CN112200745A - 遥感影像的处理方法及装置、电子设备和存储介质 - Google Patents
遥感影像的处理方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112200745A CN112200745A CN202011092587.5A CN202011092587A CN112200745A CN 112200745 A CN112200745 A CN 112200745A CN 202011092587 A CN202011092587 A CN 202011092587A CN 112200745 A CN112200745 A CN 112200745A
- Authority
- CN
- China
- Prior art keywords
- super
- remote sensing
- loss
- processing result
- sensing image
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 354
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000010586 diagram Methods 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims description 157
- 238000012549 training Methods 0.000 claims description 147
- 230000015654 memory Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 28
- 238000006731 degradation reaction Methods 0.000 claims description 15
- 230000015556 catabolic process Effects 0.000 claims description 14
- 230000008447 perception Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 230000003042 antagnostic effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 description 18
- 238000003672 processing method Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000002363 auxin Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- SEOVTRFCIGRIMH-UHFFFAOYSA-N indole-3-acetic acid Chemical compound C1=CC=C2C(CC(=O)O)=CNC2=C1 SEOVTRFCIGRIMH-UHFFFAOYSA-N 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种遥感影像的处理方法及装置、电子设备和存储介质。所述方法包括:获取目标遥感影像;对所述目标遥感影像进行模糊核估计,确定所述目标遥感影像的模糊核;根据所述模糊核,对所述目标遥感影像进行去模糊处理,得到去模糊特征图;根据所述去模糊特征图,进行超分辨率处理,得到所述目标遥感影像的超分处理结果。
Description
技术领域
本公开涉及计算机视觉领域,尤其涉及一种遥感影像的处理方法及装置、电子设备和存储介质。
背景技术
遥感影像是记录各种地物电磁波大小的胶片或照片,主要分为航空像片和卫星相片。受限于遥感器成像系统硬件的设备质量以及成本等因素,采集的遥感影像容易跟不上遥感应用对图像空间分辨率的需求,通常需要对遥感影像进行处理以提高遥感影像的质量。因此,如何提高遥感影像的质量,成为目前一个亟待解决的问题。
发明内容
本公开提出了一种遥感影像的处理方案。
根据本公开的一方面,提供了一种遥感影像的处理方法,包括:
获取目标遥感影像;对所述目标遥感影像进行模糊核估计,确定所述目标遥感影像的模糊核;根据所述模糊核,对所述目标遥感影像进行去模糊处理,得到去模糊特征图;根据所述去模糊特征图,进行超分辨率处理,得到所述目标遥感影像的超分处理结果。
在一种可能的实现方式中,所述方法通过目标神经网络实现,所述目标遥感影像通过对训练影像进行图像退化处理所得到,所述目标遥感影像的分辨率低于对应的所述训练影像的分辨率;所述方法还包括:根据所述超分处理结果和/或所述训练影像,获取所述目标神经网络的损失;根据所述损失,对所述目标神经网络进行训练。
在一种可能的实现方式中,所述获取目标遥感影像,包括:通过预设模糊核,对所述训练影像进行模糊处理,得到所述训练影像的模糊处理结果,其中,所述预设模糊核包括高斯模糊核和/或运动模糊核;对所述模糊处理结果进行降采样处理和/或噪声添加,得到所述目标遥感影像。
在一种可能的实现方式中,所述根据所述超分处理结果和/或所述训练影像,获取所述目标神经网络的损失,包括:根据所述超分处理结果和所述训练影像之间的误差,确定所述目标神经网络的第一损失;和/或,根据所述超分处理结果,确定所述目标神经网络的第二损失。
在一种可能的实现方式中,所述第一损失包括第一像素级损失、第一感知损失以及第二像素级损失中的至少一种;所述根据所述超分处理结果和所述训练影像之间的误差,确定所述目标神经网络的第一损失,包括以下操作中的至少一种:根据所述超分处理结果的像素与所述训练影像的像素之间的距离,确定所述目标神经网络的第一像素级损失;根据所述超分处理结果与所述训练影像在特征空间中的距离,确定所述目标神经网络的第一感知损失;根据所述超分处理结果的梯度和所述训练影像的梯度之间的距离,确定所述目标神经网络的第二像素级损失。
在一种可能的实现方式中,所述目标神经网络包括超分辨率子网络,所述超分辨率子网络用于根据所述去模糊特征图进行超分辨率处理,所述超分辨率子网络包括生成式对抗网络,所述生成式对抗网络包括判别器;所述第二损失包括第一对抗损失和/或第二对抗损失;所述根据所述超分处理结果,确定所述目标神经网络的第二损失,包括以下操作中的至少一种:根据所述判别器对超分处理结果的处理结果,确定所述目标神经网络的第一对抗损失;根据所述判别器对超分处理结果的梯度的处理结果,确定所述目标神经网络的第二对抗损失。
在一种可能的实现方式中,所述目标神经网络包括超分辨率子网络;所述根据所述去模糊特征图,进行超分辨率处理,得到所述目标遥感影像的超分处理结果,包括:将所述去模糊特征图输入所述超分辨率子网络,得到所述目标遥感影像的第一中间超分处理结果;对所述去模糊特征图进行上采样处理,得到所述目标遥感影像的第二中间超分处理结果;将所述第一中间超分处理结果与所述第二中间超分处理结果进行融合,得到所述目标遥感影像的超分处理结果。
在一种可能的实现方式中,所述根据所述超分处理结果和/或所述训练影像,获取所述目标神经网络的损失,还包括:根据所述训练影像,结合所述第二中间超分处理结果,确定所述目标神经网络的第三损失。
在一种可能的实现方式中,所述第三损失包括第三像素级损失和/或第二感知损失;所述根据所述训练影像,结合所述第二中间超分处理结果,确定所述目标神经网络的第三损失,包括以下操作中的至少一种:根据所述第二中间超分处理结果的像素与所述训练影像的像素之间的距离,确定所述目标神经网络的第三像素级损失;根据所述第二中间处理结果与所述训练影像在特征空间中的距离,确定所述目标神经网络的第二感知损失。
根据本公开的一方面,提供了一种遥感影像的处理装置,包括:
影像获取模块,用于获取目标遥感影像;模糊核估计模块,用于对所述目标遥感影像进行模糊核估计,确定所述目标遥感影像的模糊核;去模糊模块,用于根据所述模糊核,对所述目标遥感影像进行去模糊处理,得到去模糊特征图;超分辨率处理模块,用于根据所述去模糊特征图,进行超分辨率处理,得到所述目标遥感影像的超分处理结果。
在一种可能的实现方式中,所述装置通过目标神经网络实现,所述目标遥感影像通过对训练影像进行图像退化处理所得到,所述目标遥感影像的分辨率低于对应的所述训练影像的分辨率;所述装置还包括训练模块,所述训练模块用于:根据所述超分处理结果和/或所述训练影像,获取所述目标神经网络的损失;根据所述损失,对所述目标神经网络进行训练。
在一种可能的实现方式中,所述影像获取模块用于:通过预设模糊核,对所述训练影像进行模糊处理,得到所述训练影像的模糊处理结果,其中,所述预设模糊核包括高斯模糊核和/或运动模糊核;对所述模糊处理结果进行降采样处理和/或噪声添加,得到所述目标遥感影像。
在一种可能的实现方式中,所述训练模块进一步用于:根据所述超分处理结果和所述训练影像之间的误差,确定所述目标神经网络的第一损失;和/或,根据所述超分处理结果,确定所述目标神经网络的第二损失。
在一种可能的实现方式中,所述第一损失包括第一像素级损失、第一感知损失以及第二像素级损失中的至少一种;所述训练模块进一步用于以下操作中的至少一种:根据所述超分处理结果的像素与所述训练影像的像素之间的距离,确定所述目标神经网络的第一像素级损失;根据所述超分处理结果与所述训练影像在特征空间中的距离,确定所述目标神经网络的第一感知损失;根据所述超分处理结果的梯度和所述训练影像的梯度之间的距离,确定所述目标神经网络的第二像素级损失。
在一种可能的实现方式中,所述目标神经网络包括超分辨率子网络,所述超分辨率子网络用于根据所述去模糊特征图进行超分辨率处理,所述超分辨率子网络包括生成式对抗网络,所述生成式对抗网络包括判别器;所述第二损失包括第一对抗损失和/或第二对抗损失;所述训练模块进一步用于以下操作中的至少一种:根据所述判别器对超分处理结果的处理结果,确定所述目标神经网络的第一对抗损失;根据所述判别器对超分处理结果的梯度的处理结果,确定所述目标神经网络的第二对抗损失。
在一种可能的实现方式中,所述目标神经网络包括超分辨率子网络;所述超分辨率处理模块用于:将所述去模糊特征图输入所述超分辨率子网络,得到所述目标遥感影像的第一中间超分处理结果;对所述去模糊特征图进行上采样处理,得到所述目标遥感影像的第二中间超分处理结果;将所述第一中间超分处理结果与所述第二中间超分处理结果进行融合,得到所述目标遥感影像的超分处理结果。
在一种可能的实现方式中,所述训练模块还用于:根据所述训练影像,结合所述第二中间超分处理结果,确定所述目标神经网络的第三损失。
在一种可能的实现方式中,所述第三损失包括第三像素级损失和/或第二感知损失;所述训练模块进一步用于以下操作中的至少一种:根据所述第二中间超分处理结果的像素与所述训练影像的像素之间的距离,确定所述目标神经网络的第三像素级损失;根据所述第二中间处理结果与所述训练影像在特征空间中的距离,确定所述目标神经网络的第二感知损失。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:执行上述遥感影像的处理方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述遥感影像的处理方法。
在本公开实施例中,通过对目标遥感影像进行模糊核估计,来确定目标遥感影像的模糊核,从而根据模糊核对目标遥感影像进行去模糊处理来得到去模糊特征图,继而基于去模糊特征图来进行超分辨率处理,来得到目标遥感影像的超分处理结果。通过上述过程,可以利用去模糊处理降低超分辨率处理的难度,提升超分辨率处理的精度,从而使得对于任意质量的目标遥感影像,都具有较好的遥感影像处理效果,有效提升目标遥感影像的质量和分辨率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开一实施例的遥感影像的处理方法的流程图。
图2示出根据本公开一实施例的遥感影像的处理方法的流程图。
图3示出根据本公开一实施例的遥感影像的处理方法的流程图。
图4示出根据本公开一实施例的遥感影像的处理装置的框图。
图5示出根据本公开一应用示例的遥感影像的处理方法示意图。
图6示出根据本公开一应用示例的遥感影像的处理方法示意图。
图7示出根据本公开实施例的一种电子设备的框图。
图8示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开一实施例的遥感影像的处理方法的流程图,该方法可以应用于遥感影像的处理装置,遥感影像的处理装置可以为终端设备、服务器或者其他处理设备等。其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一个示例中,该遥感影像的处理方法可以应用于云端服务器或本地服务器,云端服务器可以为公有云服务器,也可以为私有云服务器,根据实际情况灵活选择即可。
在一些可能的实现方式中,该遥感影像的处理方法也可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图1所示,在一种可能的实现方式中,所述遥感影像的处理方法可以包括:
步骤S11,获取目标遥感影像。
步骤S12,对目标遥感影像进行模糊核估计,确定目标遥感影像的模糊核。
步骤S13,根据模糊核,对目标遥感影像进行去模糊处理,得到去模糊特征图。
步骤S14,根据去模糊特征图,进行超分辨率处理,得到目标遥感影像的超分处理结果。
其中,目标遥感影像可以是任意具有提升分辨率等处理需求的遥感影像,其实现方式可以根据实际情况灵活决定,在本公开实施例中不做限制。获取目标遥感影像的方式在本公开实施例中同样不做限制,在一种可能的实现方式中,可以从采集遥感影像的设备中获取遥感影像,在一种可能的实现方式中,也可以通过从存储有遥感影像的数据库或设备中,读取遥感影像等。
基于获取的目标遥感影像,可以通过步骤S12对目标遥感影像进行模糊核估计,来确定目标遥感影像的模糊核。其中,模糊核可以是反映目标遥感影像模糊程度的数据,其具体的数值与实现形式,均可以根据目标遥感影像的实际模糊情况灵活确定,在本公开实施例中不做限制。
确定目标遥感影像的模糊核的方式在本公开实施例中不做限制,可以根据实际情况灵活选择。在一种可能的实现方式中,可以通过模糊核估计的计算方式,来确定目标遥感影像的模糊核;在一种可能的实现方式中,也可以通过具有模糊核估计功能的神经网络来对目标遥感影像的模糊核进行估计。具体如何实现可以详见下述各公开实施例,在此先不做展开。
基于确定的模糊核,可以通过步骤S13,根据模糊核来对目标遥感影像进行去模糊处理,来得到去模糊特征图。其中,去模糊特征图的实现形式在本公开实施例中不做限制,可以根据去模糊处理的实际处理方式,以及目标遥感影像和模糊核的实际情况所灵活确定。去模糊处理的实现方式在本公开实施例中不做限制,在一种可能的实现方式中,可以根据目标遥感影像以及模糊核来进行去模糊运算,来得到去模糊特征图;在一种可能的实现方式中,也可以将目标遥感影像以及模糊核等输入至具有去模糊功能的神经网络来实现去模糊处理,得到去模糊特征图。步骤S13具体如何实现,同样可以参见下述各公开实施例,在此先不做展开。
基于去模糊特征图,可以通过步骤S14,来对去模糊特征图进行超分辨率处理,从而得到目标遥感影像的超分处理结果。其中,目标遥感影像的超分处理结果相对于目标遥感影像,具有更高的分辨率和质量。如何对去模糊特征图进行超分辨率处理,在本公开实施例中也不做限制,在一种可能的实现方式中,可以通过一些相关的超分辨率重建算法等来对去模糊特征图进行超分辨率处理;在一种可能的实现方式中,也可以通过具有超分辨率处理功能的神经网络来对去模糊特征图进行处理,从而得到超分处理结果等。步骤S14具体如何实现,同样可以参加下述各公开实施例,在此先不做展开。
在本公开实施例中,通过对目标遥感影像进行模糊核估计,来确定目标遥感影像的模糊核,从而根据模糊核对目标遥感影像进行去模糊处理来得到去模糊特征图,继而基于去模糊特征图来进行超分辨率处理,来得到目标遥感影像的超分处理结果。通过上述过程,可以利用去模糊处理降低超分辨率处理的难度,提升超分辨率处理的精度,从而使得对于任意质量的目标遥感影像,都具有较好的遥感影像处理效果,有效提升目标遥感影像的质量和分辨率。
如上述公开实施例所述,步骤S12~S14分别可以通过神经网络实现,因此,在一种可能的实现方式中,本公开实施例提出的方法,可以通过目标神经网络实现,目标神经网络可以包括模糊核估计子网络、去模糊子网络以及超分辨率子网络;其中,
对目标遥感影像进行模糊核估计,确定目标遥感影像的模糊核,包括:将目标遥感影像输入模糊核估计子网络,得到目标遥感影像的模糊核;
根据模糊核,对目标遥感影像进行去模糊处理,得到去模糊特征图,包括:将目标遥感影像以及模糊核输入所述去模糊子网络,得到去模糊特征图;
根据去模糊特征图,进行超分辨率处理,得到目标遥感影像的超分处理结果,包括:将去模糊特征图输入超分辨率子网络,得到目标遥感影像的超分处理结果。
其中,目标神经网络可以是用于实现遥感影像的处理方法的任意神经网络,其网络结构可以根据实际情况灵活决定,在本公开实施例中不做限定。从上述公开实施例可以看出,目标神经网络可以通过一个或多个子网络所构成,具体包含哪个或哪几个子网络,可以根据实际情况灵活选择。在一种可能的实现方式中,目标神经网络可以同时包含模糊核估计子网络、去模糊子网络以及超分辨率子网络,在这种情况下,将获取的目标遥感影像输入至目标神经网络,可以得到目标神经网络输出的超分处理结果。在一种可能的实现方式中,目标神经网络也可以仅包含模糊核估计子网络、去模糊子网络以及超分辨率子网络中的一个或两个子网络,在这种情况下,将获取的目标遥感影像输入至目标神经网络后,可以对目标神经网络输出的中间结果或最终结果进行处理,来得到超分处理结果。
其中,模糊核估计子网络可以是上述公开实施例中提到的,具有模糊核估计功能的神经网络,在目标遥感影像作为输入的情况下,模糊核估计子网络可以输出目标遥感影像的模糊核。模糊核估计子网络具体的网络结构以及参数形式等可以根据实际情况灵活选择。在一种可能的实现方式中,模糊核估计子网络可以为LeNet或是AlexNet等复杂度较低的卷积神经网络。模糊核估计子网络的训练方式在本公开实施例中也不做限制,在一种可能的实现方式中,目标遥感影像也可以用于训练模糊核估计子网络,具体如何训练详见后续各公开实施例,在此先不做展开。
去模糊子网络可以是上述公开实施例中提到的,具有去模糊功能的神经网络,在目标遥感影像和对应的模糊核作为输入的情况下,去模糊子网络可以输出目标遥感影像去模糊后的特征图。去模糊子网络具体的网络结构以及参数形式等同样可以根据实际情况灵活选择。在一种可能的实现方式中,去模糊子网络可以采用多退化图像的空间特征变换网络(SFTMD,Spatial Feature Transform Network For Multiple Degradations)的模型结构。去模糊子网络的训练方式在本公开实施例中也不做限制,在一种可能的实现方式中,去模糊子网络可以通过目标遥感影像进行训练,在一种可能的实现方式中,去模糊子网络可以与超分辨率子网络作为整体,通过目标遥感影像共同进行训练,具体选择何种训练方式可以根据实际情况灵活选择,在本公开实施例中不做限定。去模糊子网络训练的具体方式详见下述各公开实施例,在此同样先不做展开。
超分辨率子网络可以是上述公开实施例中提到的具有超分辨率处理功能的神经网络,在目标遥感影像的去模糊特征图作为输入的情况下,超分辨率子网络可以输出目标遥感影像的超分处理结果。超分辨率子网络具体的网络结构以及参数形式等通用可以根据实际情况灵活选择。在一种可能的实现方式中,可以将增强型超分辨率生成对抗网络(ESRGAN,Enhanced Super-Resolution Generative Adversarial Networks)中的超分网络结构作为超分辨率子网络的实现形式。如上述公开实施例所述,超分辨率子网络可以与去模糊子网络作为整体共同训练,也可以单独进行训练,如何选择可以根据实际情况灵活决定。超分辨率子网络的训练方式同样参见下述各公开实施例,在此也先不做展开。
基于上述各公开实施例,图2示出根据本公开一实施例的遥感影像的处理方法的流程图,如图所示,在一种可能的实现方式中,所述遥感影像的处理方法可以包括:
步骤S11,获取目标遥感影像。
步骤S12’,将目标遥感影像输入模糊核估计子网络,得到目标遥感影像的模糊核。
步骤S13’,将目标遥感影像以及模糊核输入所述去模糊子网络,得到去模糊特征图。
步骤S14’,将去模糊特征图输入超分辨率子网络,得到目标遥感影像的超分处理结果。
通过包含模糊核估计子网络、去模糊子网络以及超分辨率子网络中的至少一种的目标神经网络,实现本公开实施例中提出的遥感影像处理方法,通过上述过程,可以利用目标神经网络,端到端地实现目标遥感影像的处理,在提升目标遥感影像的分辨率以及质量的同时,提升影像的处理效率并降低实现难度;而且在目标神经网络包括去模糊子网络以及超分辨率子网络的情况下,通过二者的结合,可以在真实场景中对不同质量的遥感影像都得到较好的超分效果,有效提升遥感影像的处理质量。
如上述各公开实施例所述,本公开实施例中提出的遥感影像的处理方法,可以通过目标神经网络实现。相应地,在一种可能的实现方式中,本公开实施例中提出的方法也可以用于对神经网络的训练过程中。因此,图3示出根据本公开一实施例的遥感影像的处理方法的流程图,如图所述,在一种可能的实现方式中,本公开实施例中提出的遥感影像处理方法还可以包括:
步骤S11,获取目标遥感影像。
步骤S12,对目标遥感影像进行模糊核估计,确定目标遥感影像的模糊核。
步骤S13,根据模糊核,对目标遥感影像进行去模糊处理,得到去模糊特征图。
步骤S14,根据去模糊特征图,进行超分辨率处理,得到目标遥感影像的超分处理结果。
步骤S15,根据超分处理结果和/或训练影像,获取目标神经网络的损失,其中,目标遥感影像通过对训练影像进行图像退化处理所得到,目标遥感影像的分辨率低于对应的训练影像的分辨率。
步骤S16,根据损失,对目标神经网络进行训练。
由于目标神经网络可以用于遥感影像的处理,从而提升遥感影像的质量和分辨率。因此,在一种可能的实现方式中,可以通过具有相同的图像内容,不同图像分辨率的图像对,对目标神经网络进行训练。通过上述公开实施例可以看出,在一种可能的实现方式中,可以将训练影像和对训练影像进行图像退化处理所得到的目标遥感影像,二者共同作为图像对来对目标神经网络进行训练。
其中,训练影像可以是高分辨率遥感影像,在一种可能的实现方式中,训练影像的分辨率不低于分辨率阈值,分辨率阈值的大小可以根据实际情况灵活设定,在本公开实施例中不做限制。获取训练影像的方式在本公开实施例中不做限制,在一种可能的实现方式中,可以通过具有采集高质量的遥感影像的设备进行遥感影像采集,来得到训练影像;在一种可能的实现方式中,也可以从存储遥感影像的数据库或设备中,选取分辨率不低于分辨率阈值的遥感影像,作为训练影像。训练影像的数量在本公开实施例中不做限定,可以根据实际情况灵活选择。
获取的训练影像可以通过图像退化处理,来得到分辨率低于训练影像的目标遥感影像,退化处理的方式在本公开实施例中不做限制,任何可以降低训练影像的方式,均可以作为图像退化处理的实现方式,详见下述各公开实施例,在此先不做展开。
得到的目标遥感影像可以输入至目标神经网络,依次经过上述公开实施例中提到的步骤S12~S14,来生成目标遥感影像的超分处理结果,由于超分处理结果是目标神经网络对目标遥感影像进行处理后所得到的分辨率提升的遥感影像,在一种可能的实现方式中,可以进一步通过步骤S15和S16,利用超分处理结果与本身具有高分辨率的训练影像之间的差异,来确定目标神经网络的损失,从而对目标神经网络进行训练。其中,步骤S15具体如何获取目标神经网络的损失,其实现方式可以详见下述各公开实施例,在此先不做展开。步骤S16中对目标神经网络的训练方式可以根据获取的目标神经网络损失的实际情况灵活决定,在本公开实施例中不做限制。
通过对训练影像进行图像退化处理得到目标遥感影像,并利用目标遥感影像和训练影像,基于本公开实施例中提出的遥感影像处理方法,对目标神经网络进行训练,通过上述过程,可以利用图像退化的方式,较为简单地获取用于训练目标神经网络的图像对,从而降低目标神经网络的训练数据获取难度,提升目标神经网络训练的可靠性,继而提升基于目标神经网络所实现的遥感影像处理方法的处理精度。
如上述公开实施例所述,目标遥感影像可以对训练影像进行图像退化处理来得到,其中,图像退化处理的实现形式不受限制,在一种可能的实现方式中,图像退化处理可以包括降采样处理;在一种可能的实现方式中,步骤S11也可以包括:
通过预设模糊核,对训练影像进行模糊处理,得到训练影像的模糊处理结果,其中,预设模糊核包括高斯模糊核和/或运动模糊核;
对模糊处理结果进行降采样处理和/或噪声添加,得到目标遥感影像。
其中,预设模糊核可以是任意设定的模糊核,不局限于本公开各实施例。在一种可能的实现方式中,预设模糊核可以包括高斯模糊核;在一种可能的实现方式中,考虑到遥感影像中的模糊可能是由于采集遥感影像设备的运动所导致的,因此预设模糊核也可以包括运动模糊核;在一种可能的实现方式中,在对多张训练影像进行模糊处理的情况下,也可以对部分训练影像通过高斯模糊核进行模糊处理,对其余训练影像通过运动模糊核进行模糊处理,具体哪些训练影像通过哪种模糊核进行模糊处理,其选择方式可以根据实际情况灵活决定,在一个示例中,可以设定训练影像中通过高斯模糊核和运动模糊核进行模糊处理的比例,比如设定训练影像中50%的影像通过运动模糊核进行模糊处理,另外50%的影像通过高斯模糊核进行处理等。
通过预设模糊核对训练影像进行模糊处理的具体过程可以根据实际情况灵活决定,不局限于下述各实施例。在一个示例中,可以通过大小为p×p像素的各向同性高斯模糊核,对训练影像通过卷积等方式进行模糊处理,得到模糊处理结果。
在得到模糊处理结果以后,还可以进一步对模糊处理结果进行处理,来得到更加符合遥感影像实际模糊情况的目标遥感影像。如上述公开实施例所述,对模糊处理结果的处理可以包括降采样处理和/或噪声添加,其中,降采样处理的次数、采样频率以及添加的噪声的实现方式在本公开实施例中均不做限定,不局限于下述公开实施例,在一个示例中,可以对模糊处理结果进行双三次下采样,并与噪声级别为σ的加性高斯白噪声相加,来得到目标遥感影像。
在一种可能的实现方式中,预设模糊核与目标遥感影像还可以进一步用于对上述公开实施例中提出的模糊核估计子网络进行训练,训练的过程可以根据实际情况灵活决定,在一种可能的实现方式中,可以将经过预设模糊核处理所得到的目标遥感影像输入到模糊核估计子网络中,并根据模糊核估计子网络输出的模糊核与预设模糊核之间的差异,来反向调节模糊核估计子网络中的各参数,具体如何调节可以根据实际情况灵活决定,在本公开实施例中不做限定。
通过包括高斯模糊核和/或运动模糊核的预设模糊核对训练影像进行模糊处理,并对得到的模糊处理结果进行降采样处理和/或噪声添加,来得到目标遥感影像,通过上述过程,可以较为便捷地得到目标遥感影像,且得到的目标遥感影像具有与真实遥感影像较为类似的模糊情况,从而使得基于目标遥感影像和训练遥感影像训练得到的目标神经网络,具有较好的遥感影像处理效果。
如上述各公开实施例所述,在一种可能的实现方式中,可以通过步骤S15,基于超分处理结果和/或训练影像,获取目标神经网络的损失。在一种可能的实现方式中,步骤S15可以包括:
根据超分处理结果和训练影像之间的误差,确定目标神经网络的第一损失;和/或,
根据超分处理结果,确定目标神经网络的第二损失。
从上述公开实施例可以看出,目标神经网络可以包括第一损失和/或第二损失,其中第一损失和第二损失中的“第一”与“第二”仅用于区分损失的不同确定方式,后续出现的第三损失中的“第三”同理,不再赘述。
则基于上述公开实施例可以看出,在本公开实施例中,在确定目标神经网络的损失的过程中,可以仅根据超分处理结果和训练影像之间的误差,来确定目标神经网络的损失;也可以仅根据超分处理结果来确定目标神经网络的损失;还可以既根据超分处理结果和训练影像之间的误差,也根据超分处理结果,来共同确定目标神经网络的损失。
第一损失和第二损失的具体确定方式可以详见下述各公开实施例,在此先不做展开。通过上述过程可以看出,基于不同的方式,来确定目标神经网络的第一损失和第二损失,可以有效增加确定目标神经网络的损失的灵活程度和全面性,继而使得基于获取的损失所训练的目标神经网络,具有更好的遥感影像处理效果。
在一种可能的实现方式中,第一损失可以包括第一像素级损失、第一感知损失以及第二像素级损失中的至少一种;
根据超分处理结果和训练影像之间的误差,确定目标神经网络的第一损失,包括以下操作中的至少一种:
根据超分处理结果的像素与训练影像的像素之间的距离,确定目标神经网络的第一像素级损失;
根据超分处理结果与训练影像在特征空间中的距离,确定目标神经网络的第一感知损失;
根据超分处理结果的梯度和训练影像的梯度之间的距离,确定目标神经网络的第二像素级损失。
其中,第一像素级损失可以是根据超分处理结果和训练影像中各像素之间的距离所确定的损失,其确定方式可以根据实际情况灵活决定,在一个示例中,第一像素级损失可以通过下述公式(1)进行表示:
第一感知损失可以是根据超分处理结果和训练影像在特征空间中的距离所确定的损失,其确定方式同样可以根据实际情况灵活决定,在一个示例中,第一感知损失可以通过下述公式(2)进行表示:
其中,Lper为第一感知损失,为对超分处理结果中第i个像素点进行特征提取所得到的特征,φ(yi)为对训练影像中第i个像素点进行特征提取所得到的特征。对超分处理结果以及训练影像进行特征提取的方式在本公开实施例中不做限制,在一种可能的实现方式中,可以通过训练好的VGG神经网络来实现特征提取,在一个示例中,可以将超分处理结果通过具有19层网络层结构的VGG神经网络,则VGG神经网络的第五个最大池化层之前,通过第四次卷积所得到的特征图,可以作为超分处理结果提取的特征,同理,将训练影像通过具有19层网络层结构的VGG神经网络,也可以在VGG神经网络的相应位置得到训练影像的特征。
第二像素级损失可以是根据超分处理结果中各像素的梯度和训练影像中各像素的梯度之间的距离所确定的损失,需要注意的是,本公开实施例中关于第一像素级损失以及第二像素级损失中的“第一”与“第二”等命名,仅用于区分通过不同的数据所确定的像素级损失,后续的感知损失以及对抗损失等也同理,不再赘述。第二像素级损失的确定方式可以根据实际情况灵活决定,在一个示例中,第二像素级损失可以通过下述公式(3)进行表示:
基于上述各公开实施例可以看出,第一像素级损失、第一感知损失以及第二像素级损失,均可以根据超分处理结果与训练影像之间的差异所确定,故可以作为目标神经网络的第一损失,在一种可能的实现方式中,第一损失可以同时包含第一像素级损失、第一感知损失和第二像素级损失,在一种可能的实现方式中,第一损失也可以仅包含这三种损失中的部分损失,具体如何选择,可以根据实际情况灵活决定,在本公开实施例中不做限制。
通过包含第一像素级损失、第一感知损失以及第二像素级损失中的至少一种的第一损失,可以充分利用超分处理结果与训练影像之间的像素以及特征等差异,来对目标神经网络进行训练,从而使得训练后的目标神经网络具有更高的精度,继而提升遥感影像处理的精度。
如上述各公开实施例所述,超分辨率子网络的实现形式可以根据实际情况灵活决定。在一种可能的实现方式中,超分辨率子网络可以包括生成式对抗网络(GAN,GenerativeAdversarial Networks),其中生成式对抗网络中可以包括判别器,具体包含哪些判别器在本公开实施例中不做限制,在一个示例中,生成式对抗网络可以包括图像判别器和/或梯度判别器。在这种情况下,第二损失可以包括第一对抗损失和/或第二对抗损失,根据超分处理结果,确定目标神经网络的第二损失,包括以下操作中的至少一种:
根据判别器对超分处理结果的处理结果,确定目标神经网络的第一对抗损失;
根据判别器对超分处理结果的梯度的处理结果,确定目标神经网络的第二对抗损失。
其中,第一对抗损失可以是基于超分处理结果在判别器中进行处理所得到的输出来确定的结果,第一对抗损失的确定方式同样可以根据实际情况灵活决定,在一个示例中,第一对抗损失可以通过下述公式(4)进行表示:
第二对抗损失则可以是基于超分处理结果的梯度在判别器中进行处理所得到的输出来确定的结果,其确定方式同样可以根据实际情况灵活决定,在一个示例中,第二感知损失可以通过下述公式(5)进行表示:
基于上述各公开实施例可以看出,第一对抗损失和第二对抗损失,均可以根据超分处理结果本身所确定,故可以作为目标神经网络的第二损失,在一种可能的实现方式中,第二损失可以同时包含第一对抗损失和第二对抗损失,在一种可能的实现方式中,第二损失也可以仅包含二者之一,具体如何选择,可以根据实际情况灵活决定,在本公开实施例中不做限制。
通过包含第一对抗损失和/或第二对抗损失的第二损失,可以充分利用目标神经网络输出的超分处理结果自身的图像情况,来对目标神经网络进行训练,从而进一步提升训练后的目标神经网络的精度,继而提升遥感影像处理的精度。
在对本公开实施例中提到的目标神经网络进行训练的过程中,在通过步骤S14,根据去模糊特征图进行超分辨处理得到超分处理结果的过程中,处理可以利用超分辨率子网络对去模糊特征图进行处理以外,还可以采用其他的方式来获取超分处理结果。因此,在一种可能的实现方式中,步骤S14可以包括:
将去模糊特征图输入超分辨率子网络,得到目标遥感影像的第一中间超分处理结果;
对去模糊特征图进行上采样处理,得到目标遥感影像的第二中间超分处理结果;
将第一中间超分处理结果与第二中间超分处理结果进行融合,得到目标遥感影像的超分处理结果。
其中,将去模糊特征图输入超分辨率子网络,得到目标遥感影像的第一中间超分处理结果的方式可以参考上述各公开实施例,在此不再赘述。
在一种可能的实现方式中,还可以对去模糊特征图进行上采样处理,来得到目标遥感影像的第二中间超分处理结果。其中,上采样处理的次数以及方式在本公开实施例中不做限定,可以根据实际情况灵活确定,在一个示例中,可以根据超分处理结果相对于目标遥感影像的预设放大倍数,来确定上采样的次数以及方式,从而使得得到的第二中间超分处理结果相对于目标遥感影像来说,放大倍数与预设放大倍数一致。
在得到第二中间超分处理结果以后,可以将第一中间超分处理结果与第二中间超分处理结果进行融合,来得到超分处理结果。其中,融合的方式在本公开实施例中不做限制,可以根据实际情况灵活选择,在一种可能的实现方式中,可以将第一中间超分处理结果与第二中间超分处理结果之间对应的像素点的像素值进行相加,来得到超分处理结果;在一种可能的实现方式中,也可以为第一中间超分处理结果和第二中间超分处理结果设置融合权重,使得二者依据设置的权重进行加权融合等。
在本公开实施例中,将去模糊特征图分别输入超分辨率子网络以及进行上采样处理等两种处理方式,分别得到第一中间超分处理结果和第二中间超分处理结果,再将二者进行融合得到超分处理结果,通过上述过程,可以得到具有更丰富信息的超分处理结果,基于该超分处理结果对目标神经网络进行训练,可以使训练后的目标神经网络具有更高的精度,从而提升目标遥感影像的处理精度。
在一种可能的实现方式中,由于在目标神经网络的训练过程中,可以引入第二中间超分处理结果来生成超分处理结果,进一步地,还可以基于第二中间超分处理结果对目标神经网络进行训练。因此,在一种可能的实现方式中,根据超分处理结果和/或训练影像,获取目标神经网络的损失,还可以包括:
根据训练影像,结合第二中间超分处理结果,确定目标神经网络的第三损失。
通过上述公开实施例可以看出,在一种可能的实现方式中,还可以根据第二中间超分处理结果,来确定目标神经网络的第三损失,该第三损失可以与第一损失和/或第二损失以任意方式进行组合,来作为目标神经网络的损失。通过上述过程可以看出,在本公开实施例中,可以通过引入第二中间超分处理结果,来对目标神经网络进行辅助监督,从而使得训练得到的目标神经网络具有更高的超分效果,继而提升遥感影像的处理效果。
如何根据训练影像以及第二中间超分处理结果来确定目标神经网络的第三损失,其实现方式可以灵活选择。在一种可能的实现方式中,第三损失可以包括第三像素级损失和/或第二感知损失;
根据训练影像,结合第二中间超分处理结果,确定目标神经网络的第三损失,包括以下操作中的至少一种:
根据第二中间超分处理结果的像素与训练影像的像素之间的距离,确定目标神经网络的第三像素级损失;
根据第二中间处理结果与训练影像在特征空间中的距离,确定目标神经网络的第二感知损失。
其中,第三像素级损失可以是根据第二中间超分处理结果和训练影像中各像素之间的距离所确定的损失,其确定方式可以根据实际情况灵活决定,在一个示例中,第三像素级损失可以通过下述公式(6)进行表示:
第二感知损失可以是根据第二中间超分处理结果和训练影像在特征空间中的距离所确定的损失,其确定方式同样可以根据实际情况灵活决定,在一个示例中,第二感知损失可以通过下述公式(7)进行表示:
基于上述各公开实施例可以看出,第三像素级损失和第二感知损失均可以根据第二中间超分处理结果与训练影像之间的差异所确定,故可以作为目标神经网络的第三损失,在一种可能的实现方式中,第三损失可以同时包含第三像素级损失和第二感知损失,在一种可能的实现方式中,第三损失也可以仅包含二者的其中一种,具体如何选择,可以根据实际情况灵活决定,在本公开实施例中不做限制。
通过包含第三像素级损失和/或第二感知损失的第三损失,可以利用第二中间超分处理结果与训练影像之间的像素以及特征等差异,来对目标神经网络进行辅助监督训练,从而进一步提升训练后的目标神经网络的影像处理效果,继而提升遥感影像处理的精度。
在一种可能的实现方式中,在获取目标神经网络的损失的过程中,可以将上述各公开实施例中的第一损失、第二损失以及第三损失中包含的各项损失进行任意形式的组合,具体如何组合在本公开实施例中不做限定。在一个示例中,可以通过下述公式(8),来得到目标神经网络的损失:
Ltotal=Lpix+αLper+βLadv+γLg_pix+δLg_adv+εLpix_aux+θLper_aux (8)
Ltotal为目标神经网络的损失,α、β、γ、δ、ε以及θ为各项损失的权重参数,具体如何取值在本公开实施例中不做限定,可以根据实际情况灵活选择。
图4示出根据本公开一实施例的遥感影像的处理装置的框图。如图所示,所述遥感影像的处理装置20可以包括:
影像获取模块21,用于获取目标遥感影像;
模糊核估计模块22,用于对目标遥感影像进行模糊核估计,确定目标遥感影像的模糊核;
去模糊模块23,用于根据模糊核,对目标遥感影像进行去模糊处理,得到去模糊特征图;
超分辨率处理模块24,用于根据去模糊特征图,进行超分辨率处理,得到目标遥感影像的超分处理结果。
在一种可能的实现方式中,装置通过目标神经网络实现,目标遥感影像通过对训练影像进行图像退化处理所得到,目标遥感影像的分辨率低于对应的训练影像的分辨率;装置还包括训练模块,训练模块用于:根据超分处理结果和/或训练影像,获取目标神经网络的损失;根据损失,对目标神经网络进行训练。
在一种可能的实现方式中,影像获取模块用于:通过预设模糊核,对训练影像进行模糊处理,得到训练影像的模糊处理结果,其中,预设模糊核包括高斯模糊核和/或运动模糊核;对模糊处理结果进行降采样处理和/或噪声添加,得到目标遥感影像。
在一种可能的实现方式中,训练模块进一步用于:根据超分处理结果和训练影像之间的误差,确定目标神经网络的第一损失;和/或,根据超分处理结果,确定目标神经网络的第二损失。
在一种可能的实现方式中,第一损失包括第一像素级损失、第一感知损失以及第二像素级损失中的至少一种;训练模块进一步用于以下操作中的至少一种:根据超分处理结果的像素与训练影像的像素之间的距离,确定目标神经网络的第一像素级损失;根据超分处理结果与训练影像在特征空间中的距离,确定目标神经网络的第一感知损失;根据超分处理结果的梯度和训练影像的梯度之间的距离,确定目标神经网络的第二像素级损失。
在一种可能的实现方式中,目标神经网络包括超分辨率子网络,超分辨率子网络用于根据去模糊特征图进行超分辨率处理,超分辨率子网络包括生成式对抗网络,生成式对抗网络包括判别器;第二损失包括第一对抗损失和/或第二对抗损失;训练模块进一步用于以下操作中的至少一种:根据判别器对超分处理结果的处理结果,确定目标神经网络的第一对抗损失;根据判别器对超分处理结果的梯度的处理结果,确定目标神经网络的第二对抗损失。
在一种可能的实现方式中,目标神经网络包括超分辨率子网络;超分辨率处理模块用于:将去模糊特征图输入超分辨率子网络,得到目标遥感影像的第一中间超分处理结果;对去模糊特征图进行上采样处理,得到目标遥感影像的第二中间超分处理结果;将第一中间超分处理结果与第二中间超分处理结果进行融合,得到目标遥感影像的超分处理结果。
在一种可能的实现方式中,训练模块还用于:根据训练影像,结合第二中间超分处理结果,确定目标神经网络的第三损失。
在一种可能的实现方式中,第三损失包括第三像素级损失和/或第二感知损失;训练模块进一步用于以下操作中的至少一种:根据第二中间超分处理结果的像素与训练影像的像素之间的距离,确定目标神经网络的第三像素级损失;根据第二中间处理结果与训练影像在特征空间中的距离,确定目标神经网络的第二感知损失。
应用场景示例
如何提高遥感影像的质量,一直是遥感影像处理领域中一个重要的问题。一些相关的方法中,可以通过超分辨率处理提升遥感影像的分辨率,但是这些方法往往仅能根据对某一特定类型的遥感影像进行较好效果的超分,在遥感影像模糊时(例如拍摄抖动的问题)则无法进行有效超分。
本公开应用示例提出了一种遥感影像的处理方法,在面向不同质量的遥感影像的情况下,均可以得到鲁棒的超分效果。
图5和图6示出根据本公开一应用示例的遥感影像的处理方法示意图,通过示意图可以看出,本公开应用示例中,遥感影像的处理过程可以包括两步:
第一步,对目标遥感影像的模糊核进行预测
如图5所示,在本公开应用示例中,可以将目标遥感影像输入到模糊核估计子网络,来对目标遥感影像中的模糊核进行预测。在一个示例中,该模糊核估计子网络可以为复杂度较低的卷积神经网络,如LeNet或是AlexNet等,从图中可以看出,在一个示例中,将目标遥感影像输入到模糊核估计子网络后,可以输出预测的p×p像素的高斯模糊核。
图5中的模糊核估计子网络可以通过训练所得到,在一个示例中,可以获取分辨率高于预设分辨率阈值的高分辨率图像(HR)作为训练影像,并对HR进行图像退化处理来得到低分辨率图像(LR)作为目标遥感影像。图像退化处理的过程可以为:使用大小为p×p像素的各向同性高斯模糊核对HR进行模糊处理,然后对模糊处理后的图像进行双三次下采样,最后与噪声级别σ的加性高斯白噪声相加,得到LR,同时保存相应的高斯模糊核,则在本公开应用示例中,可以通过经过图像退化处理的LR以及相应的高斯模糊核,对模糊核估计子网络进行训练。
第二步,根据第一步得到的模糊核,对目标遥感影像进行超分
如图6所示,在本公开应用示例中,可以将第一步中的目标遥感影像以及预测的模糊核输入至去模糊子网络,得到去除模糊后的去模糊特征图。去模糊特征图可以进一步输入到超分辨率子网络来得到超分处理结果。在一个示例中,去模糊子网络可以采用SFTMD中的模型结构,超分网络可以采用ESRGAN中的超分网络结构。超分处理结果相对于目标遥感影像可以具有更高的分辨率,在一个示例中,超分处理结果的大小可以为目标遥感影像的4倍,比如目标遥感影像的大小为64×64,通过上述过程得到的超分处理结果的大小可以为256×256;在一些其他的示例中,超分处理结果也可以为目标遥感影像的其他倍数,如2倍或3倍等。
在一个示例中,本公开应用示例提出的方法还可以用于对图6中的去模糊子网络以及超分辨率子网络网络所共同构成的网络进行训练。从图6中可以看出,在本公开应用示例中的方法用于训练的过程中,利用模糊核对目标遥感影像进行超分的过程可以发生变化,如图所示,在一个示例中,可以将第一步中的目标遥感影像以及预测的模糊核输入至去模糊网络,得到去除模糊后的去模糊特征图。去模糊特征图在一个分支中可以进一步输入到超分辨率子网络来得到第一中间超分处理结果,在另一个分支中则可以通过上采样层放大到指定超分倍数,得到第二中间超分处理结果。然后将第二中间超分处理结果与第一个分支的第一中间超分处理结果相加,得到超分处理结果(SR)。
进一步地,可以利用上述公开示例中提到的,生成LR的高分辨率训练影像HR,以及得到的超分处理结果SR二者,来确定去模糊子网络以及超分辨率子网络所共同构成的网络的损失函数并基于损失函数对网络进行训练。在一个示例中,可以通过上述各公开实施例中提出的方法,分别得到SR与HR之间基于像素差异所确定的第一像素级损失Lpix、基于特征差异所确定的第一感知损失Lper和基于梯度差异所确定的第二像素级损失Lg_pix;以及基于SR在图像判别器中的输出所确定的第一对抗损失Ladv和基于SR在梯度判别器中的输出所确定的第二对抗损失Lg_adv;还有基于第二中间超分处理结果与HR之间的像素差异和特征差异所确定的第三像素级损失Lpix_aux和第二感知损失Lper_aux。在一个示例中,可以基于上述各损失进行加权融合得到最终确定的损失函数,具体可以参考上述公开实施例中的公式(8),在此不再赘述。
在本公开示例中,通过将去模糊子网络与通用的超分辨率子网络进行串联使用的方法,可以使得模型在不同质量的遥感影像上都可以有较好的超分效果,提高模型的通用性;而且使用去模糊的中间结果进行辅助监督,并将该结果进一步结合到超分辨率子网络进一步提升模型效果。通过实验可以证明,本公开示例中提出的遥感影像处理方法,在遥感影像质量较差的情况依然可以得到较好的超分结果,且通用性更强,在真实场景下对于不同质量的卫星影像都有较好的超分结果。
本公开应用示例中提出的遥感影像的处理方法,除了可以应用于遥感影像或是卫星图像等图像的处理领域以外,也可以扩展应用于其他图像的处理领域。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是易失性计算机可读存储介质或非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
在实际应用中,上述存储器可以是易失性存储器(volatile memory),例如RAM;或者非易失性存储器(non-volatile memory),例如ROM,快闪存储器(flash memory),硬盘(Hard Disk Drive,HDD)或固态硬盘(Solid-State Drive,SSD);或者上述种类的存储器的组合,并向处理器提供指令和数据。
上述处理器可以为ASIC、DSP、DSPD、PLD、FPGA、CPU、控制器、微控制器、微处理器中的至少一种。可以理解地,对于不同的设备,用于实现上述处理器功能的电子器件还可以为其它,本公开实施例不作具体限定。
电子设备可以被提供为终端、服务器或其它形态的设备。
基于前述实施例相同的技术构思,本公开实施例还提供了一种计算机程序,该计算机程序被处理器执行时实现上述方法。
图7是根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图7,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关人员信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8是根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图8,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态人员信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种遥感影像的处理方法,其特征在于,包括:
获取目标遥感影像;
对所述目标遥感影像进行模糊核估计,确定所述目标遥感影像的模糊核;
根据所述模糊核,对所述目标遥感影像进行去模糊处理,得到去模糊特征图;
根据所述去模糊特征图,进行超分辨率处理,得到所述目标遥感影像的超分处理结果。
2.根据权利要求1所述的方法,其特征在于,所述方法通过目标神经网络实现,所述目标遥感影像通过对训练影像进行图像退化处理所得到,所述目标遥感影像的分辨率低于对应的所述训练影像的分辨率;
所述方法还包括:
根据所述超分处理结果和/或所述训练影像,获取所述目标神经网络的损失;
根据所述损失,对所述目标神经网络进行训练。
3.根据权利要求2所述的方法,其特征在于,所述获取目标遥感影像,包括:
通过预设模糊核,对所述训练影像进行模糊处理,得到所述训练影像的模糊处理结果,其中,所述预设模糊核包括高斯模糊核和/或运动模糊核;
对所述模糊处理结果进行降采样处理和/或噪声添加,得到所述目标遥感影像。
4.根据权利要求2或3所述的方法,其特征在于,所述根据所述超分处理结果和/或所述训练影像,获取所述目标神经网络的损失,包括:
根据所述超分处理结果和所述训练影像之间的误差,确定所述目标神经网络的第一损失;和/或,
根据所述超分处理结果,确定所述目标神经网络的第二损失。
5.根据权利要求4所述的方法,其特征在于,所述第一损失包括第一像素级损失、第一感知损失以及第二像素级损失中的至少一种;
所述根据所述超分处理结果和所述训练影像之间的误差,确定所述目标神经网络的第一损失,包括以下操作中的至少一种:
根据所述超分处理结果的像素与所述训练影像的像素之间的距离,确定所述目标神经网络的第一像素级损失;
根据所述超分处理结果与所述训练影像在特征空间中的距离,确定所述目标神经网络的第一感知损失;
根据所述超分处理结果的梯度和所述训练影像的梯度之间的距离,确定所述目标神经网络的第二像素级损失。
6.根据权利要求4或5所述的方法,其特征在于,所述目标神经网络包括超分辨率子网络,所述超分辨率子网络用于根据所述去模糊特征图进行超分辨率处理,所述超分辨率子网络包括生成式对抗网络,所述生成式对抗网络包括判别器;所述第二损失包括第一对抗损失和/或第二对抗损失;
所述根据所述超分处理结果,确定所述目标神经网络的第二损失,包括以下操作中的至少一种:
根据所述判别器对超分处理结果的处理结果,确定所述目标神经网络的第一对抗损失;
根据所述判别器对超分处理结果的梯度的处理结果,确定所述目标神经网络的第二对抗损失。
7.根据权利要求2至6中任意一项所述的方法,其特征在于,所述目标神经网络包括超分辨率子网络;
所述根据所述去模糊特征图,进行超分辨率处理,得到所述目标遥感影像的超分处理结果,包括:
将所述去模糊特征图输入所述超分辨率子网络,得到所述目标遥感影像的第一中间超分处理结果;
对所述去模糊特征图进行上采样处理,得到所述目标遥感影像的第二中间超分处理结果;
将所述第一中间超分处理结果与所述第二中间超分处理结果进行融合,得到所述目标遥感影像的超分处理结果。
8.根据权利要求7所述的方法,其特征在于,所述根据所述超分处理结果和/或所述训练影像,获取所述目标神经网络的损失,还包括:
根据所述训练影像,结合所述第二中间超分处理结果,确定所述目标神经网络的第三损失。
9.根据权利要求8所述的方法,其特征在于,所述第三损失包括第三像素级损失和/或第二感知损失;
所述根据所述训练影像,结合所述第二中间超分处理结果,确定所述目标神经网络的第三损失,包括以下操作中的至少一种:
根据所述第二中间超分处理结果的像素与所述训练影像的像素之间的距离,确定所述目标神经网络的第三像素级损失;
根据所述第二中间处理结果与所述训练影像在特征空间中的距离,确定所述目标神经网络的第二感知损失。
10.一种遥感影像的处理装置,其特征在于,包括:
影像获取模块,用于获取目标遥感影像;
模糊核估计模块,用于对所述目标遥感影像进行模糊核估计,确定所述目标遥感影像的模糊核;
去模糊模块,用于根据所述模糊核,对所述目标遥感影像进行去模糊处理,得到去模糊特征图;
超分辨率处理模块,用于根据所述去模糊特征图,进行超分辨率处理,得到所述目标遥感影像的超分处理结果。
11.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至9中任意一项所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011092587.5A CN112200745A (zh) | 2020-10-13 | 2020-10-13 | 遥感影像的处理方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011092587.5A CN112200745A (zh) | 2020-10-13 | 2020-10-13 | 遥感影像的处理方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112200745A true CN112200745A (zh) | 2021-01-08 |
Family
ID=74008958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011092587.5A Pending CN112200745A (zh) | 2020-10-13 | 2020-10-13 | 遥感影像的处理方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112200745A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177890A (zh) * | 2021-04-27 | 2021-07-27 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360148A (zh) * | 2018-09-05 | 2019-02-19 | 北京悦图遥感科技发展有限公司 | 基于混合随机降采样的遥感影像超分辨率重构方法和装置 |
AU2020100275A4 (en) * | 2020-02-25 | 2020-03-26 | Huang, Shuying DR | Remote sensing image super-resolution based on multi-dictionary sparse representation with fractal classification |
CN111340733A (zh) * | 2020-02-28 | 2020-06-26 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
-
2020
- 2020-10-13 CN CN202011092587.5A patent/CN112200745A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360148A (zh) * | 2018-09-05 | 2019-02-19 | 北京悦图遥感科技发展有限公司 | 基于混合随机降采样的遥感影像超分辨率重构方法和装置 |
AU2020100275A4 (en) * | 2020-02-25 | 2020-03-26 | Huang, Shuying DR | Remote sensing image super-resolution based on multi-dictionary sparse representation with fractal classification |
CN111340733A (zh) * | 2020-02-28 | 2020-06-26 | 深圳市商汤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Non-Patent Citations (2)
Title |
---|
MICHAL KAWULOK: ""Deep Learning for Multiple-Image Super-Resolution"", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》, vol. 17, no. 6, 30 June 2020 (2020-06-30), pages 1062 - 1066, XP011790288, DOI: 10.1109/LGRS.2019.2940483 * |
李红艳 等: ""注意力机制改进卷积神经网络的遥感图像目标检测"", 《中国图像图形学报》, vol. 24, no. 8, 17 January 2019 (2019-01-17), pages 1400 - 1408 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177890A (zh) * | 2021-04-27 | 2021-07-27 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
CN113177890B (zh) * | 2021-04-27 | 2023-04-18 | 深圳市慧鲤科技有限公司 | 图像处理方法及装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378976B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109118430B (zh) | 超分辨率图像重建方法及装置、电子设备及存储介质 | |
CN109522910B (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN110060215B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111507408B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111445414B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109859144B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111340731B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111340733B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110619610B (zh) | 图像处理方法及装置 | |
WO2022227394A1 (zh) | 图像处理方法、装置、设备、存储介质及程序 | |
CN111369482B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
JP6909317B2 (ja) | 画像処理モデルのトレーニング方法、装置および媒体 | |
CN111583142A (zh) | 图像降噪方法及装置、电子设备和存储介质 | |
CN109840890B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111882558A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113689361B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113706421B (zh) | 一种图像处理方法及装置、电子设备和存储介质 | |
CN109544490B (zh) | 图像增强方法、装置和计算机可读存储介质 | |
CN113177890B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113660531A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN110675355B (zh) | 图像重建方法及装置、电子设备和存储介质 | |
CN109816620B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112200745A (zh) | 遥感影像的处理方法及装置、电子设备和存储介质 | |
CN112651880B (zh) | 视频数据处理方法及装置、电子设备和存储介质 |
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 |