公开(公告)号：CN118446900B

公开(公告)日：2024-11-26

申请号：CN202410903731.0

申请日：2024-07-08

Applicant: 无锡学院

Inventor： 徐焕宇 ,  苏倚晴 ,  汤祺 ,  万舒畅 ,  杨佳慧 ,  万茜 ,  王泉 ,  徐萌兮

IPC: G06T3/4053 ,  G06T3/4007 ,  G06T3/4046 ,  G06T5/60 ,  G06T5/70

Abstract: 本发明公开了一种针对交通标志的图像超分辨率训练数据生成方法，包括以下步骤：步骤1：构建退化模型，所述退化模型用于生成退化序列；其中，退化模型的退化类型包括模糊降质、间隔采样、下采样、噪声和压缩；所述间隔采样包括：对原始交通标志图像的像素进行每隔一行采样，即间隔采样，来模拟原始交通标志图像的混叠过程；步骤2：将退化序列的顺序打乱，并应用于原始交通标志图像，生成退化图像；步骤3：使用上述可调降质模型生成接近真实场景中文字信息的退化图像，用于深度学习图像超分辨率网络模型的训练。针对智能驾驶汽车采集到的交通标志图像进行图像超分辨率，从而提高交通标志图像的清晰度与检测精确性。

公开(公告)号：CN118446900A

公开(公告)日：2024-08-06

申请号：CN202410903731.0

申请日：2024-07-08

Applicant: 无锡学院

Inventor： 徐焕宇 ,  苏倚晴 ,  汤祺 ,  万舒畅 ,  杨佳慧 ,  万茜 ,  王泉 ,  徐萌兮

IPC: G06T3/4053 ,  G06T3/4007 ,  G06T3/4046 ,  G06T5/60 ,  G06T5/70

Abstract: 本发明公开了一种针对交通标志的图像超分辨率训练数据生成方法，包括以下步骤：步骤1：构建退化模型，所述退化模型用于生成退化序列；其中，退化模型的退化类型包括模糊降质、间隔采样、下采样、噪声和压缩；所述间隔采样包括：对原始交通标志图像的像素进行每隔一行采样，即间隔采样，来模拟原始交通标志图像的混叠过程；步骤2：将退化序列的顺序打乱，并应用于原始交通标志图像，生成退化图像；步骤3：使用上述可调降质模型生成接近真实场景中文字信息的退化图像，用于深度学习图像超分辨率网络模型的训练。针对智能驾驶汽车采集到的交通标志图像进行图像超分辨率，从而提高交通标志图像的清晰度与检测精确性。