CN111861884B - 一种基于深度学习的卫星云图超分辨率重建方法 - Google Patents
一种基于深度学习的卫星云图超分辨率重建方法 Download PDFInfo
- Publication number
- CN111861884B CN111861884B CN202010677892.4A CN202010677892A CN111861884B CN 111861884 B CN111861884 B CN 111861884B CN 202010677892 A CN202010677892 A CN 202010677892A CN 111861884 B CN111861884 B CN 111861884B
- Authority
- CN
- China
- Prior art keywords
- resolution
- satellite cloud
- cloud image
- data set
- deep learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013135 deep learning Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的卫星云图超分辨率重建方法,制作并预处理卫星云图,得到高分辨率卫星云图数据集;将高分辨率卫星云图数据集划分为建模用训练数据集和测试数据集;构建并训练基于深度学习的卫星云图超分辨率重建模型;将低分辨率卫星云图输入训练后的卫星云图超分辨率重建模型中,得到高分辨率卫星云图。通过深度学习方法得到高精度的有细节的卫星云图高分辨率重建图像,取得比传统方法更具准确性和普适性的重建效果,能够通过低分辨率卫星云图获得高分辨率卫星云图,提高其实用性。
Description
技术领域
本发明属于卫星云图超分辨率处理技术领域,具体涉及一种基于深度学习的卫星云图超分辨率重建方法。
背景技术
卫星云图是应用最广泛的气象卫星观测产品。卫星云图包含云系,大气和海洋的信息,有助于天气状况分析和灾害预警。然而由于成像原理和成像技术的限制,卫星云图的空间分辨率渐渐不能满足气象监测的需要。
传统上,高分辨率的卫星资料主要通过更高精度的仪器观测获得。然而,由于现有观测技术的限制,卫星上的传感器难以得到及时更新。因此利用图像超分辨率技术提高卫星云图的空间分辨率具有重要意义。
插值法和基于字典的方法是常见的超分变率方法,但这两种方法重建图像精度低,算法复杂度高,普适性差。而深度学习近年来取得了快速的发展,并成功地应用于包括超分辨率在内的许多领域。但是如何利用深度学习方法将低分辨率卫星云图重建为高分辨率卫星云图仍是未解决的问题。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种基于深度学习的卫星云图超分辨率重建方法,通过深度学习方法得到高精度的有细节的卫星云图高分辨率重建图像,取得比传统方法更具准确性和普适性的重建效果,能够通过低分辨率卫星云图获得高分辨率卫星云图,提高其实用性。
为实现上述技术目的,本发明采取的技术方案为:
一种基于深度学习的卫星云图超分辨率重建方法,包括:
步骤S1:制作并预处理卫星云图,得到高分辨率卫星云图数据集;
步骤S2:将高分辨率卫星云图数据集划分为建模用训练数据集和测试数据集;
步骤S3:构建并训练基于深度学习的卫星云图超分辨率重建模型;
步骤S4:将低分辨率卫星云图输入训练后的卫星云图超分辨率重建模型中,得到高分辨率卫星云图。
为优化上述技术方案,采取的具体措施还包括:
上述的步骤S1包括以下步骤:
步骤S101:基于气象卫星的高分辨率数据制作卫星云图;
步骤S102:将步骤S101的卫星云图剪裁为多个图块,作为高分辨率卫星云图数据集。
上述的步骤S2包括以下步骤:
步骤S201:对高分辨率卫星云图数据集进行下采样,得到低分辨率卫星云图数据集;
步骤S202:高分辨率卫星云图数据集与低分辨率卫星云图数据集结合,划分为建模用训练数据集和测试数据集。
上述的步骤S201中,使用双三次插值算法对高分辨率卫星云图数据集进行下采样处理。
上述的步骤S3构建的卫星云图超分辨率重建模型包括特征提取层、特征映射层和上采样层;
所述特征提取层通过卷积运算提取特征;
所述特征映射层基于反向投影和残差密集块联合训练,包含两路网络结构来捕获有效特征,一条路径上是N个上采样单元和N-1个下采样单元交替连接的反向投影结构,一条路径上是N个残差密集块;
其中上采样单元的结构为:对输入特征L0进行上采样得到H0,对H0进行下采样得到L1,计算L1与L0之间的残差e,对e进行上采样得到He,将H0与He相加得到输出特征H;
下采样单元的结构为:对输入特征H0进行下采样得到L0,对L0进行上采样得到H1,计算H1与H0之间的残差e,对e进行下采样得到Le,将L0与Le相加得到输出特征L;
残差密集块的结构为:n个卷积层与n-1个激活层交替排列,卷积层之间采用跳跃连接,即第i个卷积层的输入为第1个至第i-1个卷积层的输出;
模型中的第i个上采样单元的输入为第1个至第i-1个下采样单元的输出和第i个残差密集块的输出,第i个下采样单元的输入为第1个至第i-1个上采样单元的输出,第i个残差密集块的输入是第i-1个残差密集块的输出;
所述上采样层连接反向投影结构中所有上采样单元的输出,通过卷积得到高分辨率重建图像。
上述的步骤S3所述训练基于深度学习的卫星云图超分辨率重建模型,包括以下步骤:
步骤S301:构建均方误差函数作为损失函数;
步骤S302:选择优化算法,更新网络的参数;
步骤S303:使用峰值信噪比和结构相似度作为评价指标来客观评价模型的重建性能;
步骤S304:设置训练次数;
步骤S305:设置每次训练次数,进行一次测试;
步骤S306:设置基础学习率;
步骤S307:开始训练,直到完成训练次数;
步骤S308:保存模型参数。
上述的步骤S302中,选择Adam优化算法。
上述的步骤S303中,峰值信噪比PSNR的计算公式如下:
其中MSE为两张图片之间的均方误差,vmax 2是图片的最大可能像素值。
上述的步骤S403中,结构相似度SSIM的计算公式如下:
其中f表示为真实的高分辨率图像,表示为重建的高分辨率图像,μf和分别表示为真实高分辨率图像和重建图像的平均灰度值,σf和分别表示为真实高分辨率图像和重建图像的方差,表示为真实高分辨率图像和重建图像的协方差,C1和C2为常数,且C1=(k1L)2,C2=(k2L)2,k1=0.01,k2=0.03,L是像素值的动态范围。
本发明具有以下有益效果:
(1)本发明提供一种卫星云图超分辨率重建方法,能通过低分辨率卫星云图得到具有更高峰值信噪比和结构相似性的高分辨率卫星云图,提高其实用性。
(2)本发明设计了迭代上下采样与残差密集块联合训练的网络模型,对高尺度因子和图像细节有更好的重建质量,能够解决大量图像细节信息丢失的问题,并且在较大的缩放因子下仍然能够重建出清晰的高分辨率图像。
附图说明
图1为本发明提供的一种基于深度学习的卫星云图超分辨率重建方法的整体流程示意图;
图2为本发明设计的基于深度学习的卫星云图超分辨率重建模型示意图;
图3为卫星云图超分辨率重建模型中上采样单元的结构示意图;
图4为卫星云图超分辨率重建模型中下采样单元的结构示意图;
图5为卫星云图超分辨率重建模型中残差密集块的结构示意图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
如图1所示,本发明提供一种基于深度学习的卫星云图超分辨率重建方法,能够通过低分辨率卫星云图获得高分辨率卫星云图,提高其实用性,包括以下步骤:
步骤S1:制作并预处理卫星云图,得到高分辨率卫星云图数据集;
实施例中,所述步骤S1包括以下步骤:
步骤S101:基于气象卫星的高分辨率数据制作卫星云图:
选用Himawari-8气象卫星高分辨率数据中波段5,波段4,波段3的反照率数据制作自然色彩的卫星云图;
步骤S102:将步骤S101的卫星云图以步长为300像素,剪裁为多个大小为600像素×600像素的图块,作为高分辨率卫星云图数据集。
步骤S2:将高分辨率卫星云图数据集划分为建模用训练数据集和测试数据集,包括以下步骤:
步骤S201:对步骤S102的600像素×600像素的高分辨卫星云图用双三次差值算法按1/4比例进行下采样,得到150像素×150像素的低分辨率卫星云图数据集;
步骤S202:对步骤S201的600像素×600像素的高分辨卫星云图数据集和150像素×150像素的低分辨率卫星云图数据集按照4:1的比例分为建模用训练数据集和测试数据集。
步骤S3:构建并训练基于深度学习的卫星云图超分辨率重建模型;
如图2所示,实施例中,所述步骤S3构建的卫星云图超分辨率重建模型包括特征提取层、特征映射层和上采样层;
所述特征提取层通过卷积运算提取特征:对输入的卫星云图进行卷积提取特征,通过Cov3_256、Cov1_64两次卷积,输出64个特征图;
所述特征映射层基于反向投影和残差密集块联合训练,包含两路网络结构来捕获有效特征,一条路径上是7个上采样单元和6个下采样单元交替连接的反向投影结构,一条路径上是7个残差密集块;
如图3所示,其中上采样单元的结构为:对输入特征L0按4倍比例进行上采样(Decov8_64)得到H0,对H0按1/4比例进行下采样(Cov8_64)得到L1,计算L1与L0之间的残差e,对e按4倍比例进行上采样(Decov8_64)得到He,将H0与He相加得到输出特征H;
如图4所示,下采样单元的结构为:对输入特征H0按1/4比例进行下采样(Cov8_64)得到L0,对L0按4倍比例进行上采样(Decov8_64)得到H1,计算H1与H0之间的残差e,对e按1/4比例进行下采样(Cov8_64)得到Le,将L0与Le相加得到输出特征L;
如图5所示,残差密集块的结构为:5个卷积层(Cov3_64)与4个激活层(ReLU)相交替,卷积层之间采用跳跃连接,即第i个卷积层的输入为第1个至第i-1个卷积层的输出;
模型中的第i个上采样单元的输入为第1个至第i-1个下采样单元的输出和第i个残差密集块的输出,第i个下采样单元的输入为第1个至第i-1个上采样单元的输出,第i个残差密集块的输入是第i-1个残差密集块的输出;
所述上采样层连接反向投影结构中所有上采样单元的输出,通过Cov3_3卷积运算得到高分辨率重建图像。
实施例中,步骤S3所述训练基于深度学习的卫星云图超分辨率重建模型,包括以下步骤:
步骤S301:构建均方误差函数(MSE)作为损失函数;均方误差函数(MSE)的表达形式为:
其中,n为训练样本的数量,Xi为真实的高分辨率卫星云图,Yi为重建的高分辨率卫星云图;
步骤S302:选择优化算法,更新网络的参数;
通过Adam优化算法更新网络的参数;Adam优化算法更新网络参数的过程表示为:
mt=u×mt-1+(1-u)×gt
nt=v×nt-1+(1-v)×gt 2
θt+1=θt+Δθt
式中,gt是均方误差函数L(θ)对θ的梯度,mt是对梯度gt的一阶矩估计,nt是对梯度gt的二阶矩估计,是对mt的偏差修正,是对nt的偏差修正,矩估计的指数衰减速率u为0.9、v为0.99,η是步长,取值为0.001,ε是常数其值为10-8,Δθt是计算的θt的更新值,θt为t时刻的θ值,将θt和Δθt的值求和应用到θt+1。
Adam优化算法更新网络参数首先对参数向量、一阶矩向量和二阶矩向量进行初始化;然后循环迭代地更新各个部分,使参数θ收敛。即时间步t加1、更新偏差的一阶矩估计和二阶矩估计,接着计算一阶矩估计的偏差修正和二阶矩估计的偏差修正,再更新目标函数在该时间步上对参数θ所求的梯度,最后再用以上计算出来的值更新模型的参数θ;
步骤S303:使用峰值信噪比(PSNR)和结构相似度(SSIM)作为评价指标来客观评价模型的重建性能;
步骤S304:设置训练次数为1000000;
步骤S305:设置每次训练次数为1000次,进行一次模型测试;
步骤S306:设置基础学习率为0.0001;每训练250000次,学习率除以2;
步骤S307:开始训练,直到完成训练次数;
步骤S308:保存模型参数。
实施例中,所述步骤S303中,峰值信噪比PSNR的计算公式如下:
其中MSE为两张图片之间的均方误差,vmax 2是图片的最大可能像素值。
如果图片中的像素由8位二进制表示,则vmax 2取255,即:
PSNR通过计算两幅图像间的对应像素之间的误差来评估图像重建效果。当重建图像与真实图像的差值较小时,两者的峰值信噪比较大,说明重建效果良好。
实施例中,所述步骤S303中,结构相似度SSIM的计算公式如下:
其中f表示为真实的高分辨率图像,表示为重建的高分辨率图像,μf和分别表示为真实高分辨率图像和重建图像的平均灰度值,σf和分别表示为真实高分辨率图像和重建图像的方差,表示为真实高分辨率图像和重建图像的协方差,C1和C2为常数,且C1=(k1L)2,C2=(k2L)2,k1=0.01,k2=0.03,L是像素值的动态范围。
步骤S4:将步骤S2中的150像素×150像素的低分辨率卫星云图输入步骤S3中的重建模型,得到重建后的600像素×600像素的高分辨率卫星云图。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (7)
1.一种基于深度学习的卫星云图超分辨率重建方法,其特征在于,包括:
步骤S1:制作并预处理卫星云图,得到高分辨率卫星云图数据集;
步骤S2:将高分辨率卫星云图数据集划分为建模用训练数据集和测试数据集;
步骤S3:构建并训练基于深度学习的卫星云图超分辨率重建模型;
步骤S4:将低分辨率卫星云图输入训练后的卫星云图超分辨率重建模型中,得到高分辨率卫星云图;
所述步骤S3构建的卫星云图超分辨率重建模型包括特征提取层、特征映射层和上采样层;
所述特征提取层通过卷积运算提取特征;
所述特征映射层基于反向投影和残差密集块联合训练,包含两路网络结构来捕获有效特征,一条路径上是N个上采样单元和N-1个下采样单元交替连接的反向投影结构,一条路径上是N个残差密集块;
其中上采样单元的结构为:对输入特征L0进行上采样得到H0,对H0进行下采样得到L1,计算L1与L0之间的残差e,对e进行上采样得到He,将H0与He相加得到输出特征H;
下采样单元的结构为:对输入特征H0进行下采样得到L0,对L0进行上采样得到H1,计算H1与H0之间的残差e,对e进行下采样得到Le,将L0与Le相加得到输出特征L;
残差密集块的结构为:n个卷积层与n-1个激活层交替排列,卷积层之间采用跳跃连接,即第i个卷积层的输入为第1个至第i-1个卷积层的输出;
模型中的第i个上采样单元的输入为第1个至第i-1个下采样单元的输出和第i个残差密集块的输出,第i个下采样单元的输入为第1个至第i-1个上采样单元的输出,第i个残差密集块的输入是第i-1个残差密集块的输出;
所述上采样层连接反向投影结构中所有上采样单元的输出,通过卷积得到高分辨率重建图像;
步骤S3所述训练基于深度学习的卫星云图超分辨率重建模型,包括以下步骤:
步骤S301:构建均方误差函数作为损失函数;
步骤S302:选择优化算法,更新网络的参数;
步骤S303:使用峰值信噪比和结构相似度作为评价指标来客观评价模型的重建性能;
步骤S304:设置训练次数;
步骤S305:设置每次训练次数,进行一次测试;
步骤S306:设置基础学习率;
步骤S307:开始训练,直到完成训练次数;
步骤S308:保存模型参数。
2.根据权利要求1所述的一种基于深度学习的卫星云图超分辨率重建方法,其特征在于,所述步骤S1包括以下步骤:
步骤S101:基于气象卫星的高分辨率数据制作卫星云图;
步骤S102:将步骤S101的卫星云图剪裁为多个图块,作为高分辨率卫星云图数据集。
3.根据权利要求1所述的一种基于深度学习的卫星云图超分辨率重建方法,其特征在于,所述步骤S2包括以下步骤:
步骤S201:对高分辨率卫星云图数据集进行下采样,得到低分辨率卫星云图数据集;
步骤S202:高分辨率卫星云图数据集与低分辨率卫星云图数据集结合,划分为建模用训练数据集和测试数据集。
4.根据权利要求3所述的一种基于深度学习的卫星云图超分辨率重建方法,其特征在于,所述步骤S201中,使用双三次插值算法对高分辨率卫星云图数据集进行下采样处理。
5.根据权利要求1所述的一种基于深度学习的卫星云图超分辨率重建方法,其特征在于,所述步骤S302中,选择Adam优化算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010677892.4A CN111861884B (zh) | 2020-07-15 | 2020-07-15 | 一种基于深度学习的卫星云图超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010677892.4A CN111861884B (zh) | 2020-07-15 | 2020-07-15 | 一种基于深度学习的卫星云图超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111861884A CN111861884A (zh) | 2020-10-30 |
CN111861884B true CN111861884B (zh) | 2023-05-16 |
Family
ID=72983370
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010677892.4A Active CN111861884B (zh) | 2020-07-15 | 2020-07-15 | 一种基于深度学习的卫星云图超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111861884B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052201B (zh) * | 2020-12-22 | 2022-10-11 | 中国人民解放军61540部队 | 一种基于深度学习的卫星云图云分类方法 |
CN112669201B (zh) * | 2020-12-25 | 2023-09-12 | 知天(珠海横琴)气象科技有限公司 | 一种基于红外光的可见光云图转换方法、系统及其终端 |
CN112907441B (zh) * | 2020-12-29 | 2023-05-30 | 中央财经大学 | 一种基于地下水卫星图像超分辨率的空间降尺度方法 |
CN113034363B (zh) * | 2021-03-11 | 2024-04-09 | 云南电网有限责任公司电力科学研究院 | 基于GEE深度时空经验Kringing区域尺度的氮氧化物速降方法 |
CN117195626B (zh) * | 2023-08-24 | 2024-04-19 | 东南大学 | 一种基于生成对抗网络的建筑自由曲面网格结构划分的设计方法 |
CN117391958B (zh) * | 2023-12-07 | 2024-03-08 | 临沂大学 | 一种基于多路径聚合Transformer的卫星云图超分辨率重建方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063875A (zh) * | 2014-07-10 | 2014-09-24 | 深圳市华星光电技术有限公司 | 增强视频图像光滑度及清晰度的超分辨率重构方法 |
CN106651772A (zh) * | 2016-11-25 | 2017-05-10 | 宁波大学 | 一种卫星云图的超分辨率重建方法 |
CN109712077A (zh) * | 2018-12-29 | 2019-05-03 | 成都信息工程大学 | 一种基于深度字典学习的hardi压缩感知超分辨率重建方法 |
CN110728658A (zh) * | 2019-09-16 | 2020-01-24 | 武汉大学 | 一种基于深度学习的高分辨率遥感影像弱目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131206A (zh) * | 2022-06-22 | 2022-09-30 | 武汉大学 | 一种基于语义理解的卫星视频超分辨率重建方法及系统 |
-
2020
- 2020-07-15 CN CN202010677892.4A patent/CN111861884B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063875A (zh) * | 2014-07-10 | 2014-09-24 | 深圳市华星光电技术有限公司 | 增强视频图像光滑度及清晰度的超分辨率重构方法 |
CN106651772A (zh) * | 2016-11-25 | 2017-05-10 | 宁波大学 | 一种卫星云图的超分辨率重建方法 |
CN109712077A (zh) * | 2018-12-29 | 2019-05-03 | 成都信息工程大学 | 一种基于深度字典学习的hardi压缩感知超分辨率重建方法 |
CN110728658A (zh) * | 2019-09-16 | 2020-01-24 | 武汉大学 | 一种基于深度学习的高分辨率遥感影像弱目标检测方法 |
Non-Patent Citations (5)
Title |
---|
Deep learning based cloud detection for medium and high resolution remote sensing images of different sensors;Zhiwei Li 等;《ISPRS Journal of Photogrammetry and Remote Sensing 150(2019)》;第197-212页 * |
Satellite Image Super-Resolution via Multi-Scale Residual Deep Neural Network;Tao Lu;《remote sensing 》;第1-19页 * |
Superresolution Imaging With a Deep Multipath Network for the Reconstruction of Satellite Cloud Images;Jinglin Zhang 等;《Earth and Space Science》;第1-8页 * |
一种混合红外云图超分辨率重建算法;苏锦程;胡勇;巩彩兰;;红外(第08期);第36-41页 * |
红外遥感图像TGV正则化超分辨率重建;时文俊;;激光与光电子学进展(第09期);第141-147页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111861884A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861884B (zh) | 一种基于深度学习的卫星云图超分辨率重建方法 | |
CN111754403B (zh) | 一种基于残差学习的图像超分辨率重构方法 | |
CN111192200A (zh) | 基于融合注意力机制残差网络的图像超分辨率重建方法 | |
CN113362223B (zh) | 基于注意力机制和双通道网络的图像超分辨率重建方法 | |
CN106952228B (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
CN110675321A (zh) | 一种基于渐进式的深度残差网络的超分辨率图像重建方法 | |
Zhu et al. | GAN-based image super-resolution with a novel quality loss | |
CN111462013B (zh) | 一种基于结构化残差学习的单图去雨方法 | |
CN111598778B (zh) | 一种绝缘子图像超分辨率重建方法 | |
CN109146787B (zh) | 一种基于插值的双相机光谱成像系统的实时重建方法 | |
Chen et al. | Single image super-resolution using deep CNN with dense skip connections and inception-resnet | |
CN111127325B (zh) | 基于循环神经网络的卫星视频超分辨率重建方法及系统 | |
CN112699844B (zh) | 一种基于多尺度残差层级密连接网络的图像超分辨率方法 | |
CN113808032A (zh) | 多阶段渐进式的图像去噪算法 | |
CN113096017A (zh) | 基于深度坐标注意力网络模型的图像超分辨率重建方法 | |
CN111402138A (zh) | 一种基于多尺度特征提取融合的监督卷积神经网络的图像超分辨率重建方法 | |
CN114494015A (zh) | 基于盲超分辨率网络的图像重建方法 | |
CN111242999B (zh) | 基于上采样及精确重匹配的视差估计优化方法 | |
CN110047038B (zh) | 一种基于层级递进网络的单图像超分辨重建方法 | |
CN115496663A (zh) | 基于d3d卷积组内融合网络的视频超分辨率重建方法 | |
CN115526779A (zh) | 一种基于动态注意力机制的红外图像超分辨率重建方法 | |
CN115511705A (zh) | 一种基于可变形残差卷积神经网络的图像超分辨率重建方法 | |
CN113487482A (zh) | 一种基于元迁移学习的自适应超分辨率方法 | |
CN113240581A (zh) | 一种针对未知模糊核的真实世界图像超分辨率方法 | |
Yang et al. | RSAMSR: A deep neural network based on residual self-encoding and attention mechanism for image super-resolution |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |