CN112907441B - 一种基于地下水卫星图像超分辨率的空间降尺度方法 - Google Patents

一种基于地下水卫星图像超分辨率的空间降尺度方法 Download PDF

Info

Publication number
CN112907441B
CN112907441B CN202011594643.5A CN202011594643A CN112907441B CN 112907441 B CN112907441 B CN 112907441B CN 202011594643 A CN202011594643 A CN 202011594643A CN 112907441 B CN112907441 B CN 112907441B
Authority
CN
China
Prior art keywords
resolution
data
super
spatial
model
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
Application number
CN202011594643.5A
Other languages
English (en)
Other versions
CN112907441A (zh
Inventor
李军
何鸿杰
马凌飞
李海峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central university of finance and economics
Original Assignee
Central university of finance and economics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central university of finance and economics filed Critical Central university of finance and economics
Priority to CN202011594643.5A priority Critical patent/CN112907441B/zh
Publication of CN112907441A publication Critical patent/CN112907441A/zh
Application granted granted Critical
Publication of CN112907441B publication Critical patent/CN112907441B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • 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
    • Y02A90/30—Assessment of water resources

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请属于数据处理技术领域，特别是涉及一种基于地下水卫星图像超分辨率的空间降尺度方法。对于陆地水储量变化数据，即使将其空间分辨率放大四倍，数据的空间分辨率依旧很低，远不能达到水文研究对数据空间分辨率的要求。本申请提供了一种基于基于地下水卫星图像超分辨率的空间降尺度方法，所述方法包括如下步骤：1)构造数据对，所述数据对为高空间分辨率‑伪高空间分辨率；2)构造伪高空间分辨率数据集；3)采用所述数据对训练超分辨率模型；4)将所述数据集输入所述训练好的超分辨率模型，得到高空间分辨率数据集。所述方法可以在保证数据精度的同时，获得更大倍率的空间降尺度结果。

Description

一种基于地下水卫星图像超分辨率的空间降尺度方法
技术领域
本申请属于数据处理技术领域，特别是涉及一种基于地下水卫星图像超分辨率的空间降尺度方法。
背景技术
陆地水储量包含地表水，土壤水，地下水，以及植物和有机质中的水。陆地水储量的每一组分的变化，都会导致陆地水储量总量的变化，进而影响生态系统的生产力、气候变化和水资源的管理政策。因此，获取高空间分辨率的陆地水储量变化数据至关重要。已有的实地测量方法能够测得陆地水储量的各个组分，从而测算出高空间分辨率的陆地水储量及其变化。然而，实地测量非常繁琐，且效率非常低。与实地观测方法相比，卫星对地观测系统，如Gravity Recovery and Climate Experiment(GRACE)，能够快速高效地获取大范围内的陆地水储量变化测量数据，然而由于较低的空间分辨率，卫星数据难以满足小区域内水文研究对数据空间分辨率的要求。因此，近年来陆地水储量变化数据降尺度方法的研究得到了广泛的关注。降尺度方法可以被分为基于模型的降尺度方法和基于统计的降尺度方法。前者需要大量的计算资源和专家知识，而后者是在历史观测数据的基础上建立高空间分辨率数据和低空间分辨率数据之间的统计关系，进而完成数据的降尺度。由于基于统计的降尺度方法更容易实现，这一类方法被广泛应用于陆地水储量变化数据的降尺度研究。
鉴于机器学习方法在各学科领域的出色表现，机器学习方法近来逐渐成为陆地水储量数据降尺度方法研究中的主流方法。如随机森林等的机器学习方法在实际的应用中展现出出色的性能，然而这些方法仍然需要学者们基于自身的专业知识手动选择有效的特征用于数据降尺度。不同于传统的机器学习方法，深度学习方法可以从数据中发掘出输入数据和输出数据之间的关系，进而自动化的完成整个处理过程。此外，基于卷积的运算大大缩减了模型的参数量，以及学习参数所需的计算资源。因此，基于卷积运算和深度学习的图像超分辨率技术正在取代传统的机器学习方法，成为提升图像分辨率的最先进技术。
在计算机视觉领域，图像超分辨率技术发展迅速，但是在几乎所有研究中，图像数据的空间分辨率仅仅被发大了2～4倍。对于陆地水储量变化数据，即使将其空间分辨率放大四倍，数据的空间分辨率依旧很低，远不能达到水文研究对数据空间分辨率的要求。
发明内容
1.要解决的技术问题
鉴于计算机视觉领域常规方法的上采样倍率限制，常规的图像超分辨率方法并不适用于水文数据降尺度。为解决这一问题，本申请提供了一种基于地下水卫星图像超分辨率的空间降尺度方法。
2.技术方案
为了达到上述的目的，本申请提供了一种基于地下水卫星图像超分辨率的空间降尺度方法，所述方法包括如下步骤：1)构造数据对，所述数据对为高空间分辨率-伪高空间分辨率；
2)构造伪高空间分辨率数据集；3)采用所述数据对训练超分辨率模型；4)将所述数据集输入所述训练好的超分辨率模型，得到高空间分辨率数据集。
本申请提供的另一种实施方式为，所述步骤1)采用双三次插值方法，基于高空间分辨率数据，构造用于训练所述超分辨率模型的高空间分辨率-伪高空间分辨率数据对。
本申请提供的另一种实施方式为，所述步骤1)采用双三次插值方法降低所述高空间分辨率数据的空间分辨率，同时采用双三次插值方法提升所述高空间分辨率数据空间分辨率得到伪高空间分辨率数据，构建高空间分辨率-伪高空间分辨率数据对；将所述数据对切分为小块。
本申请提供的另一种实施方式为，所述步骤2)采用双三次插值方法，将目标数据集提升到高空间分辨率数据集对应的空间分辨率，得到所述伪高空间分辨率数据集。
本申请提供的另一种实施方式为，所述步骤3)采用所述数据对训练所述超分辨率模型；根据损失函数收敛情况，修改所述超分辨率模型的学习率，同时修改输入所述超分辨率模型的数据大小/批量大小。
本申请提供的另一种实施方式为，所述超分辨率模型采用三层卷积，所述超分辨率模型用于块析出、块表示、非线性映射和图像重构。
本申请提供的另一种实施方式为，还包括为所述高空间分辨率数据集定义投影坐标系，评估所述高空间分辨率数据的相对精度。
本申请还提供一种基于地下水卫星图像超分辨率空间降尺度方法的应用，将所述的基于地下水卫星图像超分辨率的空间降尺度方法应用于陆地水储量变化空间降尺度。
3.有益效果
与现有技术相比，本申请提供的一种基于地下水卫星图像超分辨率的空间降尺度方法的有益效果在于：
本申请提供的基于地下水卫星图像超分辨率的空间降尺度方法的应用，提升水文遥感数据的空间分辨率。
本申请提供的基于地下水卫星图像超分辨率的空间降尺度方法的应用，解决了陆地水储量变化卫星影像数据分辨率较低，难以满足小区域内水文研究的数据需求问题。
本申请提供的基于地下水卫星图像超分辨率的空间降尺度方法，在实际操作中需要更少的专业背景知识，整个降尺度过程基于已有观测数据完成。
本申请提供的基于地下水卫星图像超分辨率的空间降尺度方法，较于以往的深度学习超分辨率技术，可以在保证数据精度的同时，获得更大倍率的空间降尺度结果。
附图说明
图1是本申请的基于地下水卫星图像超分辨率的空间降尺度方法实施例的流程示意图；
图2是本申请的超分辨率模型示意图；
图3是本申请的卫星数据提升分辨率的效果示意图；
图4是本申请的降尺度方法的质量评估图-残差图。
具体实施方式
在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。
参见图1～4，本申请提供一种基于地下水卫星图像超分辨率的空间降尺度方法，所述方法包括如下步骤：1)构造数据对，所述数据对为高空间分辨率-伪高空间分辨率；2)构造伪高空间分辨率数据集；3)采用所述数据对训练超分辨率模型；4)将所述数据集输入所述训练好的超分辨率模型，得到高空间分辨率数据集。
进一步地，所述步骤1)采用双三次插值方法，基于高空间分辨率数据，构造用于训练所述超分辨率模型的高空间分辨率-伪高空间分辨率数据对。
进一步地，所述步骤1)采用双三次插值方法降低所述高空间分辨率数据的空间分辨率，同时采用双三次插值方法提升所述高空间分辨率数据空间分辨率得到伪高空间分辨率数据，构建高空间分辨率-伪高空间分辨率数据对；将所述数据对切分为小块。
具体的，由于提升空间分辨率的倍率在12倍以内，可以使不确定性在可控制范围内，且目标数据集为110km的GRACE卫星数据，因此本发明将提升倍率设定为11倍。使用EALCO(Ecological Assimilation of Land and Climate Observations)模型生成的5km空间分辨率数据作为原有的高空间分辨率数据，通过计算邻域内的平均值代替整个邻域内的数据，降低其空间分辨率到10km，作为高空间分辨率数据。在此基础上，先使用双三次插值方法降低其空间分辨率到110km，再使用双三次插值方法将数据空间分辨率提升到10km，作为伪高空间分辨率数据。至此，构造了用于训练超分辨率模型的“高空间分辨率(10km)-伪高空间分辨率(10km)”数据对。其次，将构造的数据对再次切分为小块，降低对计算资源的要求，同时便于模型收敛。
进一步地，所述步骤2)采用双三次插值方法，将目标数据集提升到高空间分辨率数据集对应的空间分辨率，得到所述伪高空间分辨率数据集。
具体的，使用双三次插值方法提升目标数据集(110km空间分辨率的GRACE卫星陆地水储量变化数据)的空间分辨率得到伪高空间分辨率(10km)陆地水储量变化数据作为测试阶段超分辨模型的输入。
进一步地，所述步骤3)采用所述数据对训练所述超分辨率模型；根据损失函数收敛情况，修改所述超分辨率模型的学习率，同时修改输入所述超分辨率模型的数据大小/批量大小。
进一步地，所述超分辨率模型采用三层卷积，所述超分辨率模型用于块析出、块表示、非线性映射和图像重构。
在模型训练和测试时，数据对中的高空间分辨率作为模型训练时的y或者输出值，伪高空间分辨率的数据作为模型训练或测试时的x或者输入值，因此整个模型可以表示为y＝f(x)。
图像超分辨率模型使用三层卷积，分别实现块析出和表示，非线性映射和影像重构功能(结构如附图2所示)，各部分的数学表示如公式(1)～(3)所示。模型使用均方误差作为其损失函数(或目标函数)，其数学表示如公式(4)所示。当损失函数收敛过慢时，可以增加学习率大小和批量大小。在实验中，训练了30000次后，模型的学习率和批量大小从1e-4和128被修改为2e-4和256。当损失函数即将收敛时，可以再减小学习率和批量大小。具体来讲，在使用增加的学习率和批量大小训练模型10000次之后，将模型的超参数改为初始值继续训练30000次直至模型收敛。因此，为了使模型收敛，试验中总共训练模型70000次。
F1(Y)＝max(0，W1*X+B1) (1)
F2(Y)＝max(0，W2*F1(Y)+B2) (2)
F(Y)＝W3*F2(Y)+B3 (3)
Figure GDA0003016030190000041
其中，X表示输入的影像，F1(Y)，F2(Y)和F3(Y)表示各层卷积的输出，W1，W2，W3，B1，B2和B3均为模型训练时需要学习的参数。F(Yi；Θ)表示模型的最终输出，X表示高分辨率的真实数据，Θ表示模型需要学习的参数，i＝1，2，…，n表示数据的每个像素的索引。
进一步地，还包括所述步骤4)将伪高空间分辨率数据输入训练好的超分辨率模型，得到高空间分辨率目标数据集，并为所述生成的高空间分辨率数据集定义投影坐标系，评估所述高空间分辨率数据的相对精度。
具体的，将处理后的伪高空间分辨率数据输入到训练好的超分辨率模型，得到高空间分辨率的目标数据集。附图中图3第二行即为定义了投影之后的高空间分辨率目标数据集，第一行为原始110km空间分辨率的目标数据集。对于其精度评价，可以使用均方根误差和残差图来评估。为此，需要将模型输出的高空间分辨率数据重新降分辨率到目标数据集的原始空间分辨率，并将其和原始低空间分辨率的目标数据集作为均方根误差和残差图计算的输入，其计算公式如下所示(公式(5)(6))。
Figure GDA0003016030190000051
Residual＝observed-predicted (6)
其中，observed和predicted分别表示原始的110km分辨率GRACE卫星数据和重构得到的110km分辨率GRACE卫星数据。i＝1,2,3,…,N表示数据中的像素索引。数据的输出，质量评估过程如附图1右下部分所示。
本申请中基于地下水卫星图像超分辨率的空间降尺度方法应用于陆地水储量变化空间降尺度。图3中左上为2003年4月(a)，右上为2003年10月(b)110km分辨率陆地水储量变化数据，左下为2003年4月(a)，右下为2003年10月(b)10km分辨率陆地水储量变化数据。
尽管在上文中参考特定的实施例对本申请进行了描述，但是所属领域技术人员应当理解，在本申请公开的原理和范围内，可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定，并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。

Claims (6)

1.一种基于地下水卫星图像超分辨率的空间降尺度方法，其特征在于，所述方法包括如下步骤：
1)构造数据对，所述数据对为高空间分辨率-伪高空间分辨率数据对；
2)构造伪高空间分辨率数据集；
3)采用步骤1)所述数据对训练超分辨率模型；
4)将步骤2)所述数据集输入所述训练好的超分辨率模型，得到高空间分辨率数据集，所述步骤1)采用双三次插值方法降低所述高空间分辨率数据的空间分辨率，同时采用双三次插值方法提升所述高空间分辨率数据空间分辨率得到伪高空间分辨率数据，构建高空间分辨率-伪高空间分辨率数据对；将所述数据对切分为小块；所述步骤2)采用双三次插值方法，将目标数据集提升到高空间分辨率数据集对应的空间分辨率，得到所述伪高空间分辨率数据集；图像超分辨率模型使用三层卷积，分别实现块析出和表示，非线性映射和影像重构功能，各部分的数学表示如公式(1)～(3)所示，模型使用均方误差作为其损失函数，其数学表示如公式(4)所示；当损失函数收敛过慢时，可以增加学习率大小和批量大小；
F1(Y)＝max(0,W1*X+B1) (1)
F2(Y)＝max(0,W2*F1(Y)+B2) (2)
F(Y)＝W2*F2(Y)+B2 (3)
Figure FDA0004178864180000011
其中，X表示输入的影像，F1(Y)，F2(Y)和F3(Y)表示各层卷积的输出，W1，W2，W3，B1，B2和B3均为模型训练时需要学习的参数；(Yi；Θ)表示模型的最终输出，X表示高分辨率的真实数据，Θ表示模型需要学习的参数，i＝1，2，…，n表示数据的每个像素的索引。
2.如权利要求1所述的基于地下水卫星图像超分辨率的空间降尺度方法，其特征在于，所述步骤1)采用双三次插值方法，基于高空间分辨率数据，构造用于训练所述超分辨率模型的高空间分辨率-伪高空间分辨率数据对。
3.如权利要求1所述的基于地下水卫星图像超分辨率的空间降尺度方法，其特征在于，所述步骤3)采用所述数据对训练所述超分辨率模型；根据损失函数收敛情况，修改所述超分辨率模型的学习率，同时修改输入所述超分辨率模型的数据大小/批量大小。
4.如权利要求1所述的基于地下水卫星图像超分辨率的空间降尺度方法，其特征在于，所述超分辨率模型采用三层卷积，所述超分辨率模型用于块析出、块表示、非线性映射和图像重构。
5.如权利要求1～4中任一项所述的基于地下水卫星图像超分辨率的空间降尺度方法，其特征在于，还包括为所述高空间分辨率数据集定义投影坐标系，评估所述高空间分辨率数据的相对精度。
6.一种基于地下水卫星图像超分辨率的空间降尺度方法的应用，其特征在于，将所述权利要求1～5中任一项所述的基于地下水卫星图像超分辨率的空间降尺度方法应用于陆地水储量变化空间降尺度。
CN202011594643.5A 2020-12-29 2020-12-29 一种基于地下水卫星图像超分辨率的空间降尺度方法 Active CN112907441B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011594643.5A CN112907441B (zh) 2020-12-29 2020-12-29 一种基于地下水卫星图像超分辨率的空间降尺度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011594643.5A CN112907441B (zh) 2020-12-29 2020-12-29 一种基于地下水卫星图像超分辨率的空间降尺度方法

Publications (2)

Publication Number Publication Date
CN112907441A CN112907441A (zh) 2021-06-04
CN112907441B true CN112907441B (zh) 2023-05-30

Family

ID=76111897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011594643.5A Active CN112907441B (zh) 2020-12-29 2020-12-29 一种基于地下水卫星图像超分辨率的空间降尺度方法

Country Status (1)

Country Link
CN (1) CN112907441B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113792450A (zh) * 2021-08-16 2021-12-14 中国空间技术研究院 基于机器学习负载模型提高陆地水储量反演准确性的方法
CN116628442B (zh) * 2023-05-12 2023-12-22 中国科学院地理科学与资源研究所 一种基于人工神经网络的地下水储量变化空间降尺度方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016019484A1 (en) * 2014-08-08 2016-02-11 Xiaoou Tang An apparatus and a method for providing super-resolution of a low-resolution image
CN107464216A (zh) * 2017-08-03 2017-12-12 济南大学 一种基于多层卷积神经网络的医学图像超分辨率重构方法
CN110619604A (zh) * 2019-09-17 2019-12-27 中国气象局公共气象服务中心(国家预警信息发布中心) 三维降尺度方法、装置、电子设备及可读存储介质
CN111754403A (zh) * 2020-06-15 2020-10-09 南京邮电大学 一种基于残差学习的图像超分辨率重构方法
CN111861884A (zh) * 2020-07-15 2020-10-30 南京信息工程大学 一种基于深度学习的卫星云图超分辨率重建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11024009B2 (en) * 2016-09-15 2021-06-01 Twitter, Inc. Super resolution using a generative adversarial network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016019484A1 (en) * 2014-08-08 2016-02-11 Xiaoou Tang An apparatus and a method for providing super-resolution of a low-resolution image
CN107464216A (zh) * 2017-08-03 2017-12-12 济南大学 一种基于多层卷积神经网络的医学图像超分辨率重构方法
CN110619604A (zh) * 2019-09-17 2019-12-27 中国气象局公共气象服务中心(国家预警信息发布中心) 三维降尺度方法、装置、电子设备及可读存储介质
CN111754403A (zh) * 2020-06-15 2020-10-09 南京邮电大学 一种基于残差学习的图像超分辨率重构方法
CN111861884A (zh) * 2020-07-15 2020-10-30 南京信息工程大学 一种基于深度学习的卫星云图超分辨率重建方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Compression Artifacts Reduction by a Deep Convolutional Network;Chao Dong 等;《2015 IEEE International Conference on Computer Vision (ICCV)》;576-584 *
基于多种高分辨率卫星数据的TRMM降水数据降尺度研究——以内蒙古地区为例;范科科 等;《地理科学》;第37卷(第9期);1411-1421 *
基于改进的深度卷积神经网络的单图像超分辨率重建;刘世豪 等;《青岛大学学报(自然科学版)》;第32卷(第1期);106-111 *
多尺度残差深度神经网络的卫星图像超分辨率算法;汪家明 等;《武汉工程大学学报》;第40卷(第4期);440-445 *

Also Published As

Publication number Publication date
CN112907441A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN110738252B (zh) 空间自相关的机器学习卫星降水数据降尺度方法、系统
CN110555446B (zh) 基于多尺度深度特征融合和迁移学习的遥感影像场景分类方法
CN110415199B (zh) 基于残差学习的多光谱遥感图像融合方法及装置
CN106067161A (zh) 一种对图像进行超分辨的方法
CN112907441B (zh) 一种基于地下水卫星图像超分辨率的空间降尺度方法
CN110223234A (zh) 基于级联收缩扩张的深度残差网络图像超分辨率重建方法
CN107423537B (zh) 一种基于自适应阈值的地表温度降尺度的方法
CN106204447A (zh) 基于总变差分和卷积神经网络的超分辨率重建方法
CN106203625A (zh) 一种基于多重预训练的深层神经网络训练方法
CN108053398A (zh) 一种半监督特征学习的黑色素瘤自动检测方法
CN114331842B (zh) 结合地形特征的dem超分辨率重建方法
CN107491793B (zh) 一种基于稀疏散射全卷积的极化sar图像分类方法
CN111161224A (zh) 基于深度学习的铸件内部缺陷分级评估系统及方法
CN105550649A (zh) 基于全耦合局部约束表示的极低分辨率人脸识别方法及系统
CN107729922A (zh) 基于深度学习超分辨率技术的遥感图像道路提取方法
CN106169174A (zh) 一种图像放大方法
CN113837450A (zh) 基于深度学习的河网密集流域水情趋势预测方法及其应用
CN105957022A (zh) 低秩矩阵重建带有随机值脉冲噪声缺失图像恢复方法
CN113744136A (zh) 基于通道约束多特征融合的图像超分辨率重建方法和系统
CN114283285A (zh) 交叉一致性自训练遥感图像语义分割网络训练方法及装置
CN107203747A (zh) 基于自适应选择机制的稀疏联合模型目标跟踪方法
CN116051382A (zh) 一种基于深度强化学习生成式对抗神经网络和超分辨率重建的数据增强方法
Gonzalez DL4DS—Deep learning for empirical downscaling
CN114187261A (zh) 一种基于多维注意力机制的无参考立体图像质量评价方法
CN113591608A (zh) 一种基于深度学习的高分辨率遥感影像不透水面提取方法

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