像系统和先进的图像处理算法，dic技术能够提供旋翼在飞行状态下的详细变形数据，重建变形前后的桨叶三维表面，进而分析桨叶剖面的扭转刚度、摆振刚度和挥舞刚度等，这对理解旋翼的启动性能和结构完整性至关重要。

2、在dic技术中，需要在旋翼表面粘贴圆形标识点，之后对这些标识点进行提取与匹配。这些标识点的提取依赖于像素差、低对比度、低光照、高噪声等低质量图像，这些低质量图像由于纹理细节难以区分，高噪声会导致纹理模糊，因此像素之间的差异较小，从而对标识点的提取甚至之后的变形测量有很大的影响。因此，对于基于特征点提取的dic变形测量算法，需要增强在低光环境下采集的图像质量。

3、对于成像质量提高的方法有两种，一种是改变视觉传感器在成像过程中的物理参数，提高传感器灵敏度，但同时也带来更大的成像噪声；另一种就是对图像进行增强，这也是人们常常采取的方法。在近几十年，出现了大量的低光图像增强算法，其中传统的方法有基于直方图均衡化，包括global histogram equalization(ghe)和local histogramequalization(lhe)，此外还利用线性变换、分段线性变换和非线性变换的方法对图像曲线进行压缩或拉伸，可以增强图像对比度、提高图像清晰度等。另外，还有人提出基于retinex的增强方法，该方法假设图像由光照和反射组成，并且不同光照条件下的反射成分是一致的。提出了单尺度retinex算法(ssr)、多尺度retinex算法(msr)、基于总广义变分的retinex算法、基于泊松噪声感知的retinex模型、lime等等算法。这些方法可以在一定程度上解决这些问题，然而传统方法增强后的图像仍存在曝光不均匀、纹理细节模糊、噪声放大等问题。

4、随着计算机技术的提高，计算机计算能力的提高促进了深度学习的发展，深度学习也在各种图像处理任务中得到应用，并显示出其优势。目前的一些技术中，先将深度学习应用于低光图像增强，提出了llnet算法，该算法通过堆叠稀疏去噪自编码器并使用合成数据进行训练来实现亮度增强和去噪。一些技术中在retinex的基础上提出了retinex-net，包括用于分解的decom-net和用于光照调整的enhance-net，其中decom-net对图像进行解耦拆分得到光照图和反射图；enhance-net对光照图进行增强，并将反射图和增强后的光照图相乘得到增强后的图像。一些技术中在低光图像增强任务中引入额外的先验信息，该方法将语义分割网络和retinex方法相结合，将语义分割结果直接应用于反射估计网络当中，间接地来达到图像增强效果。然而，这些方法由于都是通过学习色彩变化、去噪来避免放大伪影，导致增强后的图像质量不适用于标识点的提取，使得用于旋翼dic变形测量中，对标识点的识别精准度仍然较低。

技术实现思路

1、本技术要解决的技术问题是提供一种旋翼dic变形测量标识点识别方法及介质，具有可以在旋翼dic变形测量中得到精确度更高的标识点的特点。

2、第一方面，一种实施例中提供一种旋翼dic变形测量标识点识别方法，包括：

3、采集待增强图像；

4、将待增强图像进行局部强化注意力处理得到第一注意力图；

5、将待增强图像和第一注意力图像进行通道堆叠拼接得到第一特征图，并将第一特征图作为图像增强网络的输入；

6、将所述第一特征图进行多层下采样和多层上采样后得到第二特征图；

7、将所述第二特征图与所述第一注意力图进行逐元素相乘，得到第三特征图；

8、将所述第三特征图和待增强图像进行逐元素相加，得到增强后的图像；

9、基于增强后的图像对标识点进行识别。

10、一种实施例中，所述的将所述第一特征图进行多层下采样和多层上采样后得到第二特征图，包括：

11、对于多层下采样，将第一特征图作为第一下采样的输入，经下采样处理后得到第一下采样特征图；除最后一层下采样外，对于任意一层下采样，将该任意一层下采样的输出作为下一层下采样的输入；

12、对于多层上采样，将最后一层下采样的输出作为第一层上采样的输入进行上采样处理；除第一层上采样外，对于任意一层上采样，将上一层上采样的输出和镜像对应层下采样的输出进行拼接后，作为该任意一层上采样的输入；将最后一层上采样处理的输出作为第二特征图；

13、其中，下采样的层数与上采样的层数相等。

14、一种实施例中，所述的除第一层上采样外，对于任意一层上采样，将上一层上采样的输出和镜像对应层下采样的输出进行拼接后，作为该任意一层上采样的输入，包括：

15、将每一层下采样的输出进行局部强化注意力处理得到对应的第二注意力图；

16、除第一层上采样外，对于任意一层上采样，将上一层上采样的输出和镜像对应层下采样所对应的第二注意力图进行拼接后，作为该任意一层上采样的输入；

17、对于第一层上采样，将镜像对应层下采样的输出进行局部强化注意力处理得到的对应的第二注意力图，作为第一层上采样的输入。

18、一种实施例中，所述的局部强化注意力处理，包括：将待局部强化注意力处理的对象转化为灰度图，并将灰度图进行逐元素相减得到局部强化注意力处理后的结果。

19、一种实施例中，所述的将灰度图进行逐元素相减，包括：

20、将灰度图归一化到0和1之间，其中0表示全黑，1表示全白；

21、采用一张相同尺寸大小的全白图像对归一化后的灰度图进行逐元素相减。

22、一种实施例中，所述的采用一张相同尺寸大小的全白图像对归一化后的灰度图进行逐元素相减，包括：

23、，

24、其中，i表示归一化后的灰度图，1表示全白图像，表示局部强化注意力处理后的结果。

25、一种实施例中，对于任意一层下采样，包括：

26、对输入的特征图依次进行两次3×3卷积处理后，再依次进行leakyrelu激活和批归一化处理，并将批归一化处理后的特征图进行最大池化处理得到输出的特征图。

27、一种实施例中，对于任意一层上采样，包括：

28、对输入的特征图进行双线性上采样处理后，再进行卷积处理得到输出的特征图。

29、一种实施例中，所述图像增强网络的学习训练包括：采用全局-局部鉴别器，所述全局-局部鉴别器包括全局插值和局部插值，所述局部插值包括：从增强后的图像和真实的正常光图像中随机裁剪局部补丁，并学习区分增强后的图像和真实的正常光图像之间的真假。

30、第二方面，一种实施例中提供一种计算机可读存储介质，所述介质中存储有程序，所述程序能够被处理器加载并执行如上述任意一种实施例中所述的旋翼dic变形测量标识点识别方法。

31、本发明的有益效果是：

32、一方面，克服了目前图像增强技术中不能很好地处理图片上不相关的部分或干扰的问题，可以突出低光图像中暗区域的细节信息，在之后的网络中重点增强图像中的关键区域的细节纹理信息，使增强后的图片不过度曝光或者曝光不足，更有利于识别到变形旋翼上的标识点。另一方面，得到的增强后的图像，更容易精确识别到标识点的图像增强后的变形旋翼图片。