CN117474763B - 基于神经网络的沿海低分辨率水深数据高分辨率化方法 - Google Patents
基于神经网络的沿海低分辨率水深数据高分辨率化方法 Download PDFInfo
- Publication number
- CN117474763B CN117474763B CN202311801659.2A CN202311801659A CN117474763B CN 117474763 B CN117474763 B CN 117474763B CN 202311801659 A CN202311801659 A CN 202311801659A CN 117474763 B CN117474763 B CN 117474763B
- Authority
- CN
- China
- Prior art keywords
- water depth
- resolution
- depth data
- low
- data
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 178
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000000694 effects Effects 0.000 claims abstract description 14
- 238000003062 neural network model Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 230000008439 repair process Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 abstract 2
- 230000008901 benefit Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013101 initial test Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
基于神经网络的沿海低分辨率水深数据高分辨率化方法，包括由高分辨率海图数据制作高分辨率水深数据图像，制作与高分辨率水深数据图像同一位置的低分辨率水深数据图像，建立水深值与颜色对应关系，同一位置下的高分辨率和低分辨率水深数据图像，导入预训练模型，进行模型训练，若不收敛则对模型参数调整，直至收敛，使用非训练区域水深数据进行模型效果评估，效果不佳则对训练区域内高分辨率与低分辨率水深数据图像的边缘进行裁剪，得到用于对近岸低分辨率水深数据进行高分辨率化的神经网络模型。本发明的模型易于构建，数据来源可靠，预测准确率较传统方法更高；除水深数据外，基于相同的思路也可以建立其他低分辨率数据与高分辨数据之间的模型。
Description
技术领域
本申请涉及水深数据精细化领域，具体涉及一种基于神经网络的沿海低分辨率水深数据高分辨率化方法。
背景技术
水深数据对于海洋模型的准确性有着至关重要的作用，尤其是在近岸海域，准确的水深数据对于近岸海流的运动细节研究十分重要。对于近岸海洋水深数据，其主要来源为海图水深或直接实地测量，二者的获取过程并不容易，且需要投入大量资金。而以全球尺度建立的海洋模型主要采用大洋地势图(General bathymetric chart of the oceans,GEBCO)等公开的水深数据，这些数据的优点在于公开免费，同时在大尺度上的准确率较高，但同时分辨率较低，缺少水深变化的细节。以往通过低分辨率水深数据获取高分辨率水深数据的方式，仅仅是通过对前者进行简单差值实现，然而该方式过于粗糙，难以反映水深的真实情况，并不能满足对于精确水深数据的需要。目前尚未有一种成本较低且具有更高精度的获取高分辨率水深数据方法。因此，建立一种结合两种数据优点的方法以获取高分辨率水深数据，将有利于为建立近岸海洋模型提供数据，同时减少在水深数据获取上的开支。
发明内容
本申请的目的是提供一种基于神经网络的沿海低分辨率水深数据高分辨率化方法，以克服现有技术的的不足。
基于神经网络的沿海低分辨率水深数据高分辨率化方法，其特征是包括：
（1）根据高分辨率海图数据，建立具有水深及坐标信息的、用于神经网络训练和测试的高分辨率水深数据图像。
（2）根据高分辨率水深数据图像的坐标信息，寻找对应位置的低分辨率水深数据，建立具有水深及坐标信息的、用于神经网络训练和测试的低分辨率水深数据图像。
（3）通过以上操作得到同一位置下的高分辨率图像水深数据图像与低分辨率水深数据图像，并作为训练区域内的水深数据图像，据此建立水深值与图像颜色的对应关系。
（4）导入预训练模型，对模型进行训练，若模型不收敛，则对模型参数进行进一步调整，直至模型收敛。
（5）采用非训练区域低分辨率水深数据对模型进行拓展验证，将模型通过低分辨率水深数据得到的高分辨率水深数据与实际的高分辨率水深进行比对，如果效果不佳，则对原训练区域内高分辨率与低分辨率水深数据图像的边缘进行裁剪，将裁剪后的图像用于模型训练。
（6）通过以上步骤得到用于对近岸低分辨率水深数据进行高分辨率化的神经网络模型。
所述步骤（1）中，如果以近岸S57海图数据作为高分辨率海图数据，则从S57海图数据中提取水深坐标点，导出水深及坐标信息；同时从S57海图数据中提取关于水深及坐标和水体范围的shape文件，对提取的水深及坐标信息建立水深数据的初步分布矩阵，将初步分布矩阵映射为单一通道图像；之后根据水体范围，制作高精度插值网格，将海图水深数据在该区域进行插值；采用shape文件对插值结果进行校正，以修复插值造成的岸线模糊；形成带有水深与坐标信息的高分辨率水深数据图片。之所以采用shape文件进行校正是因为单纯的插值有可能将水深插值到岸上，导致岸线变成直线区域以及岸线的细节完全丢失，与实际严重不符，因此需要用水域的shape文件确定水体范围，将插值到岸上的值剔除。
所述步骤（2）是获取公开的低分辨率水深数据，根据高分辨率水深数据图片的坐标信息，寻找对应位置的低分辨率水深数据，将坐标位置及该位置的水深数据构建为矩阵；将该矩阵映射为单一通道图像；形成带有水深与坐标信息的低分辨率水深数据图片。
所述步骤（2）之后，首先对步骤（1）、（2）得到的图片进行初步筛选，剔除尺寸小于64*64的不适于训练尺寸的图像数据；对初步筛选后的数据进行人工筛选，剔除明显有缺陷的图像和缺乏对应关系的图像。
所述步骤（1）所述的将初步分布矩阵映射为单一通道图像中，首先将水深数据整数化，范围在0-255内，并选用灰度图作为单一通道图像，从而将近岸海域的水深值与单一通道的颜色范围0-255一一对应，使水深值不会出现超出变化范围的情况；
并且步骤（2）所述的将该矩阵映射为单一通道图像中，也同样选用灰度图作为单一通道图像。
所述步骤（3）所述的建立水深值与图像颜色的对应关系中，选用灰度颜色与水深值建立对应关系。
所述步骤（1）所述的将初步分布矩阵映射为单一通道图像中，将水深数据映射至一段连续的实数区间，并选用任意单一通道图像，从而将近岸海域的水深值连续化；
并且步骤（2）所述的将该矩阵映射为单一通道图像中，也同样选用任意单一通道图像。
所述步骤（4）中，预训练模型采用Real-ESRGAN模型。
所述步骤（5）中，对所述训练区域内高分辨率与低分辨率水深数据图像的边缘进行裁剪，包括但不限于同时在高分辨率与低分辨率水深数据图像上将有区域缺失的部分剪裁、将有白边的部分进行剪裁。
有益效果
本发明充分利用了Real-ESRGAN模型对于图像进行高分辨率化的优势，并针对海洋数据进行了微调，使其能够产生更多的水深及岸线细节。图像采用了单一通道图像的数据与颜色的一一对应关系，以及经纬度的拓展关系，使得高分辨率化后得到的新的图像信息可以再次被转化为水深数据，用于其他需要水深数据的模型和活动中。本发明的模式易于构建，数据来源可靠，预测准确率较传统方法更高；且本发明操作简单，拓展性强，除了水深数据外，基于相同的思路也可以建立其他低分辨率数据与高分辨数据之间的模型，包括但不限于卫星重力数据与海图水深数据（使得数据可以及时更新）、低分辨率海洋数值模式数据与高分辨率海洋数值模式数据等。同时本发明解决了对于中小企业或小区域地方机构等在海域使用论证建模或其他需要高分辨率数据时，区域情况复杂、人员紧张、资金预算不足等原因导致无法直接获得海图水深或实测水深时所面临的问题。
附图说明
图1为本发明的整体流程示意图。
图2为用于验证模型拓展效果的低分辨率水深数据的原始图像。
图3为图2中A部分的局部放大图像。
图4为图3采用插值方法得到的高分辨率水深数据图像。
图5为图3采用未经过训练的Real-ESRGAN模型得到的高分辨率水深数据图像。
图6为图3采用经过训练的Real-ESRGAN模型得到的高分辨率水深数据图像。
具体实施方式
本申请涉及一种基于神经网络的沿海低分辨率水深数据高分辨率化方法，其方法流程如图1所示。
下面以某国近海海图数据集和15角秒的全球测深和地形数据集描述本发明的实例流程，然而本发明的方法包括但不限于使用某国近海海图数据集和15角秒的全球测深和地形数据集。
某国近海海图由某国国家海洋和大气管理局(National Oceanic andAtmospheric Administration, NOAA)的海岸调查办公室发布，其格式为S57的数据内容包括某国近海及海外岛屿所覆盖的全部海域的水深测深数据、海域分布、岛屿分布等，从小比例尺度到大比例尺度共计2578幅。其中小区域的水深测点间距在200余米左右，可以视为高分辨率水深数据。
15角秒的全球测深和地形数据集由加利福尼亚大学圣迭戈分校下的SatelliteGeodesy发布，数据由卫星测高数据和船舶声纳探测数据汇总得到，分辨率为15角秒，可视为低分辨率水深数据。
步骤（1）中，某国近海海图数据通过QGIS软件（一种地理信息（GIS）处理软件）提取出其中的水深测点数据，并计算各个点的位置坐标，通过海图数据的其经纬度确定其范围，之后生成excel文件输出；同时从中提取水体对应的Shape文件。
对每一张海图数据在其经纬度范围所界定的区域内进行插值，并由获取的水体Shape文件对插值结果进行筛选，将插值结果映射为单一通道图像，形成带有水深与坐标信息的高分辨率水深数据图片。
使用Shape文件对插值数据进行筛选的意义在于，插值后，由于陆地数据值设置的不同，有可能产生岸线细节的丢失，近岸水深数值变大，甚至陆地被视为海洋等种种情况，因此无法由插值后的数据本身识别确定的海陆边界，对此可利用S57自有的水体的范围数据进行修正，该水体范围数据被转化为shape文件，然后根据shape文件将不是水体的数据剔除，以消除以上所述的误差。
需要指出的是，上述将水深数据映射为单一通道图像，并不需要首先将水深数据进行整数化，而是可以将水深值对应至任意一段连续的实数区间；也不限于映射为灰度图像，而是同样可以映射为RGB之一的单通道图像。
步骤（2）中，由步骤（1）中的到的经纬度范围，在低分辨率水深数据集中获取相应区域的低分辨率水深矩阵，并将水深数据映射为单一通道图像，形成低分辨率水深数据。
步骤（3）中，基于以上建立水深数据图片的操作，建立水深值与图像颜色的对应关系，同时得到同一位置下的高分辨率图像水深数据图像与低分辨率水深数据图像。
步骤（4）中，优选地，预训练模型采用Real-ESRGAN模型，该模型是ESRGAN的改进，通过在高分辨率图片上增加高斯噪音（Gaussian noise）、泊松噪音（Poisson noise）、sinc滤波和JEPG压缩等方式以获取接近真实世界的原始图像数据，并对于经过以上处理后变得更大的数据，采用了U-Net辨别器，并对数据进行了光谱归一化（spectralnormalization），由此得到了相对于ESRGAN效果更好的Real-ESRGAN。
本发明的预训练模型采用Real-ESRGAN，该预训练模型采用DF2K ( DIV2K 和Flickr2K ) + OST数据集进行训练。本次训练采用一张V100显卡，训练过程首先创建了高分辨率水深和低分辨率水深的配对文件，GPU batch size设为10，优化器类型为Adam，初试学习率为1e-4，训练效果以生成器像素损失、生成器感知损失、生成器对抗损失、判别器真实图像损失、判别器真实图像输出、判别器生成图像损失和判别器生成图像输出综合效果来判断训练效果，模型迭代次数为2000次。
通过Real-ESRGAN模型，不但实现了图像的超分辨率化，还实现了图像的材质识别，使图像能够保留更多细节，并将识别的应用范围拓展至海洋数据领域，使得其效果更好。
为了评价模型的生成效果，选取了渤海区域和大连附近海域的水深数据进行主观评价和数值评价，其中主观评价是对图像观感的评价，数值评价是对高分辨化后的数据是否更接近真实数值的评价。
步骤（5），采用非训练区域低分辨率水深数据对模型进行拓展训练，将模型通过低分辨率水深数据得到的高分辨率水深数据与实际的高分辨率水深进行比对，如果认为效果不佳，则对训练区域内高分辨率与低分辨率水深数据图像的边缘进行裁剪，包括但不限于同时在高分辨率与低分辨率水深数据图像上将有区域缺失的部分剪裁、将有白边的部分进行剪裁，将裁剪后的训练数据继续用于模型训率。
图2为用于验证模型拓展效果的低分辨率水深数据对渤海区域的15角秒全球测深数据的原始图像，图3为原始图像的局部放大图像。
图4到图6为对渤海区域的15角秒全球测深数据分别进行基于三角剖分的线性插值（传统方式）、原始的Real-ESRGAN模型处理和训练得到的Real-ESRGAN模型处理，缩放倍数均为4倍，可以看出训练后的模型在对数据高分辨率化的同时增加了很多数据细节。
但以上结果只是显示了本方法具有提高分辨率的效果，对于数据的准确性还有待验证。因此选取了大连附近海域的海图水深数据作为实际高分辨率水深数据，对该区域15角秒全球测深数据分别采用插值和模型进行处理，对生成的数据与实际高分辨率水深数据进行最普遍采用的峰值信噪比（Peak Signal-to-Noise Ratio, PSNR）和结构相似性指数（Structural Similarity Index, SSIM）评价。PSNR是评估两个图像之间差异的常用指标之一，它通过测量两个图像之间的均方误差来评估它们之间的相似性，PSNR越高，表示两个图像之间的差异越小。其计算公式如下：，式中，Max p 是像素值的最大可能值，MSE是均方误差。
SSIM是评估图像质量的另一个常用指标，它综合考虑了图像的亮度、对比度和结构信息。SSIM的取值范围为[-1, 1]，越接近1表示图像之间的相似性越高。其计算公式如下：，式中，x和y为两个图像，μ x 和μ y 是x和y的像素均值，σ x 2和σ y 2是x和y的方差，σ xy 是x和y的协方差。C 1和C 2是常数，用于稳定计算。在默认情况下，C 1=(K1×L)2，C 2=(K2×L)2，其中L是像素值范围（即颜色通道的范围，例如8位灰度图的范围值L等于255），K1=0.01，K2=0.03。
生成的结果如表 1所示，传统的用于提高分辨率的插值法、未训练的Real-ESRGAN和通过本发明的方法建立的高分辨率化模型的指标结果如下表所示，可以看出模型的两个指标均由于一般的插值方案。
。
由目前的结果可以看出本方法的可行性与优势。
Claims (8)
1.基于神经网络的沿海低分辨率水深数据高分辨率化方法，其特征是包括：
（1）根据高分辨率海图数据，建立具有水深及坐标信息的、用于神经网络训练和测试的高分辨率水深数据图像；
（2）根据高分辨率水深数据图像的坐标信息，寻找对应位置的低分辨率水深数据，建立具有水深及坐标信息的、用于神经网络训练和测试的低分辨率水深数据图像； （3）通过以上操作得到同一位置下的高分辨率图像水深数据图像与低分辨率水深数据图像， 并作为训练区域内的水深数据图像，据此建立水深值与图像颜色的对应关系；
（4）导入预训练模型，对模型进行训练，若模型不收敛，则对模型参数进行进一步调整，直至模型收敛；
（5）采用非训练区域低分辨率水深数据对模型进行拓展验证，将模型通过低分辨率水深数据 得到的高分辨率水深数据与实际的高分辨率水深进行比对，如果效果不佳，则对原训练区域 内高分辨率与低分辨率水深数据图像的边缘进行裁剪，将裁剪后的图像用于模型训练；
（6）通过以上步骤得到用于对近岸低分辨率水深数据进行高分辨率化的神经网络模型；
所述步骤（1）中，以近岸S57 海图数据作为高分辨率海图数据，则从S57 海图数据中提取水深坐标点，导出水深及坐标信息；同时从S57 海图数据中提取关于水深及坐标和水体范围的 shape 文件，对提取的水深及坐标信息建立水深数据的初步分布矩阵，将初步分布矩阵映 射为单一通道图像；之后根据水体范围，制作高精度插值网格，将海图水深数据在该区域进行插值；采用 shape 文件对插值结果进行校正，以修复插值造成的岸线模糊；形成带有水深与坐标信息的高分辨率水深数据图片。
2.如权利要求1所述的基于神经网络的沿海低分辨率水深数据高分辨率化方法，其特征是所述步骤（2）是获取公开的低分辨率水深数据，根据高分辨率水深数据图片的坐标信息，寻找对应位置的低分辨率水深数据，将坐标位置及该位置的水深数据构建为矩阵；将该矩阵映射为单一通道图像；形成带有水深与坐标信息的低分辨率水深数据图片。
3.如权利要求1所述的基于神经网络的沿海低分辨率水深数据高分辨率化方法，其特征是所述步骤（2）之后，首先对步骤（1）、（2）得到的图片进行初步筛选，剔除尺寸小于 64*64 的不适于训练尺寸的图像数据；对初步筛选后的数据进行人工筛选，剔除明显有缺陷的图像和缺乏对应关系的图像。
4.如权利要求 2所述的基于神经网络的沿海低分辨率水深数据高分辨率化方法，其特征是步骤（1）所述的将初步分布矩阵映射为单一通道图像中，首先将水深数据整数化，范围在 0-255 内，并选用灰度图作为单一通道图像，从而将近岸海域的水深值与单一通道的颜色范 围 0-255 一一对应，使水深值不会出现超出变化范围的情况； 并且步骤（2）所述的将该矩阵映射为单一通道图像中，也同样选用灰度图作为单一通道图像。
5.如权利要求 4 所述的基于神经网络的沿海低分辨率水深数据高分辨率化方法，其特征是所述步骤（3）所述的建立水深值与图像颜色的对应关系中，选用灰度颜色与水深值建立对应关系。
6.如权利要求 2 所述的基于神经网络的沿海低分辨率水深数据高分辨率化方法，其特征是步骤（1）所述的将初步分布矩阵映射为单一通道图像中，将水深数据映射至一段连续的实数 区间，并选用任意单一通道图像，从而将近岸海域的水深值连续化； 并且步骤（2）所述的将该矩阵映射为单一通道图像中，也同样选用任意单一通道图像。
7.如权利要求 1 所述的基于神经网络的沿海低分辨率水深数据高分辨率化方法，其特征是所述步骤（4）中，预训练模型采用 Real-ESRGAN 模型。
8.如权利要求 1 所述的基于神经网络的沿海低分辨率水深数据高分辨率化方法，其特征是 所述步骤（5）中，对所述训练区域内高分辨率与低分辨率水深数据图像的边缘进行裁剪，包 括但不限于同时在高分辨率与低分辨率水深数据图像上将有区域缺失的部分剪裁、将有白边 的部分进行剪裁。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311801659.2A CN117474763B (zh) | 2023-12-26 | 2023-12-26 | 基于神经网络的沿海低分辨率水深数据高分辨率化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311801659.2A CN117474763B (zh) | 2023-12-26 | 2023-12-26 | 基于神经网络的沿海低分辨率水深数据高分辨率化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117474763A CN117474763A (zh) | 2024-01-30 |
| CN117474763B true CN117474763B (zh) | 2024-04-26 |
Family
ID=89639953
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311801659.2A Active CN117474763B (zh) | 2023-12-26 | 2023-12-26 | 基于神经网络的沿海低分辨率水深数据高分辨率化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117474763B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108492248A (zh) * | 2018-01-30 | 2018-09-04 | 天津大学 | 基于深度学习的深度图超分辨率方法 |
| CN109544691A (zh) * | 2018-11-05 | 2019-03-29 | 国家海洋局第二海洋研究所 | 自动融合多源异构水深数据构建高分辨率dbm的mf方法 |
| WO2019174378A1 (zh) * | 2018-03-14 | 2019-09-19 | 大连理工大学 | 一种基于深度预测和增强子网络的高质量深度估计方法 |
| WO2021022929A1 (zh) * | 2019-08-08 | 2021-02-11 | 齐鲁工业大学 | 一种单帧图像超分辨率重建方法 |
| WO2021121108A1 (zh) * | 2019-12-20 | 2021-06-24 | 北京金山云网络技术有限公司 | 图像超分辨率和模型训练方法、装置、电子设备及介质 |
| CN113240688A (zh) * | 2021-06-01 | 2021-08-10 | 安徽建筑大学 | 一种一体化洪涝灾害精准监测预警方法 |
| CN114117886A (zh) * | 2021-10-28 | 2022-03-01 | 南京信息工程大学 | 一种用于多光谱遥感水深反演方法 |
| CN114331842A (zh) * | 2021-12-28 | 2022-04-12 | 武汉大学 | 结合地形特征的dem超分辨率重建方法 |
| CN114463176A (zh) * | 2022-01-25 | 2022-05-10 | 河南大学 | 基于改进esrgan的图像超分辨重建方法 |
| WO2023284275A1 (en) * | 2021-07-12 | 2023-01-19 | Shanghaitech University | Real-time volumetric rendering |
| CN116843544A (zh) * | 2023-05-24 | 2023-10-03 | 西安电子科技大学 | 一种高超声速流场导入卷积神经网络进行超分辨率重建的方法、系统及设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10096154B2 (en) * | 2016-04-04 | 2018-10-09 | University Of Cincinnati | Localized contour tree method for deriving geometric and topological properties of complex surface depressions based on high resolution topographical data |
-
2023
- 2023-12-26 CN CN202311801659.2A patent/CN117474763B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108492248A (zh) * | 2018-01-30 | 2018-09-04 | 天津大学 | 基于深度学习的深度图超分辨率方法 |
| WO2019174378A1 (zh) * | 2018-03-14 | 2019-09-19 | 大连理工大学 | 一种基于深度预测和增强子网络的高质量深度估计方法 |
| CN109544691A (zh) * | 2018-11-05 | 2019-03-29 | 国家海洋局第二海洋研究所 | 自动融合多源异构水深数据构建高分辨率dbm的mf方法 |
| WO2021022929A1 (zh) * | 2019-08-08 | 2021-02-11 | 齐鲁工业大学 | 一种单帧图像超分辨率重建方法 |
| WO2021121108A1 (zh) * | 2019-12-20 | 2021-06-24 | 北京金山云网络技术有限公司 | 图像超分辨率和模型训练方法、装置、电子设备及介质 |
| CN113240688A (zh) * | 2021-06-01 | 2021-08-10 | 安徽建筑大学 | 一种一体化洪涝灾害精准监测预警方法 |
| WO2023284275A1 (en) * | 2021-07-12 | 2023-01-19 | Shanghaitech University | Real-time volumetric rendering |
| CN114117886A (zh) * | 2021-10-28 | 2022-03-01 | 南京信息工程大学 | 一种用于多光谱遥感水深反演方法 |
| CN114331842A (zh) * | 2021-12-28 | 2022-04-12 | 武汉大学 | 结合地形特征的dem超分辨率重建方法 |
| CN114463176A (zh) * | 2022-01-25 | 2022-05-10 | 河南大学 | 基于改进esrgan的图像超分辨重建方法 |
| CN116843544A (zh) * | 2023-05-24 | 2023-10-03 | 西安电子科技大学 | 一种高超声速流场导入卷积神经网络进行超分辨率重建的方法、系统及设备 |
Non-Patent Citations (4)
| Title |
|---|
| 基于光学成像模型的水下图像超分辨率重构;张颢;范新南;李敏;张学武;;计算机与现代化;20170415(第04期);全文 * |
| 基于多源水深数据融合的海底高精度地形重建;樊妙;孙毅 等;海洋学报;20170115(第01期);全文 * |
| 深度学习方法在海浪有效波高数据高分辨率处理中的应用;朱晓雯;侯宇;刘玉海;吴克俭;;中国海洋大学学报(自然科学版);20201016(第11期);全文 * |
| 结合深度学习的单幅遥感图像超分辨率重建;李欣;韦宏卫;张洪群;;中国图象图形学报;20180216(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117474763A (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2017071160A1 (zh) | 一种大幅面遥感图像海陆分割的方法及系统 | |
| CN111723464B (zh) | 一种基于遥感影像特征的台风椭圆型风场参数化模拟方法 | |
| CN108376247A (zh) | 一种应用于光学遥感船只检测中的分策略粗精结合海陆分离方法 | |
| Powers et al. | A digital photogrammetric method for measuring horizontal surficial movements on the Slumgullion earthflow, Hinsdale County, Colorado | |
| CN117423002B (zh) | 一种基于dem的小尺度潮滩图像处理方法 | |
| CN112381033A (zh) | 海上风机引起的潮间带冲淤状况卫星遥感定量评估方法 | |
| CN106960433B (zh) | 一种基于图像熵以及边缘的全参考声纳图像质量评测方法 | |
| CN116306203A (zh) | 一种海上目标航迹智能仿真生成方法 | |
| CN117474763B (zh) | 基于神经网络的沿海低分辨率水深数据高分辨率化方法 | |
| CN113628180B (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
| CN111310623A (zh) | 基于遥感数据与机器学习对泥石流敏感性地图分析的方法 | |
| CN117115359B (zh) | 一种基于深度图融合的多视图电网三维空间数据重建方法 | |
| CN113840127A (zh) | 一种卫星视频影像获取水域自动掩膜处理dsm的方法 | |
| CN109978859B (zh) | 一种基于可见失真池化的图像显示适应质量评估方法 | |
| CN102706326B (zh) | 光束法空中三角测量文件数据处理方法 | |
| CN115908910A (zh) | 一种基于局部基准底面的地形地貌自动分类方法 | |
| CN114897677A (zh) | 一种基于约束重构的无监督遥感图像超分辨率重建方法 | |
| Da Silva et al. | Development of coastal Holocene transgressive dunefields: Examples from South Australia | |
| Kasimu et al. | GLCNMO global urban mapping, validation and comparison with existing global urban maps | |
| CN107301397B (zh) | 一种扫描纸质海图水深点自动矢量化及信息提取方法 | |
| Kelln et al. | Multivariate statistical modelling of compound flooding events for southern African coasts | |
| Parker et al. | A Tampa Bay bathymetric/topographic digital elevation model with internally consistent shorelines for various datums | |
| CN115690341B (zh) | 全球地理高程数据90m分辨率DEM计算地形因子的校正方法 | |
| Linsenmeier et al. | Global inequalities in weather forecasts | |
| Parker et al. | Blending bathymetry with topography: The Tampa Bay demonstration project |
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 |