改进生成对抗网络用于煤炭光微镜的超分辨率重建
Liang Zou1, Shifan Xu1, Weiming Zhu1
1School of Information and Control Engineering, China University of Mining and Technology, Xuzhou 221116, China.
Sensors (Basel, Switzerland)
|August 26, 2023
概括
这项研究引入了一种新的生成对抗网络 (GAN),以增强低分辨率的煤炭光微图. 先进的GAN产生了更清晰,更现实的图像,改善了煤炭分析和质量评估.
科学领域:
- 地质地质地质地质地质地
- 材料科学 材料科学 材料科学
- 计算机视觉 计算机视觉
背景情况:
- 煤炭光微图的状分析对于了解煤炭的特性和质量至关重要.
- 由于设备的局限性,低分辨率图像阻碍了详细分析.
- 现有的图像修复方法往往缺乏清晰度和现实性.
研究的目的:
- 开发一种新的生成对抗网络 (GAN),用于恢复高清煤炭光微图.
- 为了提高煤炭图像的清晰度和现实性,以便更好地进行马塞拉分析.
- 为了克服传统图像修复技术的局限性.
主要方法:
- 实现基于GAN的轻量级网络,用于图像超分辨率.
- 整合宽剩余块以增强文物消除和非线性装配.
- 在发电机中包含一个多尺度的注意力块,以捕获远程特征相关性.
主要成果:
- 拟议的GAN方法实现了 31.12 dB 的峰值信号噪声比 (PSNR).
- 该方法得到的结构相似度指数 (SSIM) 为0.906.
- 这些结果明显超过了最先进的超分辨率重建方法.
结论:
- 新的GAN有效地恢复了高清煤炭光微图,产生了明确和现实的结果.
- 增强的图像质量有助于更准确的煤炭特征和质量评估.
- 这种方法比传统的煤炭图像超分辨率方法有了显著的进步.
