CN114387258A - 基于区域动态深度展开神经网络的高光谱图像重构方法 - Google Patents

基于区域动态深度展开神经网络的高光谱图像重构方法 Download PDF

Info

Publication number
CN114387258A
CN114387258A CN202210039789.6A CN202210039789A CN114387258A CN 114387258 A CN114387258 A CN 114387258A CN 202210039789 A CN202210039789 A CN 202210039789A CN 114387258 A CN114387258 A CN 114387258A
Authority
CN
China
Prior art keywords
neural network
image
regional
threshold
transformation
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.)
Granted
Application number
CN202210039789.6A
Other languages
English (en)
Other versions
CN114387258B (zh
Inventor
许廷发
周诗韵
李佳男
董少聪
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.)
Beijing Institute of Technology BIT
Chongqing Innovation Center of Beijing University of Technology
Original Assignee
Beijing Institute of Technology BIT
Chongqing Innovation Center of Beijing University of Technology
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 Beijing Institute of Technology BIT, Chongqing Innovation Center of Beijing University of Technology filed Critical Beijing Institute of Technology BIT
Priority to CN202210039789.6A priority Critical patent/CN114387258B/zh
Publication of CN114387258A publication Critical patent/CN114387258A/zh
Application granted granted Critical
Publication of CN114387258B publication Critical patent/CN114387258B/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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于区域动态深度展开神经网络的高光谱图像重构方法，包括如下步骤：S1，模拟高光谱数据的真值图像；S2，将真值图像经过掩膜编码得到混叠图像；S3，混叠图像经过数据预处理后输入深度展开神经网络进行训练；所述深度展开神经网络包括区域权重生成模块、阈值迭代算法变换模块以及像素级自适应阈值模块；S4，利用训练好的深度展开神经网络进行光谱图像重构。本发明采用基于区域动态的深度展开神经网络根据混叠图像的区域化特征来动态指导重构变换域的生成，有效提升了快照压缩光谱成像中的图像重构质量，在网络训练和实用中更为便捷灵活，节省计算资源和降低时间消耗。

Description

基于区域动态深度展开神经网络的高光谱图像重构方法
技术领域
本发明涉及计算成像技术领域，具体而言，涉及一种基于区域动态深度展开神经网络的高光谱图像重构方法。
背景技术
高光谱图像是由数十或数百幅连续的窄波段图像组成，能够同时捕获目标场景的空间维和光谱维信息，称为“数据立方体”。随着高光谱成像技术的发展，高光谱成像仪能够采集具有更高空间分辨率和光谱分辨率的高光谱数据。目前，高光谱图像已在众多领域中得到应用并取得成效，例如地物遥感、精准农业、医学诊断、目标检测等。
快照压缩光谱成像是指将多帧光谱图像映射到一个测量值中的压缩成像系统，其典型系统是编码孔径快照光谱成像系统(CASSI)。通过将输入的高光谱图像(Hyper-Spectral Image，HSI)经由掩膜编码到一幅二维压缩图像中，然后采用逆优化算法重建底高光谱图像，该系统具有快照的优点，然而重建质量较低，因此有效提升系统重建质量是使其广泛应用的关键。
深度学习算法日前被应用到上述光谱图像的重构中，其中一种通过将传统算法的每一次迭代进行网络展开兼具解释性和良好的重构性能。现有的基于深度展开神经网络的方法大都将压缩混叠图像作为一个整体作为网络输入学习迭代变换，未能充分利用混叠图像的特征。
发明内容
本发明旨在提供一种基于区域动态深度展开神经网络的高光谱图像重构方法，以解决现有的快照压缩光谱图象重构方法未能充分利用区域的特征信息来指导重构的问题。
本发明提供的一种基于区域动态深度展开神经网络的高光谱图像重构方法，包括如下步骤：
S1，模拟高光谱数据的真值图像；
S2，将真值图像经过掩膜编码得到混叠图像；
S3，混叠图像经过数据预处理后输入深度展开神经网络进行训练；所述深度展开神经网络包括区域权重生成模块、阈值迭代算法变换模块以及像素级自适应阈值模块；训练过程为：
S31，混叠图像经过光谱维特征融合得到区域特征，再将区域特征同时输入到区域权重生成模块、阈值迭代算法变换模块以及像素级自适应阈值模块；首先经过区域权重生成模块生成区域特征指导的权重系数；然后在阈值迭代算法变换模块中进行多个基础的阈值迭代变换，阈值迭代变换的动态阈值由像素级自适应阈值模块根据区域特征生成；最后将区域特征指导的权重系数和多种基本变换进行动态加权得到区域动态重构出的光谱重构图像；
S32，步骤S31为深度展开神经网络的一次展开过程，经过若干次展开过程并在每次展开时采用损失函数计算真值图像和光谱重构图像之间的损失以及对阈值迭代变换中的稀疏性和对称性进行约束，通过反向传播算法优化深度展开神经网络的参数；训练完成后得到训练好的深度展开神经网络；
S4，利用训练好的深度展开神经网络进行光谱图像重构。
在一些实施例中，步骤S32中的损失函数由第一损失函数、第一损失函数和第一损失函数加权求和得到；
所述第一损失函数采用L2损失函数计算真值图像和光谱重构图像之间的损失；
所述第二损失函数采用L1损失函数对阈值迭代变换中的稀疏性进行约束；
所述第三损失函数采用L2损失函数对阈值迭代变换中的对称性进行约束。
在一些实施例中，所述区域权重生成模块包括依次连接的一个5×5的池化层、一个3×3卷积、ReLU激活函数、一个3×3卷积和一个softmax层；
一个5×5的池化层用于实现区域化；
两个3×3卷积以及连接在两个3×3卷积之间的ReLU激活函数用于提取区域特征；
一个softmax层用于生成区域特征指导的权重系数。
在一些实施例中，所述阈值迭代算法变换模块包括两个互逆的变换函数块，两个变换函数块之间由像素级自适应阈值模块完成阈值化连接；每个变换函数块包括依次连接的一个3×3卷积、ReLU激活函数和一个3×3卷积。
在一些实施例中，所述像素级自适应阈值模块包括依次连接的一个3×3卷积、ReLU激活函数、一个3×3卷积和一个符号函数Sgn。
在一些实施例中，步骤S31中采用一个3×3卷积进行光谱维特征融合得到区域特征。
在一些实施例中，步骤S3中所述数据预处理是指移位操作。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明采用基于区域动态的深度展开神经网络根据混叠图像的区域化特征来动态指导重构变换域的生成，有效提升了快照压缩光谱成像中的图像重构质量，在网络训练和实用中更为便捷灵活，节省计算资源和降低时间消耗。
2、本发明构建基于区域动态的深度展开神经网络结构，设计区域权重生成模块，阈值迭代算法变换模块以及像素级自适应阈值模块充分利用图像的区域特征，提升了重构的鲁棒性，能够生成质量更高的重构图像。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中基于区域动态深度展开神经网络的高光谱图像重构方法的原理图
图2为本发明实施例中深度展开神经网络的结构图。
图3为本发明实施例中深度展开神经网络训练过程中一次展开的原理图。
图4为本发明实施例中深度展开神经网络训练过程中多次展开的原理图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
如图1所示，本实施例提出一种基于区域动态深度展开神经网络的高光谱图像重构方法，包括如下步骤：
S1，模拟高光谱数据的真值图像；
S2，将真值图像经过掩膜编码得到混叠图像，表示为Y0∈N256×286，其中，256和286分别代表混叠图像的高度和宽度；
S3，将混叠图像经过数据预处理后输入深度展开神经网络进行训练；所述数据预处理是指移位操作，即对混叠图像进行移位操作，得到数据预处理后的图像，表示为X0∈N256×256×28，其中，28表示数据预处理后的图像的光谱维度。
所述深度展开神经网络包括区域权重生成模块、阈值迭代算法变换模块以及像素级自适应阈值模块；如图2所示，本实施例中的所述深度展开神经网络的结构如下：
1、区域权重生成模块
所述区域权重生成模块包括依次连接的一个5×5的池化层、一个3×3卷积、ReLU激活函数、一个3×3卷积和一个softmax层；
一个5×5的池化层用于实现区域化；
两个3×3卷积以及连接在两个3×3卷积之间的ReLU激活函数用于提取区域特征；
一个softmax层用于生成区域特征指导的权重系数。
2、阈值迭代算法变换模块
所述阈值迭代算法变换模块包括两个互逆的变换函数块，两个变换函数块之间由像素级自适应阈值模块完成阈值化连接；每个变换函数块包括依次连接的一个3×3卷积、ReLU激活函数和一个3×3卷积。
3、像素级自适应阈值模块
所述像素级自适应阈值模块包括依次连接的一个3×3卷积、ReLU激活函数、一个3×3卷积和一个符号函数Sgn。
训练过程为：
S31，如图3所示，混叠图像经过进行光谱维特征融合得到区域特征，本实施例中采用一个3×3卷积进行光谱维特征融合得到区域特征；再将区域特征同时输入到区域权重生成模块、阈值迭代算法变换模块以及像素级自适应阈值模块；首先经过区域权重生成模块生成区域特征指导的权重系数；然后在阈值迭代算法变换模块中进行多(N)个基础的阈值迭代变换，阈值迭代变换的动态阈值由像素级自适应阈值模块根据区域特征生成；最后将区域特征指导的权重系数和多种基本变换进行动态加权得到区域动态重构出的光谱重构图像，表示为Xk∈N256×256×28，其中，k表示当前展开次数；经过k次展开后的
S32，步骤S31为深度展开神经网络的一次展开过程，如图4所示，经过若干次(k次)展开过程并在每次展开时采用损失函数计算真值图像和光谱重构图像(经过k次展开后的光谱重构图像表示为X∈N256×256×28)之间的损失以及对阈值迭代变换中的稀疏性和对称性进行约束，通过反向传播算法(如Adam算法，学习率可以设置为0.001)优化深度展开神经网络的参数；训练完成后得到训练好的深度展开神经网络；
其中，损失函数由第一损失函数、第一损失函数和第一损失函数加权求和得到；
所述第一损失函数采用L2损失函数计算真值图像和光谱重构图像之间的损失；
所述第二损失函数采用L1损失函数对阈值迭代变换中的稀疏性进行约束；
所述第三损失函数采用L2损失函数对阈值迭代变换中的对称性进行约束。
S4，利用训练好的深度展开神经网络进行光谱图像重构。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于区域动态深度展开神经网络的高光谱图像重构方法，其特征在于，包括如下步骤：
S1，模拟高光谱数据的真值图像；
S2，将真值图像经过掩膜编码得到混叠图像；
S3，混叠图像经过数据预处理后输入深度展开神经网络进行训练；所述深度展开神经网络包括区域权重生成模块、阈值迭代算法变换模块以及像素级自适应阈值模块；训练过程为：
S31，混叠图像经过光谱维特征融合得到区域特征，再将区域特征同时输入到区域权重生成模块、阈值迭代算法变换模块以及像素级自适应阈值模块；首先经过区域权重生成模块生成区域特征指导的权重系数；然后在阈值迭代算法变换模块中进行多个基础的阈值迭代变换，阈值迭代变换的动态阈值由像素级自适应阈值模块根据区域特征生成；最后将区域特征指导的权重系数和多种基本变换进行动态加权得到区域动态重构出的光谱重构图像；
S32，步骤S31为深度展开神经网络的一次展开过程，经过若干次展开过程并在每次展开时采用损失函数计算真值图像和光谱重构图像之间的损失以及对阈值迭代变换中的稀疏性和对称性进行约束，通过反向传播算法优化深度展开神经网络的参数；训练完成后得到训练好的深度展开神经网络；
S4，利用训练好的深度展开神经网络进行光谱图像重构。
2.根据权利要求1所述的基于区域动态深度展开神经网络的高光谱图像重构方法，其特征在于，步骤S32中的损失函数由第一损失函数、第一损失函数和第一损失函数加权求和得到；
所述第一损失函数采用L2损失函数计算真值图像和光谱重构图像之间的损失；
所述第二损失函数采用L1损失函数对阈值迭代变换中的稀疏性进行约束；
所述第三损失函数采用L2损失函数对阈值迭代变换中的对称性进行约束。
3.根据权利要求1所述的基于区域动态深度展开神经网络的高光谱图像重构方法，其特征在于，所述区域权重生成模块包括依次连接的一个5×5的池化层、一个3×3卷积、ReLU激活函数、一个3×3卷积和一个softmax层；
一个5×5的池化层用于实现区域化；
两个3×3卷积以及连接在两个3×3卷积之间的ReLU激活函数用于提取区域特征；
一个softmax层用于生成区域特征指导的权重系数。
4.根据权利要求1所述的基于区域动态深度展开神经网络的高光谱图像重构方法，其特征在于，所述阈值迭代算法变换模块包括两个互逆的变换函数块，两个变换函数块之间由像素级自适应阈值模块完成阈值化连接；每个变换函数块包括依次连接的一个3×3卷积、ReLU激活函数和一个3×3卷积。
5.根据权利要求1所述的基于区域动态深度展开神经网络的高光谱图像重构方法，其特征在于，所述像素级自适应阈值模块包括依次连接的一个3×3卷积、ReLU激活函数、一个3×3卷积和一个符号函数Sgn。
6.根据权利要求1所述的基于区域动态深度展开神经网络的高光谱图像重构方法，其特征在于，步骤S31中采用一个3×3卷积进行光谱维特征融合得到区域特征。
7.根据权利要求1所述的基于区域动态深度展开神经网络的高光谱图像重构方法，其特征在于，步骤S3中所述数据预处理是指移位操作。
CN202210039789.6A 2022-01-14 2022-01-14 基于区域动态深度展开神经网络的高光谱图像重构方法 Active CN114387258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210039789.6A CN114387258B (zh) 2022-01-14 2022-01-14 基于区域动态深度展开神经网络的高光谱图像重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210039789.6A CN114387258B (zh) 2022-01-14 2022-01-14 基于区域动态深度展开神经网络的高光谱图像重构方法

Publications (2)

Publication Number Publication Date
CN114387258A true CN114387258A (zh) 2022-04-22
CN114387258B CN114387258B (zh) 2024-03-22

Family

ID=81202697

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210039789.6A Active CN114387258B (zh) 2022-01-14 2022-01-14 基于区域动态深度展开神经网络的高光谱图像重构方法

Country Status (1)

Country Link
CN (1) CN114387258B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017215284A1 (zh) * 2016-06-14 2017-12-21 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
CN109741407A (zh) * 2019-01-09 2019-05-10 北京理工大学 一种基于卷积神经网络的光谱成像系统的高质量重构方法
EP3576049A2 (en) * 2018-05-31 2019-12-04 Canon Medical Systems Corporation An apparatus for denoising an image, a method for denosing an image and a computer readable storage medium
CN112798539A (zh) * 2020-12-10 2021-05-14 青岛农业大学 一种基于迁移学习的黄曲霉毒素智能检测方法
CN113222825A (zh) * 2021-06-03 2021-08-06 北京理工大学 基于可见光图像训练的红外图像超分辨率重构方法及应用
CN113256733A (zh) * 2021-05-14 2021-08-13 四川大学 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法
CN113327304A (zh) * 2021-05-28 2021-08-31 北京理工大学重庆创新中心 一种基于端到端神经网络的高光谱图像显著图生成方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017215284A1 (zh) * 2016-06-14 2017-12-21 山东大学 基于卷积神经网络的胃肠道肿瘤显微高光谱图像处理方法
EP3576049A2 (en) * 2018-05-31 2019-12-04 Canon Medical Systems Corporation An apparatus for denoising an image, a method for denosing an image and a computer readable storage medium
CN109741407A (zh) * 2019-01-09 2019-05-10 北京理工大学 一种基于卷积神经网络的光谱成像系统的高质量重构方法
CN112798539A (zh) * 2020-12-10 2021-05-14 青岛农业大学 一种基于迁移学习的黄曲霉毒素智能检测方法
CN113256733A (zh) * 2021-05-14 2021-08-13 四川大学 基于置信度投票卷积神经网络的相机光谱灵敏度重建方法
CN113327304A (zh) * 2021-05-28 2021-08-31 北京理工大学重庆创新中心 一种基于端到端神经网络的高光谱图像显著图生成方法
CN113222825A (zh) * 2021-06-03 2021-08-06 北京理工大学 基于可见光图像训练的红外图像超分辨率重构方法及应用

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
于波;方业全;刘闽;董君陶;: "基于深度卷积神经网络的图像重建算法", 计算机系统应用, no. 09, 15 September 2018 (2018-09-15), pages 11 - 13 *
潘凯;侯亮;: "基于卷积神经网络的遥感图像降噪", 现代信息科技, no. 12, 25 June 2020 (2020-06-25), pages 68 - 73 *
王振飞;范刚龙;王能超;: "基于神经网络与对比度的多聚焦图像融合技术", 计算机应用, no. 07, 10 July 2006 (2006-07-10), pages 100 - 101 *

Also Published As

Publication number Publication date
CN114387258B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN110119780B (zh) 基于生成对抗网络的高光谱图像超分辨重建方法
CN111582483B (zh) 基于空间和通道联合注意力机制的无监督学习光流估计方法
Thakur et al. State‐of‐art analysis of image denoising methods using convolutional neural networks
CN111369487B (zh) 一种高光谱和多光谱图像融合方法、系统及介质
CN111709895A (zh) 基于注意力机制的图像盲去模糊方法及系统
CN110675347B (zh) 一种基于组稀疏表示的图像盲复原方法
CN113177882B (zh) 一种基于扩散模型的单帧图像超分辨处理方法
Wen et al. Image recovery via transform learning and low-rank modeling: The power of complementary regularizers
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
CN106408550A (zh) 一种改进的自适应多字典学习的图像超分辨率重建方法
CN114202459B (zh) 一种基于深度先验的盲图像超分辨率方法
CN113962858A (zh) 一种多视角深度获取方法
CN113111758A (zh) 一种基于脉冲神经网络的sar图像舰船目标识别方法
CN111369433B (zh) 基于可分离卷积和注意力的三维图像超分辨率重建方法
CN106600533B (zh) 单图像超分辨率重建方法
Gao et al. Bayesian image super-resolution with deep modeling of image statistics
CN109064402A (zh) 基于增强非局部总变分模型先验的单幅图像超分辨率重建方法
Wen et al. The power of complementary regularizers: Image recovery via transform learning and low-rank modeling
CN105931184A (zh) 基于联合优化的sar图像超分辨率方法
Liu et al. LG-DBNet: Local and Global Dual-Branch Network for SAR Image Denoising
CN117523093A (zh) 基于深度学习的二维冲击波速度场超快诊断掩码优化方法
CN115760670B (zh) 基于网络隐式先验的无监督高光谱融合方法及装置
CN116708807A (zh) 监控视频的压缩重建方法、压缩重建装置
CN114387258B (zh) 基于区域动态深度展开神经网络的高光谱图像重构方法
Shin et al. LoGSRN: Deep super resolution network for digital elevation model

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