本发明涉及图像处理，更具体的说是涉及一种汽车零件装配孔图像增强方法。
背景技术：
1、随着汽车工业的飞速发展，对于零部件制造的精度要求越来越高。特别是在汽车制造中，大尺寸厚板零件的装配孔是至关重要的一环，其精度的保障直接影响着汽车的稳定性、安全性及整体性能。然而，由于大尺寸厚板零件的尺寸大、结构复杂，以及装配孔通常具有精细的纹理和边缘特征，使得传统的图像检测方法难以满足现代汽车制造的高精度检测需求。
2、传统的图像增强和分辨率提升技术，如插值法、锐化滤波器等，虽然在某些场景下能够起到一定的效果，但在面对具有复杂纹理和边缘特征的大尺寸厚板零件装配孔图像时，往往难以准确捕捉和保留这些关键信息，导致图像质量提升有限。因此，如何提高大尺寸厚板零件装配孔图像的图像质量是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本发明提供了一种汽车零件装配孔图像增强方法，克服了上述缺陷。
2、为了实现上述目的，本发明采用如下技术方案：
3、一种汽车零件装配孔图像增强方法，具体步骤为：
4、获取待增强图像；
5、将所述待增强图像输入训练好的图像增强模型获得增强图像，所述图像增强模型为基于优化esrgan的图像超分辨重建深度学习模型；
6、将所述增强图像进行输出。
7、可选地，所述图像增强模型训练前，还需构建训练集，所述训练集构建方法为：
8、获取多张原始图像；
9、对多张所述原始图像进行预处理，获得预处理图像；
10、基于所述原始图像和所述预处理图像构建总样本数据集，并按比例对所述总样本数据集进行划分，获得所述训练集。
11、可选地，所述图像增强模型包括生成器网络和判断器网络；所述生成器网络包括多个卷积层、递进残差编织模块和pixelshuffle层；所述判断器网络包括多个卷积层。
12、可选地，所述生成器网络的结构包括依次连接的第一卷积层、所述递进残差编织模块、第一二维卷积层、第二二维卷积层、所述pixelshuffle层、第三二维卷积层、第四二维卷积层和leakyrelu函数。
13、可选地，所述递进残差编织模块包括多个编织模块，多个所述编织模块均引入了自注意力机制和kaiming初始化机制，所述编织模块包括5个卷积层，各个所述卷积层均使用所述leakyrelu函数作为激活函数。
14、可选地，所述图像增强模型的损失函数包括判别器网络对生成器网络生成的假图片的损失函数、判别器网络对真实图片的损失函数、生成器网络的对抗损失函数和生成器网络的感知损失函数。
15、可选地，所述判别器网络对生成器网络生成的假图片的损失函数的表达式为：
16、；
17、式中，为假图片的样本数量；为生成器网络根据噪声生成的第个假图片；是判别器网络对生成器网络生成的假图片的输出；为判别器网络对假图片预测错误的损失；为假图片样本的平均损失。
18、可选地，所述判别器网络对真实图片的损失函数的表达式为：
19、；
20、式中，为真实图片的样本数量；为第个真实图片；为判别器网络认为图片是真实的概率。
21、可选地，所述生成器网络的对抗损失函数的表达式为：
22、；
23、式中，为生成器网络的对抗损失；均为生成器网络；均为判别器网络；为生成对抗网络的基本损失；为循环一致性损失，为感知损失；和均为权重系数；为输入图像；为真实图像。
24、可选地，所述生成器网络的感知损失函数的表达式为：
25、；
26、式中，分别为特征图的通道数、高度和宽度；为真实图片在预训练网络的某一层上提取的特征图，为通道值、为高度值、为宽度值；为生成器网络根据噪声生成的假图片在同一网络层上提取的特征图。
27、经由上述的技术方案可知，本发明公开提供了一种汽车零件装配孔图像增强方法，与现有技术相比，具有以下有益效果：
28、1.本发明在编织模块中加入了自注意力机制，通过计算注意力图来增强模型对不同空间位置的关注，有助于提升特征表达能力和图像质量；
29、2.在递进残差编织模块（prwm）和生成器网络prwmresnet中都使用了残差连接，可以帮助缓解梯度消失问题，使得网络更易优化，同时也有助于加速训练收敛；
30、3.将网络拆分成不同的模块有利于代码的组织和维护，同时也方便进行模块化的调试和替换；
31、4.对网络参数进行了初始化，在网络中采用了统一的权重初始化方法，有助于加速模型收敛和提高模型性能；
32、5.生成器网络prwmresnet 中包含多个递进残差编织模块（prwm），通过堆叠多个残差块来构建更深的网络，有助于提升网络的特征提取能力和图像重建质量；
33、6.根据不同的上采样倍数选择不同的上采样方式，保证在不同场景下都能得到较好的性能表现；
34、7.本发明具有更强大的特征表示能力、多尺度特征融合、稳定的训练过程、更好的泛化能力、适用于高分辨率图像以及灵活性等。
1.一种汽车零件装配孔图像增强方法，其特征在于，具体步骤为：
2.根据权利要求1所述的一种汽车零件装配孔图像增强方法，其特征在于，所述图像增强模型训练前，还需构建训练集，所述训练集构建方法为：
3.根据权利要求1所述的一种汽车零件装配孔图像增强方法，其特征在于，所述图像增强模型包括生成器网络和判断器网络；所述生成器网络包括多个卷积层、递进残差编织模块和pixelshuffle层；所述判断器网络包括多个卷积层。
4.根据权利要求3所述的一种汽车零件装配孔图像增强方法，其特征在于，所述生成器网络的结构包括依次连接的第一卷积层、所述递进残差编织模块、第一二维卷积层、第二二维卷积层、所述pixelshuffle层、第三二维卷积层、第四二维卷积层和leakyrelu函数。
5.根据权利要求4所述的一种汽车零件装配孔图像增强方法，其特征在于，所述递进残差编织模块包括多个编织模块，多个所述编织模块均引入了自注意力机制和kaiming初始化机制，所述编织模块包括5个卷积层，各个所述卷积层均使用所述leakyrelu函数作为激活函数。
6.根据权利要求3所述的一种汽车零件装配孔图像增强方法，其特征在于，所述图像增强模型的损失函数包括判别器网络对生成器网络生成的假图片的损失函数、判别器网络对真实图片的损失函数、生成器网络的对抗损失函数和生成器网络的感知损失函数。
7.根据权利要求6所述的一种汽车零件装配孔图像增强方法，其特征在于，所述判别器网络对生成器网络生成的假图片的损失函数的表达式为：
8.根据权利要求6所述的一种汽车零件装配孔图像增强方法，其特征在于，所述判别器网络对真实图片的损失函数的表达式为：
9.根据权利要求6所述的一种汽车零件装配孔图像增强方法，其特征在于，所述生成器网络的对抗损失函数的表达式为：
10.根据权利要求6所述的一种汽车零件装配孔图像增强方法，其特征在于，所述生成器网络的感知损失函数的表达式为：
