CN116128727A - 极化雷达图像超分辨方法、系统、设备及介质 - Google Patents
极化雷达图像超分辨方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116128727A CN116128727A CN202310051376.4A CN202310051376A CN116128727A CN 116128727 A CN116128727 A CN 116128727A CN 202310051376 A CN202310051376 A CN 202310051376A CN 116128727 A CN116128727 A CN 116128727A
- Authority
- CN
- China
- Prior art keywords
- resolution
- radar image
- polarized radar
- low
- super
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 175
- 238000013528 artificial neural network Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 54
- 230000008569 process Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000009825 accumulation Methods 0.000 description 7
- 230000001427 coherent effect Effects 0.000 description 7
- 230000010287 polarization Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06N3/08—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
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本申请涉及一种极化雷达图像超分辨方法、系统、设备及介质,通过获取多尺度极化雷达图像训练数据集;基于隐式神经网络构建极化雷达图像超分辨的预训练模型;通过多尺度极化雷达图像训练数据集及预先构建的预训练损失函数对所述预训练模型进行半监督训练,得到训练好的极化雷达图像超分辨模型;通过训练好的极化雷达图像超分辨模型对低分辨率极化雷达图像进行超分辨率重构,计算简便,资源占用率低,实现简便,重构结果具有更高的峰值信噪比,能够为后续雷达目标的检测与识别提供重要技术支撑。
Description
技术领域
本申请涉及雷达成像遥感技术领域,特别是涉及一种极化雷达图像超分辨方法、系统、设备及介质。
背景技术
极化雷达能够获取目标的多极化散射信息,有利于目标散射机理的解译和特性参数的反演,在舰船检测、地物分类以及空间监视等领域中发挥着重要作用。作为一类典型的成像雷达,逆合成孔径雷达(Inverse Synthetic Aperture Radar,ISAR)能够通过发射大带宽信号对空间目标进行观测和监视,对维护空间安全起着重要作用。
高分辨率雷达图像能够包含更多的目标细节信息,有利于目标检测和分类。然而,生成高分辨率(High Resolution, HR)雷达图像通常需要较大的带宽和相干积累角度,并受限于雷达系统物理参数。因此,极化雷达图像的超分辨率重建研究具有重要意义。目前,监督学习方法在计算机视觉中的超分辨率领域经常被使用,通过构造低分辨率(LowResolution, LR)和高分辨率图像数据对,使网络模型能够学习LR图像数据到HR图像数据的映射关系。然而其忽略了对LR图像数据的有效利用,较少考虑LR图像数据中的低频信息。此外,为了获得不同超分辨率倍数的重建结果,通常需要训练多个网络模型,耗费时间与硬件资源。
发明内容
基于此,有必要针对上述技术问题,提供一种计算简便、资源占用率低,利用低分辨率图像数据中低频信息,实现低分辨极化雷达图像的多倍数超分辨率重构的极化雷达图像超分辨方法及系统。
一种极化雷达图像超分辨方法,所述方法包括:
获取多尺度极化雷达图像训练数据集;其中,所述多尺度极化雷达图像训练数据集包括高分辨率极化雷达图像与多尺度低分辨率极化雷达图像;
基于隐式神经网络构建极化雷达图像超分辨的预训练模型;
通过所述多尺度极化雷达图像训练数据集及预先构建的预训练损失函数对所述预训练模型进行半监督训练,得到训练好的极化雷达图像超分辨模型;其中,预训练模型对输入的多尺度低分辨率极化雷达图像进行深层特征提取,得到低分辨率数据深层特征;通过设置超分辨重建倍数,将低分辨数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征;并对所述坐标调制的深层特征进行重映射,得到高分辨率极化雷达重构图像,同时通过自监督损失函数对重构过程的权值更新进行约束和引导;基于所述高分辨率极化雷达图像、所述多尺度低分辨率极化雷达图像及所述预训练损失函数对所述预训练模型进行训练,得到训练好的极化雷达图像超分辨模型;
通过所述训练好的极化雷达图像超分辨模型对低分辨率极化雷达图像进行超分辨率重构。
其中一个实施例中,所述预训练模型包括:编码器模块、坐标调制模块、解码器模块及自监督模块;
通过所述编码器模块对所述多尺度低分辨率极化雷达图像进行深层特征提取,得到低分辨率数据深层特征;
通过设置超分辨重建倍数,所述坐标调制模块对所述低分辨率数据深层特征进行坐标调制,得到低分辨率数据深层特征,将所述低分辨率数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征;
解码器模块对所述坐标调制的深层特征进行重映射,得到高分辨率极化雷达重构图像;
自监督模块基于所述多尺度低分辨率极化雷达图像进行自监督训练,构建自监督损失函数;通过所述自监督损失函数对所述编码器模块、所述坐标调制模块及所述解码器模块的权值更新进行约束和引导。
其中一个实施例中,所述编码器模块包括若干密集残差连接单元;
通过所述若干密集残差连接单元对低分辨率极化雷达图像进行特征提取,得到若干图像特征;
将所述若干图像特征进行拼接得到特征拼接结果,将所述拼接结果卷积运算后进行特征相加,得到该低分辨率极化雷达图像数据的深层特征。
其中一个实施例中,通过设置超分辨重建倍数,所述坐标调制模块对所述低分辨率数据深层特征进行坐标调制,得到低分辨率数据深层特征,将所述低分辨率数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征,包括:
根据所述多尺度低分辨率极化雷达图像的像素大小生成低分辨率图像插值网格;
通过设置超分辨率重建倍数,基于所述低分辨率图像插值网格生成对应高分辨率图像插值网格;
根据所述低分辨率图像插值网格与所述高分辨率图像插值网格中的坐标进行计算得到坐标差值向量及低分辨率数据深层特征;
将所述低分辨率数据深层特征与所述坐标差值向量进行融合,得到坐标调制的深层特征。
其中一个实施例中,所述解码器模块包括若干个全连接层和若干个激活层;
通过所述若干个全连接层和若干个激活层对所述坐标调制的深层特征进行重映射,得到超分辨率重建结果。
其中一个实施例中,所述自监督损失函数表示为:
其中一个实施例中,所述预训练损失函数表示为:
一种极化雷达图像超分辨系统,所述系统包括:
数据获取模块,用于获取多尺度极化雷达图像训练数据集;其中,所述多尺度极化雷达图像训练数据集包括高分辨率极化雷达图像与多尺度低分辨率极化雷达图像;
模型构建模块,基于隐式神经网络构建极化雷达图像超分辨的预训练模型;
预训练模块,用于通过所述多尺度极化雷达图像训练数据集及预先构建的预训练损失函数对所述预训练模型进行半监督训练,得到训练好的极化雷达图像超分辨模型;其中,预训练模型对输入的多尺度低分辨率极化雷达图像进行深层特征提取,得到低分辨率数据深层特征;通过设置超分辨重建倍数,将低分辨数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征;并对所述坐标调制的深层特征进行重映射,得到高分辨率极化雷达重构图像,同时通过自监督损失函数对重构过程的权值更新进行约束和引导;基于所述高分辨率极化雷达图像、所述多尺度低分辨率极化雷达图像及所述预训练损失函数对所述预训练模型进行训练,得到训练好的极化雷达图像超分辨模型;
超分辨处理模块,用于通过所述训练好的极化雷达图像超分辨模型对低分辨率极化雷达图像进行超分辨率重构。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
步骤102,用于获取多尺度极化雷达图像训练数据集;其中,所述多尺度极化雷达图像训练数据集包括高分辨率极化雷达图像与多尺度低分辨率极化雷达图像;
步骤104,基于隐式神经网络构建极化雷达图像超分辨的预训练模型;
步骤106,用于通过所述多尺度极化雷达图像训练数据集及预先构建的预训练损失函数对所述预训练模型进行半监督训练,得到训练好的极化雷达图像超分辨模型;其中,预训练模型对输入的多尺度低分辨率极化雷达图像进行深层特征提取,得到低分辨率数据深层特征;通过设置超分辨重建倍数,将低分辨数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征;并对所述坐标调制的深层特征进行重映射,得到高分辨率极化雷达重构图像,同时通过自监督损失函数对重构过程的权值更新进行约束和引导;基于所述高分辨率极化雷达图像、所述多尺度低分辨率极化雷达图像及所述预训练损失函数对所述预训练模型进行训练,得到训练好的极化雷达图像超分辨模型;
步骤108,用于通过所述训练好的极化雷达图像超分辨模型对低分辨率极化雷达图像进行超分辨率重构。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
步骤102,用于获取多尺度极化雷达图像训练数据集;其中,所述多尺度极化雷达图像训练数据集包括高分辨率极化雷达图像与多尺度低分辨率极化雷达图像;
步骤104,基于隐式神经网络构建极化雷达图像超分辨的预训练模型;
步骤106,用于通过所述多尺度极化雷达图像训练数据集及预先构建的预训练损失函数对所述预训练模型进行半监督训练,得到训练好的极化雷达图像超分辨模型;其中,预训练模型对输入的多尺度低分辨率极化雷达图像进行深层特征提取,得到低分辨率数据深层特征;通过设置超分辨重建倍数,将低分辨数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征;并对所述坐标调制的深层特征进行重映射,得到高分辨率极化雷达重构图像,同时通过自监督损失函数对重构过程的权值更新进行约束和引导;基于所述高分辨率极化雷达图像、所述多尺度低分辨率极化雷达图像及所述预训练损失函数对所述预训练模型进行训练,得到训练好的极化雷达图像超分辨模型;
步骤108,用于通过所述训练好的极化雷达图像超分辨模型对低分辨率极化雷达图像进行超分辨率重构。
上述极化雷达图像超分辨方法、系统、设备及介质,通过获取多尺度极化雷达图像训练数据集;其中,多尺度极化雷达图像训练数据集包括高分辨率极化雷达图像与多尺度低分辨率极化雷达图像;基于隐式神经网络构建极化雷达图像超分辨的预训练模型,其整体结构更为简单;通过多尺度极化雷达图像训练数据集及预先构建的预训练损失函数对预训练模型进行半监督训练,得到训练好的极化雷达图像超分辨模型;其中,预训练模型对输入的多尺度低分辨率极化雷达图像进行深层特征提取,得到低分辨率数据深层特征;通过设置超分辨重建倍数,将低分辨数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征;并对坐标调制的深层特征进行重映射,得到高分辨率极化雷达重构图像,实现了低分辨极化雷达图像的多倍数超分辨率重构;同时通过自监督损失函数对重构过程的权值更新进行约束和引导,引导预训练模型学习低分辨率图像中的低频信息,使得预训练模型的训练过程包含监督和自监督过程,实现了半监督训练学习;基于高分辨率极化雷达图像、多尺度低分辨率极化雷达图像及预训练损失函数对所述预训练模型进行训练,得到训练好的极化雷达图像超分辨模型;通过训练好的极化雷达图像超分辨模型对低分辨率极化雷达图像进行超分辨率重构,计算简便,资源占用率低,且重构结果具有更高的峰值信噪比,能够为后续雷达目标的检测与识别提供重要技术支撑。
附图说明
图1为一个实施例中极化雷达图像超分辨方法的流程示意图;
图2为一个实施例中极化雷达图像超分辨预训练模型框架图;
图3为一个实施例中编码器模块结构示意图;
图4为一个实施例中密集残差连接单元结构示意图;
图5为一个实施例中坐标调制模块的插值网格示意图;
图6为一个实施例中解码器模块结构示意图;
图7为一个实施例中典型视角下的低分辨率与高分辨率图像,其中,(a)为低分辨率图像,(b)为高分辨率图像;
图8为一个实施例中超分辨结果对比图,其中,(a)为采用FFT频域插值法结果图,(b)为采用本发明提供的极化雷达图像超分辨模型结果图;
图9为一个实施例中基于隐式神经网络的极化雷达图像超分系统的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种极化雷达图像超分辨方法,包括以下步骤:
步骤102,获取多尺度极化雷达图像训练数据集;其中,多尺度极化雷达图像训练数据集包括高分辨率极化雷达图像与多尺度低分辨率极化雷达图像。
具体地,获取设定带宽为GHZ、相干积累角度在范围内的极化雷达回波数据,并对带宽为GHZ、相干积累角度为的极化雷达回波数据进行成像得到高分辨率极化雷达图像集合;设置尺度参数,选取其中带宽为GHZ、相干积累角度为的极化雷达回波数据进行成像得到低分辨率极化雷达图像数据,通过设置不同的尺度参数,即可得到多尺度低分辨率极化雷达图像集合;其中,尺度参数的数目记为,高分辨率极化雷达图像集合与多尺度低分辨率极化雷达图像集合均为复数数据。
通过构建多尺度极化雷达图像训练数据,一方面能够从雷达回波成像出发充分利用获取的雷达数据,增加网络训练所用的样本数量,克服极化雷达图像深度学习方法中的小样本问题。另一方面,不同尺度的极化雷达图像包含的细节和纹理信息存在不同,同时也存在规律性,有利于高分辨极化雷达数据重建。
步骤104,基于隐式神经网络构建极化雷达图像超分辨的预训练模型。
值得说明的是,隐式神经网络是将图像参数化为连续函数,并通过神经网络去拟合该连续函数。本发明基于隐式神经网络的思想,将图像参数化为坐标值与深度特征的连续表示,通过坐标调制融合坐标值与深度特征,并利用解码器拟合该连续函数。相比于现有的深度学习方法,隐式网络的结构更为简单,且无需多层的上采样操作,具有良好的可扩展性和泛化能力。由于像素坐标是连续的,本发明基于隐式神经网络所构建的模型只需进行一次深度神经网络训练就能够实现多倍数极化雷达数据超分辨率重构,减少了时间与硬件资源的消耗。
步骤106,通过多尺度极化雷达图像训练数据集及预先构建的预训练损失函数对预训练模型进行半监督训练,得到训练好的极化雷达图像超分辨模型;其中,预训练模型对输入的多尺度低分辨率极化雷达图像进行深层特征提取,得到低分辨率数据深层特征;通过设置超分辨重建倍数,将低分辨数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征;并对坐标调制的深层特征进行重映射,得到高分辨率极化雷达重构图像,同时通过自监督损失函数对重构过程的权值更新进行约束和引导;基于高分辨率极化雷达图像、多尺度低分辨率极化雷达图像及预训练损失函数对预训练模型进行训练,得到训练好的极化雷达图像超分辨模型。
具体地,如图2所示,基于隐式神经网络构建的预训练模型包括编码器模块、坐标调制模块、解码器模块及自监督模块。进行预训练时,首先通过编码器模块对多尺度低分辨率极化雷达图像进行深层特征提取,得到低分辨率数据深层特征;然后通过设置超分辨重建倍数,坐标调制模块对低分辨率数据深层特征进行坐标调制,得到低分辨率数据深层特征,将低分辨率数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征;最后解码器模块对坐标调制的深层特征进行重映射,得到高分辨率极化雷达重构图像;自监督模块基于多尺度低分辨率极化雷达图像进行自监督训练,构建自监督损失函数;通过自监督损失函数对编码器模块、坐标调制模块及解码器模块的权值更新进行约束和引导。
其中,编码器模块如图3所示,由卷积层、若干密集残差连接单元组成,输入的多尺度低分辨率极化雷达图像采用密集残差连接单元进行特征提取。密集残差连接单元每一层的输入来自前面所有层的输出,通过若干密集残差连接单元进行特征提取后得到若干图像特征;将若干图像特征进行拼接得到特征拼接结果,将拼接结果卷积运算后进行特征相加,得到该低分辨率极化雷达图像数据的深层特征。由于单元数目较多,图中采用虚线表示中间的若干个单元。
其中,每个密集残差连接单元中包含若干卷积层+激活层结构,结构示意如图4所示。密集残差连接单元的个数及卷积层+激活层的结构层数可以根据实际情况进行调整确定,图中采用虚线表示中间的若干个单元,本实施例中设定密集残差连接单元优选16个,卷积层+激活层结构优选8个。值得说明的是,密集残差网络单元由于其网络更窄,参数更少,每个卷积层输出的特征图数量都很小,既能减少计算量,又能融合各个通道的特征。同时,这种连接和传递方式使得特征和梯度的传递也更加有效,可以减轻梯度消失现象,对于过拟合有一定的抑制作用,网络也更加容易训练,同时使得网络前部分提取得到浅层特征能够有效传递和利用。
以极化散射矩阵来表征极化雷达数据为例,输入多尺度低分辨率极化雷达图像。其中,表示数据的定义域为复数域,、、分别表示数据的通道数目、纵向像素数目与横向像素数目。通道数目的取值为6,其中各个通道中的数据分别为。然后,利用编码器提取深层特征:
坐标调制模块根据多尺度低分辨率极化雷达图像的像素大小和生成低分辨率图像插值网格,低分辨率图像插值网格中的网格点代表低分辨率图像中的像素位置,低分辨率图像插值网格横纵向的网格点数分别为和。根据设置的超分辨率重建倍数,在低分辨率图像插值网格中插入和个点,得到高分辨率图像插值网格。根据低分辨率图像插值网格和高分辨率图像插值网格进行计算,得到高分辨率图像插值网格中每个网格点与低分辨率图像插值网格中距离其最近的点之间在横纵向的坐标差值向量,将低分辨率图像插值网格中该最近点的深层特征记为高分辨率图像插值网格中网格点的深层特征,最后,将高分辨率图像插值网格中每个深层特征与坐标差值向量相乘进行融合,得到坐标调制的深层特征。其插值网格示意如图5所示,其中圆圈代表低分辨率图像插值网格,正方形代表高分辨率图像插值网格。值得说明的是,通过坐标调制,能够使得后续的解码器模块根据设定的超分辨率重建倍数重构出不同尺度的高分辨率极化雷达图像结果。
本发明提供的解码器模块,其中的全连接层与激活层根据实际情况进行调整确定,由于单元数目较多,图中采用虚线表示中间的若干个单元。本实施例中设定的全连接层优选4层,激活层优选3层。
编码器模块、坐标调制模块及解码器模块构成了极化雷达图像超分辨预训练模型的主干网络部分,本实施例自监督模块中设置超分辨率重建倍数,基于多尺度低分辨率极化雷达,使用主干网络部分得到自监督输出,其中第个通道的自监督输出表示为:
在构建得到的多尺度低分辨率极化雷达图像的基础上,每次训练过程中,随机输入尺度参数对应的低分辨率极化雷达图像数据,并利用预先构建的预训练损失函数更新网络权值参数,直到所有个尺度的样本都用于训练之后,结束该轮次的训练。重复多个轮次的训练,直到网络收敛。其中,预训练损失函数为:
本实施例采用编码器模块从低分辨率极化雷达图像中获得深层特征,通过坐标调制模块将深层特征与像素位置坐标进行融合后,利用解码器拟合融合结果得到高分辨率极化雷达重构图像,通过高分辨率极化雷达重构图像与高分辨率极化雷达图像的映射关系,能够实现低分辨极化雷达图像的多倍数超分辨率重建,进行了监督训练。同时通过构建的自监督模块,引导预训练模型学习低分辨率极化雷达图像中的低频信息,使得预训练模型同时包含监督和无监督训练,实现半监督学习,其重构结果具有更高的峰值信噪比。
步骤108,通过训练好的极化雷达图像超分辨模型对低分辨率极化雷达图像进行超分辨率重构。
值得说明的是,本发明中的编码器模块可以使用能够提取深度特征的深度神经网络模型,解码器模块可以使用能够将多维深度特征映射为指定通道维度数目的深度神经网络模型。本实施例的输入数据除了可以输入极化散射矩阵中的元素,亦可输入极化相干矩阵和极化协方差矩阵中的元素,以及由极化散射矩阵导出的其他统计量中的元素。此外,本发明方法亦可推广至极化干涉SAR图像、双极化SAR图像以及全极化SAR图像等其它的极化雷达图像相关领域。
上述极化雷达图像超分辨方法、系统、设备及介质,通过获取多尺度极化雷达图像训练数据集;其中,多尺度极化雷达图像训练数据集包括高分辨率极化雷达图像与多尺度低分辨率极化雷达图像;基于隐式神经网络构建极化雷达图像超分辨的预训练模型,其整体结构更为简单;通过多尺度极化雷达图像训练数据集及预先构建的预训练损失函数对预训练模型进行半监督训练,得到训练好的极化雷达图像超分辨模型;其中,预训练模型对输入的多尺度低分辨率极化雷达图像进行深层特征提取,得到低分辨率数据深层特征;通过设置超分辨重建倍数,将低分辨数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征;并对坐标调制的深层特征进行重映射,得到高分辨率极化雷达重构图像,实现了低分辨极化雷达图像的多倍数超分辨率重构;同时通过自监督损失函数对重构过程的权值更新进行约束和引导,引导预训练模型学习低分辨率图像中的低频信息,使得预训练模型的训练过程包含监督和自监督过程,实现了半监督训练学习;基于高分辨率极化雷达图像、多尺度低分辨率极化雷达图像及预训练损失函数对所述预训练模型进行训练,得到训练好的极化雷达图像超分辨模型;通过所述训练好的极化雷达图像超分辨模型对低分辨率极化雷达图像进行超分辨率重构,计算简便,资源占用率低,且重构结果具有更高的峰值信噪比,能够为后续雷达目标的检测与识别提供重要技术支撑。
在其中一个实施例中,为了更好地理解本发明的技术方案,结合图7和图8对本发明作进一步描述。
获取带宽为4GHz、相干积累角度在范围内的卫星目标极化ISAR数据。对该带宽为4GHz、相干积累角度为的数据成像得到高分辨率极化雷达图像,设置尺度参数,,即选取其中的2GHz、相干积累角度为的数据成像得到低分辨率极化雷达图像数据,其中,典型视角下的LR图像与HR图像如图7所示。
使用训练好的网络模型对同俯仰角、不同方位角的低分辨率极化雷达图像进行两倍超分辨率处理,并与FFT频域插值的方法进行对比。其中,典型视角下的结果如图8所示。可以观察到本发明提出的方法更加接近HR图像,散射点周围的伪影更少。采用峰值信噪比(Peak Signal-To-Noise Ratio, PSNR)指标对超分辨率重建结果极化散射矩阵中三个元素的模值、以及进行定量化评估,结果如表格1所示。可以看到本发明方法优于对比方法,PSNR指标平均提升3.52dB。
表格1 不同方法平均PSNR(dB)结果对比图
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图9所示,提供了一种极化雷达图像超分辨系统,包括:数据获取模块、模型构建模块、预训练模块和超分辨处理模块,其中:
数据获取模块,用于获取多尺度极化雷达图像训练数据集;其中,多尺度极化雷达图像训练数据集包括高分辨率极化雷达图像与多尺度低分辨率极化雷达图像。
模型构建模块,基于隐式神经网络构建极化雷达图像超分辨的预训练模型。
预训练模块,用于通过多尺度极化雷达图像训练数据集及预先构建的预训练损失函数对预训练模型进行半监督训练,得到训练好的极化雷达图像超分辨模型;其中,预训练模型对输入的多尺度低分辨率极化雷达图像进行深层特征提取,得到低分辨率数据深层特征;通过设置超分辨重建倍数,将低分辨数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征;并对坐标调制的深层特征进行重映射,得到高分辨率极化雷达重构图像,同时通过自监督损失函数对重构过程的权值更新进行约束和引导;基于高分辨率极化雷达图像、多尺度低分辨率极化雷达图像及预训练损失函数对预训练模型进行训练,得到训练好的极化雷达图像超分辨模型。
超分辨处理模块,用于通过训练好的极化雷达图像超分辨模型对低分辨率极化雷达图像进行超分辨率重构。
关于极化雷达图像超分辨系统的具体限定可以参见上文中对于极化雷达图像超分辨方法的限定,在此不再赘述。上述极化雷达图像超分辨系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储极化雷达图像超分辨方法的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种极化雷达图像超分辨方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
一个实施例中,提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
步骤102,用于获取多尺度极化雷达图像训练数据集;其中,多尺度极化雷达图像训练数据集包括高分辨率极化雷达图像与多尺度低分辨率极化雷达图像。
步骤104,基于隐式神经网络构建极化雷达图像超分辨的预训练模型。
步骤106,用于通过多尺度极化雷达图像训练数据集及预先构建的预训练损失函数对预训练模型进行半监督训练,得到训练好的极化雷达图像超分辨模型;其中,预训练模型对输入的多尺度低分辨率极化雷达图像进行深层特征提取,得到低分辨率数据深层特征;通过设置超分辨重建倍数,将低分辨数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征;并对坐标调制的深层特征进行重映射,得到高分辨率极化雷达重构图像,同时通过自监督损失函数对重构过程的权值更新进行约束和引导;基于高分辨率极化雷达图像、多尺度低分辨率极化雷达图像及预训练损失函数对预训练模型进行训练,得到训练好的极化雷达图像超分辨模型。
步骤108,用于通过训练好的极化雷达图像超分辨模型对低分辨率极化雷达图像进行超分辨率重构。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤102,用于获取多尺度极化雷达图像训练数据集;其中,多尺度极化雷达图像训练数据集包括高分辨率极化雷达图像与多尺度低分辨率极化雷达图像。
步骤104,基于隐式神经网络构建极化雷达图像超分辨的预训练模型。
步骤106,用于通过多尺度极化雷达图像训练数据集及预先构建的预训练损失函数对预训练模型进行半监督训练,得到训练好的极化雷达图像超分辨模型;其中,预训练模型对输入的多尺度低分辨率极化雷达图像进行深层特征提取,得到低分辨率数据深层特征;通过设置超分辨重建倍数,将低分辨数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征;并对坐标调制的深层特征进行重映射,得到高分辨率极化雷达重构图像,同时通过自监督损失函数对重构过程的权值更新进行约束和引导;基于高分辨率极化雷达图像、多尺度低分辨率极化雷达图像及预训练损失函数对预训练模型进行训练,得到训练好的极化雷达图像超分辨模型。
步骤108,用于通过训练好的极化雷达图像超分辨模型对低分辨率极化雷达图像进行超分辨率重构。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink) DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种极化雷达图像超分辨方法,其特征在于,所述方法包括:
获取多尺度极化雷达图像训练数据集;其中,所述多尺度极化雷达图像训练数据集包括高分辨率极化雷达图像与多尺度低分辨率极化雷达图像;
基于隐式神经网络构建极化雷达图像超分辨的预训练模型;
通过所述多尺度极化雷达图像训练数据集及预先构建的预训练损失函数对所述预训练模型进行半监督训练,得到训练好的极化雷达图像超分辨模型;其中,预训练模型对输入的多尺度低分辨率极化雷达图像进行深层特征提取,得到低分辨率数据深层特征;通过设置超分辨重建倍数,将低分辨数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征;并对所述坐标调制的深层特征进行重映射,得到高分辨率极化雷达重构图像,同时通过自监督损失函数对重构过程的权值更新进行约束和引导;基于所述高分辨率极化雷达图像、所述多尺度低分辨率极化雷达图像及所述预训练损失函数对所述预训练模型进行训练,得到训练好的极化雷达图像超分辨模型;
通过所述训练好的极化雷达图像超分辨模型对低分辨率极化雷达图像进行超分辨率重构。
2.根据权利要求1所述的极化雷达图像超分辨方法,其特征在于,所述预训练模型包括:编码器模块、坐标调制模块、解码器模块及自监督模块;
通过所述编码器模块对所述多尺度低分辨率极化雷达图像进行深层特征提取,得到低分辨率数据深层特征;
通过设置超分辨重建倍数,所述坐标调制模块对所述低分辨率数据深层特征进行坐标调制,得到低分辨率数据深层特征,将所述低分辨率数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征;
解码器模块对所述坐标调制的深层特征进行重映射,得到高分辨率极化雷达重构图像;
自监督模块基于所述多尺度低分辨率极化雷达图像进行自监督训练,构建自监督损失函数;通过所述自监督损失函数对所述编码器模块、所述坐标调制模块及所述解码器模块的权值更新进行约束和引导。
3.根据权利要求2所述的极化雷达图像超分辨方法,其特征在于,所述编码器模块包括若干密集残差连接单元;
通过所述若干密集残差连接单元对低分辨率极化雷达图像进行特征提取,得到若干图像特征;
将所述若干图像特征进行拼接得到特征拼接结果,将所述拼接结果卷积运算后进行特征相加,得到该低分辨率极化雷达图像数据的深层特征。
4.根据权利要求2所述的极化雷达图像超分辨方法,其特征在于,通过设置超分辨重建倍数,所述坐标调制模块对所述低分辨率数据深层特征进行坐标调制,得到低分辨率数据深层特征,将所述低分辨率数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征,包括:
根据所述多尺度低分辨率极化雷达图像的像素大小生成低分辨率图像插值网格;
通过设置超分辨率重建倍数,基于所述低分辨率图像插值网格生成对应高分辨率图像插值网格;
根据所述低分辨率图像插值网格与所述高分辨率图像插值网格中的坐标进行计算得到坐标差值向量及低分辨率数据深层特征;
将所述低分辨率数据深层特征与所述坐标差值向量进行融合,得到坐标调制的深层特征。
5.根据权利要求2所述的极化雷达图像超分辨方法,其特征在于,所述解码器模块包括若干个全连接层和若干个激活层;
通过所述若干个全连接层和若干个激活层对所述坐标调制的深层特征进行重映射,得到超分辨率重建结果。
8.一种极化雷达图像超分辨系统,其特征在于,所述系统包括:
数据获取模块,用于获取多尺度极化雷达图像训练数据集;其中,所述多尺度极化雷达图像训练数据集包括高分辨率极化雷达图像与多尺度低分辨率极化雷达图像;
模型构建模块,基于隐式神经网络构建极化雷达图像超分辨的预训练模型;
预训练模块,用于通过所述多尺度极化雷达图像训练数据集及预先构建的预训练损失函数对所述预训练模型进行半监督训练,得到训练好的极化雷达图像超分辨模型;其中,预训练模型对输入的多尺度低分辨率极化雷达图像进行深层特征提取,得到低分辨率数据深层特征;通过设置超分辨重建倍数,将低分辨数据深层特征与像素位置坐标进行融合,得到坐标调制的深层特征;并对所述坐标调制的深层特征进行重映射,得到高分辨率极化雷达重构图像,同时通过自监督损失函数对重构过程的权值更新进行约束和引导;基于所述高分辨率极化雷达图像、所述多尺度低分辨率极化雷达图像及所述预训练损失函数对所述预训练模型进行训练,得到训练好的极化雷达图像超分辨模型;
超分辨处理模块,用于通过所述训练好的极化雷达图像超分辨模型对低分辨率极化雷达图像进行超分辨率重构。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310051376.4A CN116128727B (zh) | 2023-02-02 | 2023-02-02 | 极化雷达图像超分辨方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310051376.4A CN116128727B (zh) | 2023-02-02 | 2023-02-02 | 极化雷达图像超分辨方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116128727A true CN116128727A (zh) | 2023-05-16 |
CN116128727B CN116128727B (zh) | 2023-06-20 |
Family
ID=86295196
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310051376.4A Active CN116128727B (zh) | 2023-02-02 | 2023-02-02 | 极化雷达图像超分辨方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128727B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107358575A (zh) * | 2017-06-08 | 2017-11-17 | 清华大学 | 一种基于深度残差网络的单幅图像超分辨率重建方法 |
US10701394B1 (en) * | 2016-11-10 | 2020-06-30 | Twitter, Inc. | Real-time video super-resolution with spatio-temporal networks and motion compensation |
CN112419155A (zh) * | 2020-11-26 | 2021-02-26 | 武汉大学 | 一种全极化合成孔径雷达影像超分辨率重建方法 |
CN113538246A (zh) * | 2021-08-10 | 2021-10-22 | 西安电子科技大学 | 基于无监督多阶段融合网络的遥感图像超分辨率重建方法 |
CN114022348A (zh) * | 2021-09-30 | 2022-02-08 | 浪潮(北京)电子信息产业有限公司 | 一种图像的超分辨率方法、系统及相关装置 |
CN114092330A (zh) * | 2021-11-19 | 2022-02-25 | 长春理工大学 | 一种轻量化多尺度的红外图像超分辨率重建方法 |
WO2022111368A1 (zh) * | 2020-11-26 | 2022-06-02 | 上海健康医学院 | 显微图像的深度学习超分辨率重建方法、介质及电子设备 |
CN114764746A (zh) * | 2021-09-22 | 2022-07-19 | 清华大学 | 激光雷达的超分辨率方法和装置、电子设备及存储介质 |
US20220230364A1 (en) * | 2021-01-19 | 2022-07-21 | Si Analytics Co., Ltd. | Method And Apparatus For Processing Radar Image |
CN114972041A (zh) * | 2022-07-28 | 2022-08-30 | 中国人民解放军国防科技大学 | 基于残差网络的极化雷达图像超分辨率重建方法和装置 |
WO2022241995A1 (zh) * | 2021-05-18 | 2022-11-24 | 广东奥普特科技股份有限公司 | 视觉图像增强的生成方法、系统、装置及存储介质 |
WO2022242029A1 (zh) * | 2021-05-18 | 2022-11-24 | 广东奥普特科技股份有限公司 | 视觉分辨率增强的生成方法、系统、装置及存储介质 |
CN115409713A (zh) * | 2022-09-29 | 2022-11-29 | 杭州电子科技大学 | 一种高效实时的单张图像超分变率重建系统及方法 |
CN115564649A (zh) * | 2022-09-27 | 2023-01-03 | 苏州大学 | 一种图像超分辨率重建方法、装置及设备 |
-
2023
- 2023-02-02 CN CN202310051376.4A patent/CN116128727B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10701394B1 (en) * | 2016-11-10 | 2020-06-30 | Twitter, Inc. | Real-time video super-resolution with spatio-temporal networks and motion compensation |
CN107358575A (zh) * | 2017-06-08 | 2017-11-17 | 清华大学 | 一种基于深度残差网络的单幅图像超分辨率重建方法 |
CN112419155A (zh) * | 2020-11-26 | 2021-02-26 | 武汉大学 | 一种全极化合成孔径雷达影像超分辨率重建方法 |
WO2022111368A1 (zh) * | 2020-11-26 | 2022-06-02 | 上海健康医学院 | 显微图像的深度学习超分辨率重建方法、介质及电子设备 |
US20220230364A1 (en) * | 2021-01-19 | 2022-07-21 | Si Analytics Co., Ltd. | Method And Apparatus For Processing Radar Image |
WO2022242029A1 (zh) * | 2021-05-18 | 2022-11-24 | 广东奥普特科技股份有限公司 | 视觉分辨率增强的生成方法、系统、装置及存储介质 |
WO2022241995A1 (zh) * | 2021-05-18 | 2022-11-24 | 广东奥普特科技股份有限公司 | 视觉图像增强的生成方法、系统、装置及存储介质 |
CN113538246A (zh) * | 2021-08-10 | 2021-10-22 | 西安电子科技大学 | 基于无监督多阶段融合网络的遥感图像超分辨率重建方法 |
CN114764746A (zh) * | 2021-09-22 | 2022-07-19 | 清华大学 | 激光雷达的超分辨率方法和装置、电子设备及存储介质 |
CN114022348A (zh) * | 2021-09-30 | 2022-02-08 | 浪潮(北京)电子信息产业有限公司 | 一种图像的超分辨率方法、系统及相关装置 |
CN114092330A (zh) * | 2021-11-19 | 2022-02-25 | 长春理工大学 | 一种轻量化多尺度的红外图像超分辨率重建方法 |
CN114972041A (zh) * | 2022-07-28 | 2022-08-30 | 中国人民解放军国防科技大学 | 基于残差网络的极化雷达图像超分辨率重建方法和装置 |
CN115564649A (zh) * | 2022-09-27 | 2023-01-03 | 苏州大学 | 一种图像超分辨率重建方法、装置及设备 |
CN115409713A (zh) * | 2022-09-29 | 2022-11-29 | 杭州电子科技大学 | 一种高效实时的单张图像超分变率重建系统及方法 |
Non-Patent Citations (7)
Title |
---|
JAEWON LEE 等: "Local Texture Estimator for Implicit Representation Function", 《COMPUTER SCIENCE》, pages 1929 - 1938 * |
MINGDIAN LI 等: "Polarimetric ISAR Super-Resolution Based on Group Residual Attention Network", 《IEEE》, pages 566 - 571 * |
李宁;牛世林;: "基于局部超分辨重建的高精度SAR图像水域分割方法", 雷达学报, no. 01, pages 174 - 184 * |
李现国;孙叶美;杨彦利;苗长云;: "基于中间层监督卷积神经网络的图像超分辨率重建", 中国图象图形学报, no. 07, pages 984 - 993 * |
柏宇阳;朱福珍;: "改进的残差卷积神经网络遥感图像超分辨重建", 黑龙江大学自然科学学报, no. 03, pages 372 - 378 * |
谢超;朱泓宇;: "基于深度卷积神经网络的图像超分辨率重建方法", 传感器与微系统, no. 09, pages 142 - 145 * |
连彦超: "基于多尺度深度融合网络和注意力机制的遥感影像分割", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 028 - 193 * |
Also Published As
Publication number | Publication date |
---|---|
CN116128727B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Ground target classification in noisy SAR images using convolutional neural networks | |
CN112132959B (zh) | 数字岩心图像处理方法、装置、计算机设备及存储介质 | |
CN105718957A (zh) | 非下采样轮廓波卷积神经网络的极化sar图像分类方法 | |
KR102188035B1 (ko) | 위성영상의 해상도 복원을 위한 학습 방법 및 장치 | |
CN112198506B (zh) | 一种超宽带穿墙雷达学习成像的方法、装置、系统和可读存储介质 | |
CN111784560A (zh) | 基于级联残差生成对抗网络的sar和光学图像双向翻译方法 | |
Iqbal et al. | SAR image despeckling by selective 3D filtering of multiple compressive reconstructed images | |
CN114972041B (zh) | 基于残差网络的极化雷达图像超分辨率重建方法和装置 | |
Wang et al. | Proposal-Copula-Based Fusion of Spaceborne and Airborne SAR Images for Ship Target Detection⁎⁎ | |
CN111582013A (zh) | 一种基于灰度共生矩阵特征船只检索方法及装置 | |
CN111681297B (zh) | 图像重建方法、计算机设备和存储介质 | |
CN116128727B (zh) | 极化雷达图像超分辨方法、系统、设备及介质 | |
KR102067629B1 (ko) | 저해상도 위성영상의 해상도 향상을 위한 학습 방법 및 장치 | |
CN113762203B (zh) | 基于仿真数据的跨域自适应sar图像分类方法、装置及设备 | |
CN106093944B (zh) | 一种适用于恒虚警率检测的稀疏微波成像方法 | |
CN114114246A (zh) | 穿墙雷达成像方法、系统、终端设备及可读存储介质 | |
CN112668530A (zh) | 水体提取方法、装置、电子设备及存储介质 | |
Wei et al. | Research on SAR image denoising method based on feature extraction | |
Chen et al. | A Self-supervised SAR Image Despeckling Strategy Based on Parameter-sharing Convolutional Neural Networks | |
CN118501879A (zh) | 压缩感知高分辨率sar成像方法、装置、设备、介质及产品 | |
CN112489192B (zh) | 用于温度成像的数据处理方法、装置以及设备 | |
CN118411289A (zh) | 一种基于生成对抗网络的sar图像超分辨率方法 | |
Bai et al. | APFlowNet: An inter-layer interpolation approach for soil CT images based on CNN and bidirectional optical flow | |
Vani et al. | Effective satellite image enhancement based on the discrete wavelet transform | |
Yang et al. | Capsule Endoscopy Image Deblurring Method Based on Multi-scale Recurrent Network |
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 |