CN114418843A - 空间数据插值方法、装置及电子设备 - Google Patents
空间数据插值方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114418843A CN114418843A CN202111604032.9A CN202111604032A CN114418843A CN 114418843 A CN114418843 A CN 114418843A CN 202111604032 A CN202111604032 A CN 202111604032A CN 114418843 A CN114418843 A CN 114418843A
- Authority
- CN
- China
- Prior art keywords
- spatial data
- interpolation
- data
- processing
- spatial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 118
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 21
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 22
- 230000000694 effects Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000009499 grossing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Complex Calculations (AREA)
Abstract
本发明适用于空间数据处理技术领域，提供了一种空间数据插值方法、装置及电子设备，所述方法包括：获取第一空间数据；将第一空间数据输入至预训练的空间数据插值模型中进行插值处理，输出第二空间数据；其中，第二空间数据的分辨率高于第一空间数据的分辨率，空间数据插值模型对第一空间数据分别进行深度神经网络超分辨插值处理、反距离权重插值处理和克里金插值处理，并将深度神经网络超分辨插值处理的结果与反距离权重插值处理的结果相加，再与克里金插值处理的结果堆叠后，得到第二空间数据并输出。本发明能够提高空间数据精度，且具有较好的准确度和适应性。
Description
技术领域
本发明属于空间数据处理技术领域，尤其涉及一种空间数据插值方法、装置及电子设备。
背景技术
空间数据是对地形表面形态的数字化表达，在测绘、水文、气象、地貌、地质、土壤、工程建设、通讯、军事等领域均有着广泛的应用。
在实际应用中，为了更精细的分析或显示空间特征，需要获取更高分辨率的空间数据，然而超高精度的实测空间数据通常难以获得。现有技术虽然有很多类型的插值方法来提高空间数据精度，但它们各自具有不同的优缺点，当输入的空间数据集不同时，各方法表现出的性能效果差异性较大，因此，单一类型的插值方法在准确度和适应性上都不能满足实际需求。
发明内容
有鉴于此，本发明实施例提供了一种空间数据插值方法、装置及电子设备，以提高空间数据精度，且具有较好的准确度和适应性。
本发明实施例的第一方面提供了一种空间数据插值方法，包括：
获取第一空间数据；
将第一空间数据输入至预训练的空间数据插值模型中进行插值处理，输出第二空间数据；其中，第二空间数据的分辨率高于第一空间数据的分辨率，空间数据插值模型对第一空间数据分别进行深度神经网络超分辨插值处理、反距离权重插值处理和克里金插值处理，并将深度神经网络超分辨插值处理的结果与反距离权重插值处理的结果相加，再与克里金插值处理的结果堆叠后，得到第二空间数据并输出。
可选的，对第一空间数据进行深度神经网络超分辨插值处理，包括：
对第一空间数据进行卷积操作，得到第一处理数据；
将第一处理数据输入至残差结构中进行处理，并对残差结构处理后的第一处理数据进行卷积操作，得到第二处理数据；
将第一处理数据和第二处理数据相加，得到第三处理数据；
对第三处理数据进行上采样，得到深度神经网络超分辨插值处理结果。
可选的，残差结构由多个依次连接的残差块构成；每个残差块均对输入的第一处理数据进行如下处理：
对输入的第一处理数据依次进行卷积操作、激活函数处理和卷积操作，并将结果与输入该残差块前的第一处理数据相加后输出。
可选的，对数据进行卷积操作的各个卷积层均为64通道、步长为1、卷积核为3*3的卷积层。
可选的，对第一空间数据进行深度神经网络超分辨插值处理，还包括：
在对第一空间数据进行卷积操作之前，对第一空间数据进行预处理，去除第一空间数据中的噪声干扰。
可选的，反距离权重插值处理和克里金插值处理均为四倍插值。
可选的，空间数据插值模型的训练过程包括：
获取多个第三空间数据作为验证数据集；
对各个第三空间数据进行降采样，得到训练数据集；
基于训练数据集和验证数据集，训练空间数据插值模型的模型参数，得到训练的空间数据插值模型。
本发明实施例的第二方面提供了一种空间数据插值装置，包括：
获取模块，用于获取第一空间数据；
插值模块，用于将所述第一空间数据输入至预训练的空间数据插值模型中进行插值处理，输出第二空间数据；其中，所述第二空间数据的分辨率高于所述第一空间数据的分辨率，所述空间数据插值模型对所述第一空间数据分别进行深度神经网络超分辨插值处理、反距离权重插值处理和克里金插值处理，并将深度神经网络超分辨插值处理的结果与反距离权重插值处理的结果相加，再与克里金插值处理的结果堆叠后，得到所述第二空间数据并输出。
本发明实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现如上述第一方面的数据插值方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面的数据插值方法的步骤。
本发明实施例与现有技术相比存在的有益效果是：
本发明实施例建立的空间数据插值模型，通过将深度神经网络超分辨插值算法的结果与反距离权重插值算法的结果相加，去除低频变化对深度神经网络超分辨插值算法的影响，使其能够更好的处理空间数据的高频特征，着重于训练反距离权重算法无法放大的残差部分，更好的发掘空间数据之间的相关性；然后，再将结果与克里金插值算法的输出结果进行堆叠，解决了克里金插值算法的平滑效应问题，使得预测误差更小，生成的空间数据与实际数据更为接近。相对于现有技术中的任意一种单一插值算法，本发明实施例能够更好的提高空间数据精度，且具有较好的准确度和适应性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的空间数据插值方法的实现流程示意图；
图2是本发明实施例提供的空间数据插值模型的结构示意图；
图3是本发明实施例提供的DNCNN空间数据预处理网络的结构示意图；
图4是本发明实施例提供的空间数据插值装置的结构示意图；
图5是本发明实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
现有技术中单一类型的插值方法，具有不同的优缺点，当输入的空间数据集不同时，单一插值方法表现出的性能效果差异性较大。例如：反距离权重法(Inverse DistanceWeight，IDW)的优点是符合空间数据的基本原理且计算速度快，但其忽略了数据的空间分布与地形特征存在的相关性；克里金插值方法(Krige)是在满足插值方差最小的条件下，给出最佳线性无偏插值，插值结果更接近于实际情况，但其存在着平滑效应问题，对空间数据的高频特征不够敏感。因此，本发明实施例结合以上单一插值方法的优缺点，设计了一种准确度更高、适用范围更广的插值方法。
参见图1所述，本发明实施例提供的空间数据插值方法，包括：
步骤S101，获取第一空间数据。
步骤S102，将第一空间数据输入至预训练的空间数据插值模型中进行插值处理，输出第二空间数据；其中，第二空间数据的分辨率高于第一空间数据的分辨率，空间数据插值模型对第一空间数据分别进行深度神经网络超分辨插值处理、反距离权重插值处理和克里金插值处理，并将深度神经网络超分辨插值处理的结果与反距离权重插值处理的结果相加，再与克里金插值处理的结果堆叠后，得到第二空间数据并输出。
在本发明实施例中，第一空间数据可以是原始低分辨率的空间数据，将该低分辨率的空间数据输入至预先训练好的空间数据插值模型中进行插值处理，可以提高空间数据的分辨率，得到具有相对较高分辨率的第二空间数据。
具体的，参见图2所示，空间数据插值模型具有三条插值处理分支，分别为克里金插值、深度神经网络超分辨插值和反距离权重插值。三种插值算法分别对输入的低分辨率空间数据进行插值处理。然后，深度神经网络超分辨插值算法的输出结果先与反距离权重插值算法的输出结果相加，使得深度神经网络超分辨插值算法的输出结果着重于训练反距离权重无法放大的残差部分，更好的发掘空间数据之间的相关性，避免了深度神经网络的过度拟合；再通过与克里金插值算法的输出结果进行CONECT堆叠，在保留了克里金插值方法能够获得最佳线性无偏插值特点的同时又解决了克里金插值算法的平滑效应问题，使得算法的适用范围更广，生成的空间数据与实际数据更为接近。
可见，本发明实施例建立的空间数据插值模型，通过将深度神经网络超分辨插值算法的结果与反距离权重插值算法的结果相加，去除低频变化对深度神经网络超分辨插值算法的影响，使其能够更好的处理空间数据的高频特征，着重于训练反距离权重算法无法放大的残差部分，更好的发掘空间数据之间的相关性；然后，再将结果与克里金插值算法的输出结果进行堆叠，解决了克里金插值算法的平滑效应问题，使得预测误差更小，生成的空间数据与实际数据更为接近。相对于现有技术中的任意一种单一插值算法，本发明实施例能够更好的提高空间数据精度，且具有较好的准确度和适应性。
可选的，步骤S102中对第一空间数据进行深度神经网络超分辨插值处理，可以详述为：
步骤S1021，对第一空间数据进行卷积操作，得到第一处理数据；
步骤S1022，将第一处理数据输入至残差结构中进行处理，并对残差结构处理后的第一处理数据进行卷积操作，得到第二处理数据；
步骤S1023，将第一处理数据和第二处理数据相加，得到第三处理数据；
步骤S1024，对第三处理数据进行上采样，得到深度神经网络超分辨插值处理结果。
可选的，步骤S102中对第一空间数据进行深度神经网络超分辨插值处理，还可以包括：
在执行步骤S1021对第一空间数据进行卷积操作之前，对第一空间数据进行预处理，去除第一空间数据中的噪声干扰。
在本发明实施例中，参见图2所示，深度神经网络超分辨插值部分可以由DNCNN空间数据预处理网络和空间数据超分辨网络两部分组成。DNCNN空间数据预处理网络的结构可以参见图3所示，主要作用是去除空间数据中地形特征以外的噪声影响。空间数据超分辨网络由若干个COVN卷积层、残差结构以及subpixel上采样组成，主要作用是放大空间数据的地形变化特征。
可选的，参见图2所示，步骤S1022中的残差结构由多个依次连接的残差块ResBlock构成，在本实施例中残差结构由16个残差块ResBlock构成，残差结构能够解决深度神经网络的梯度消失问题。
每个残差块ResBlock均包括COVN卷积层、激活函数层和COVN卷积层。
每个残差块ResBlock均对输入的第一处理数据进行如下处理：
对输入的第一处理数据依次进行卷积操作、激活函数处理和卷积操作，并将结果与输入该残差块前的第一处理数据相加后输出。
可选的，上述步骤中对数据进行卷积操作的各个卷积层均可以为64通道、步长为1、卷积核为3*3的卷积层。
可选的，上述步骤中的反距离权重插值处理和克里金插值处理均可以为四倍插值，来实现空间数据的四倍插值。
可选的，空间数据插值模型的训练过程包括：
获取多个第三空间数据作为验证数据集；
对各个第三空间数据进行降采样，得到训练数据集；
基于训练数据集和验证数据集，训练空间数据插值模型的模型参数，得到训练的空间数据插值模型。
在本发明实施例中，第三空间数据均可以为高分辨率的空间数据，作为验证数据集。对第三空间数据进行降采样后，得到低分辨率的训练数据集。具体的，可以以30m的高程数据为基础，将数据经过切割变为10万个256*256的区域高程块区域，采取最直观的loss1损失(高程值对应点位的平均差值)作为训练损失，优化器为adam优化器。训练时读取训练机为真图，并将其进行归一化，并对其进行线性缩放为32*32的小块作为训练数据，反距离权重插值作为中间结果。根据训练集的大小以及训练计算机的显存的大小，设定训练batch为16，总共训练60个epoch，初始学习率为0.0001，每15个epoch学习率下降为原来的三分之一。通过上述步骤进行训练，得到训练好的网络。
本发明实施例设计的多方法融合空间数据插值方法，能够将低分辨率的空间数据转化为高分辨率的空间数据，提高空间数据的精细程度，提高空间数据显示的细腻程度，可广泛应用于多种应用场景。例如：在工程建设上，可用于如土方量计算、通视分析等；在无线通讯上，可用于进行通信站址分析、覆盖分析等；在军事领域，可用于战场环境3D建模、数字孪生技术等。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
参见图4所示，本发明实施例提供了一种空间数据插值装置40，包括：
获取模块41，用于获取第一空间数据。
插值模块42，用于将第一空间数据输入至预训练的空间数据插值模型中进行插值处理，输出第二空间数据；其中，第二空间数据的分辨率高于第一空间数据的分辨率，空间数据插值模型对第一空间数据分别进行深度神经网络超分辨插值处理、反距离权重插值处理和克里金插值处理，并将深度神经网络超分辨插值处理的结果与反距离权重插值处理的结果相加，再与克里金插值处理的结果堆叠后，得到第二空间数据并输出。
可选的，插值模块42具体用于：
对第一空间数据进行卷积操作，得到第一处理数据；
将第一处理数据输入至残差结构中进行处理，并对残差结构处理后的第一处理数据进行卷积操作，得到第二处理数据；
将第一处理数据和第二处理数据相加，得到第三处理数据；
对第三处理数据进行上采样，得到深度神经网络超分辨插值处理结果。
可选的，残差结构由多个依次连接的残差块构成。
每个残差块均对输入的第一处理数据进行如下处理：
对输入的第一处理数据依次进行卷积操作、激活函数处理和卷积操作，并将结果与输入该残差块前的第一处理数据相加后输出。
可选的，对数据进行卷积操作的各个卷积层均为64通道、步长为1、卷积核为3*3的卷积层。
可选的，插值模块42还用于：
在对第一空间数据进行卷积操作之前，对第一空间数据进行预处理，去除第一空间数据中的噪声干扰。
可选的，反距离权重插值处理和克里金插值处理均为四倍插值。
可选的，插值模块42还用于：
获取多个第三空间数据作为验证数据集；
对各个第三空间数据进行降采样，得到训练数据集；
基于训练数据集和验证数据集，训练空间数据插值模型的模型参数，得到训练的空间数据插值模型。
图5是本发明一实施例提供的电子设备50的示意图。如图5所示，该实施例的电子设备50包括：处理器51、存储器52以及存储在存储器52中并可在处理器51上运行的计算机程序53，例如空间数据插值程序。处理器51执行计算机程序53时实现上述各个空间数据插值方法实施例中的步骤，例如图1所示的步骤S101至S102。或者，处理器51执行计算机程序53时实现上述各装置实施例中各模块的功能，例如图4所示模块41至42的功能。
示例性的，计算机程序53可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器52中，并由处理器51执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序53在电子设备50中的执行过程。例如，计算机程序53可以被分割成获取模块41和插值模块42(虚拟装置中的模块)，各模块具体功能如下：
获取模块41，用于获取第一空间数据。
插值模块42，用于将第一空间数据输入至预训练的空间数据插值模型中进行插值处理，输出第二空间数据；其中，第二空间数据的分辨率高于第一空间数据的分辨率，空间数据插值模型对第一空间数据分别进行深度神经网络超分辨插值处理、反距离权重插值处理和克里金插值处理，并将深度神经网络超分辨插值处理的结果与反距离权重插值处理的结果相加，再与克里金插值处理的结果堆叠后，得到第二空间数据并输出。
电子设备50可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。电子设备50可包括，但不仅限于，处理器51、存储器52。本领域技术人员可以理解，图5仅仅是电子设备50的示例，并不构成对电子设备50的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如电子设备50还可以包括输入输出设备、网络接入设备、总线等。
所称处理器51可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器52可以是电子设备50的内部存储单元，例如电子设备50的硬盘或内存。存储器52也可以是电子设备50的外部存储设备，例如电子设备50上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器52还可以既包括电子设备50的内部存储单元也包括外部存储设备。存储器52用于存储计算机程序以及电子设备50所需的其他程序和数据。存储器52还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种空间数据插值方法，其特征在于，包括：
获取第一空间数据；
将所述第一空间数据输入至预训练的空间数据插值模型中进行插值处理，输出第二空间数据；
其中，所述第二空间数据的分辨率高于所述第一空间数据的分辨率，所述空间数据插值模型对所述第一空间数据分别进行深度神经网络超分辨插值处理、反距离权重插值处理和克里金插值处理，并将深度神经网络超分辨插值处理的结果与反距离权重插值处理的结果相加，再与克里金插值处理的结果堆叠后，得到所述第二空间数据并输出。
2.如权利要求1所述的空间数据插值方法，其特征在于，对所述第一空间数据进行深度神经网络超分辨插值处理，包括：
对所述第一空间数据进行卷积操作，得到第一处理数据；
将所述第一处理数据输入至残差结构中进行处理，并对残差结构处理后的所述第一处理数据进行卷积操作，得到第二处理数据；
将所述第一处理数据和所述第二处理数据相加，得到第三处理数据；
对所述第三处理数据进行上采样，得到深度神经网络超分辨插值处理结果。
3.如权利要求2所述的空间数据插值方法，其特征在于，所述残差结构由多个依次连接的残差块构成；
每个残差块均对输入的第一处理数据进行如下处理：
对输入的第一处理数据依次进行卷积操作、激活函数处理和卷积操作，并将结果与输入该残差块前的第一处理数据相加后输出。
4.如权利要求3所述的空间数据插值方法，其特征在于，对数据进行卷积操作的各个卷积层均为64通道、步长为1、卷积核为3*3的卷积层。
5.如权利要求2所述的空间数据插值方法，其特征在于，对所述第一空间数据进行深度神经网络超分辨插值处理，还包括：
在对所述第一空间数据进行卷积操作之前，对所述第一空间数据进行预处理，去除所述第一空间数据中的噪声干扰。
6.如权利要求1所述的空间数据插值方法，其特征在于，所述反距离权重插值处理和所述克里金插值处理均为四倍插值。
7.如权利要求1-6任一项所述的空间数据插值方法，其特征在于，所述空间数据插值模型的训练过程包括：
获取多个第三空间数据作为验证数据集；
对各个第三空间数据进行降采样，得到训练数据集；
基于所述训练数据集和所述验证数据集，训练所述空间数据插值模型的模型参数，得到训练的空间数据插值模型。
8.一种空间数据插值装置，其特征在于，包括：
获取模块，用于获取第一空间数据；
插值模块，用于将所述第一空间数据输入至预训练的空间数据插值模型中进行插值处理，输出第二空间数据；其中，所述第二空间数据的分辨率高于所述第一空间数据的分辨率，所述空间数据插值模型对所述第一空间数据分别进行深度神经网络超分辨插值处理、反距离权重插值处理和克里金插值处理，并将深度神经网络超分辨插值处理的结果与反距离权重插值处理的结果相加，再与克里金插值处理的结果堆叠后，得到所述第二空间数据并输出。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111604032.9A CN114418843A (zh) | 2021-12-24 | 2021-12-24 | 空间数据插值方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111604032.9A CN114418843A (zh) | 2021-12-24 | 2021-12-24 | 空间数据插值方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114418843A true CN114418843A (zh) | 2022-04-29 |
Family
ID=81269111
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111604032.9A Pending CN114418843A (zh) | 2021-12-24 | 2021-12-24 | 空间数据插值方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114418843A (zh) |
-
2021
- 2021-12-24 CN CN202111604032.9A patent/CN114418843A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113674403B (zh) | 一种三维点云上采样方法、系统、设备及介质 | |
| CN110263909A (zh) | 图像识别方法及装置 | |
| CN109858613B (zh) | 一种深度神经网络的压缩方法、系统及终端设备 | |
| CN111368710A (zh) | 一种联合深度学习的地震数据随机噪声压制方法 | |
| CN111414953A (zh) | 点云分类方法和装置 | |
| CN113538281B (zh) | 图像去噪方法、装置、计算机设备和存储介质 | |
| CN112435193A (zh) | 一种点云数据去噪的方法、装置、存储介质和电子设备 | |
| CN110838085B (zh) | 一种图像的超分辨率重建方法、装置及电子设备 | |
| CN111680642A (zh) | 一种地形分类方法及装置 | |
| CN114491399A (zh) | 数据处理方法、装置、终端设备及计算机可读存储介质 | |
| CN114926342A (zh) | 图像超分辨率重建模型构建方法、装置、设备及存储介质 | |
| CN110910326B (zh) | 图像处理方法及装置、处理器、电子设备及存储介质 | |
| CN115512258A (zh) | 一种视频图像的脱敏方法、装置、终端设备和存储介质 | |
| Young et al. | Gaussian lifting for fast bilateral and nonlocal means filtering | |
| CN114742911A (zh) | 图像压缩感知重建方法、系统、设备及介质 | |
| Xi et al. | Super resolution reconstruction algorithm of video image based on deep self encoding learning | |
| CN115115724A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
| CN114429151A (zh) | 一种基于深度残差网络的大地电磁信号识别与重建方法及其系统 | |
| CN111178513B (zh) | 神经网络的卷积实现方法、卷积实现装置及终端设备 | |
| CN101889295A (zh) | 生成多尺度对比度增强的图像的方法 | |
| CN116310452B (zh) | 一种多视图聚类方法及系统 | |
| CN114418843A (zh) | 空间数据插值方法、装置及电子设备 | |
| CN112785498B (zh) | 一种基于深度学习的病理图像超分建模方法 | |
| CN115689947A (zh) | 一种图像锐化的方法、系统、电子装置和存储介质 | |
| CN112183559B (zh) | 图像识别模型训练方法、图像识别方法及装置 |
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 |