CN117670674A - 一种面向卫星遥感影像质量提升的目标超分辨率重建技术 - Google Patents

一种面向卫星遥感影像质量提升的目标超分辨率重建技术 Download PDF

Info

Publication number
CN117670674A
CN117670674A CN202311380544.0A CN202311380544A CN117670674A CN 117670674 A CN117670674 A CN 117670674A CN 202311380544 A CN202311380544 A CN 202311380544A CN 117670674 A CN117670674 A CN 117670674A
Authority
CN
China
Prior art keywords
resolution
image
target super
convolution
convolution layer
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
Application number
CN202311380544.0A
Other languages
English (en)
Inventor
张瑞辰
郭鹏宇
曹璐
范广腾
张飞
季明江
马雅楠
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.)
National Defense Technology Innovation Institute PLA Academy of Military Science
Original Assignee
National Defense Technology Innovation Institute PLA Academy of Military Science
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 National Defense Technology Innovation Institute PLA Academy of Military Science filed Critical National Defense Technology Innovation Institute PLA Academy of Military Science
Priority to CN202311380544.0A priority Critical patent/CN117670674A/zh
Publication of CN117670674A publication Critical patent/CN117670674A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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]

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)
  • Image Processing (AREA)

Abstract

本发明公开了一种面向卫星遥感影像质量提升的目标超分辨率重建方法，该方法包括：获取待重建的低分辨率图像；将低分辨率图像输入预先训练的目标超分辨率重建模型，得到低分辨率图像对应的高分辨率图像，其中，目标超分辨率重建模型通过在ESPCN网络的输入层后增设样条‑级数卷积层得到，样条‑级数卷积层基于样条理论和级数理论进行定义；输出高分辨率图像。本发明的方法通过在ESPCN网络的输入层后增设样条‑级数卷积层来构建目标超分辨率重建模型，利用样条‑级数卷积层能够使目标超分辨率重建模型快速学习到卫星遥感图像中目标的固有特征，并在学习过程中逐渐强化这种特征，使得训练后的目标超分辨率重建模型具有更高的精度，提高超分辨率重建精度。

Description

一种面向卫星遥感影像质量提升的目标超分辨率重建技术
技术领域
本发明涉及图像处理技术领域，尤其涉及一种面向卫星遥感影像质量提升的目标超分辨率重建方法。
背景技术
高分辨率的天基目标影像在资源勘探、环境监测、城乡规划、变化检测等方面起着关键作用。然而，由于信号传输带宽及成像传感器等限制，卫星遥感成像设备获取到的目标信息通常具有较低的空间分辨率。而遥感成像设备地面像元分辨率的提升受到当前制造水平的制约，若从硬件上提高其分辨率，则耗时较长、成本极高；同时，成像系统会受到噪声、模糊等干扰，存在获取的图像质量下降、分辨率受损等问题。
为解决上述问题，“以一个或多个低分辨率图像作为输入，结合图像的先验知识，重构一个高分辨率图像”的超分辨率算法被提出，该超分辨率算法能够在不改变现有硬件设备的前提下，有效提升目标图像的分辨率，改善目标视觉效果，具有研制成本低、周期短等优点，可以广泛应用于场景分类、环境监测、目标检测、资源勘探、变化监测、城乡规划和应急救援等应用场景。
传统的针对图像处理应用的超分辨率算法采用插值方法，具体通过对低分辨率图像进行线性插值或双三次插值等操作，来得到高分辨率图像。该方法虽然简单易行，计算速度快，但实际效果较差。
随着深度学习的不断发展，后续有研究提出了基于深度学习的超分辨率算法，其中，比较经典的是采用高效亚像素卷积神经网络(Efficient Sub-Pixel ConvolutionalNeural Network，ESPCN)来实现图像超分辨率重建。ESPCN网络包括依次连接的输入层、第一卷积层、第二卷积层和亚像素卷积层，具体通过利用第一卷积层和第二卷积层在低分辨率图像上不停地做卷积操作，输出多个通道的图片，最后由亚像素卷积层合成高分辨率的图像，其中，中间的处理过程均为低分辨率图像。
目前，ESPCN网络采用的卷积核最开始都是随机生成的随机数，通过不断地学习图像的特征，修改其内在参数，从而实现整个学习过程。然而，因现有ESPCN网络的结构限制，在采用上述学习方式时，若训练数据集选择的不好，在学习过程中矩阵容易出现病态，会导致后续ESPCN网络的超分辨率重建精度变低，甚至还可能无法完成超分辨率重建。
发明内容
为解决上述现有技术中存在的部分或全部技术问题，本发明提供一种面向卫星遥感影像质量提升的目标超分辨率重建方法。
本发明的技术方案如下：
提供了一种面向卫星遥感影像质量提升的目标超分辨率重建方法，所述方法包括：
获取待重建的低分辨率图像；
将所述低分辨率图像输入预先训练的目标超分辨率重建模型，得到所述低分辨率图像对应的高分辨率图像，其中，所述目标超分辨率重建模型通过在ESPCN网络的输入层后增设样条-级数卷积层得到，所述样条-级数卷积层基于样条理论和级数理论进行定义；
输出所述高分辨率图像。
在一些可能的实现方式中，所述目标超分辨率重建模型包括：
所述输入层，与所述样条-级数卷积层连接，用于接收输入的图像并向所述样条-级数卷积层输出；
所述样条-级数卷积层，与第一卷积层连接，用于基于预设参数进行卷积操作，提取图像特征并输出，其中，所述样条-级数卷积层根据样条理论和级数理论定义；
所述第一卷积层，与第二卷积层连接，用于基于预设参数进行卷积操作，提取图像特征并输出；
所述第二卷积层，与亚像素卷积层连接，用于基于预设参数进行卷积操作，提取图像特征并输出；
所述亚像素卷积层，与输出层连接，用于聚合所述第二卷积层输入的特征图像，生成高分辨率图像并输出；
所述输出层，用于输出所述亚像素卷积层输入的高分辨率图像。
在一些可能的实现方式中，所述样条-级数卷积层中设置有4个卷积核；
设定：4个卷积核为I×J的滤波器矩阵，卷积核步长为1，则4个卷积核的第i行第j列的权重值根据以下公式进行初始化定义，ε＝a,b,c,d；
其中，表示第1个卷积核的第i行第j列的权重值，/>表示第2个卷积核的第i行第j列的权重值，/>表示第3个卷积核的第i行第j列的权重值，/>表示第4个卷积核的第i行第j列的权重值，π表示圆周率，i＝1,2…,I，j＝1,2…,J，I和J为指定值，p表示阶数，p为非负整数。
在一些可能的实现方式中，卷积操作定义为：
y＝φ(w1,1x1,1+…+wi,jxi,j+…+wn,nxn,n-b)
其中，φ表示激活函数，xi,j和wi,j分别表示输入特征映射与卷积核相交区域的第i行第j列对应的特征值和权重值，b表示偏差值，y表示卷积操作的输出。
在一些可能的实现方式中，所述目标超分辨率重建模型通过如下方式训练：
获取训练样本集合，所述训练样本包括低分辨率图像、与低分辨率图像对应的高分辨率图像；
将所述训练样本集合中的训练样本的低分辨率图像作为输入，将与输入的低分辨率图像对应的高分辨率图像作为输出，训练所述目标超分辨率重建模型。
在一些可能的实现方式中，将所述训练样本集合中的训练样本的低分辨率图像作为输入，将与输入的低分辨率图像对应的高分辨率图像作为输出，训练所述目标超分辨率重建模型，包括：
步骤S21，将所述训练样本集合中的每个训练样本的低分辨率图像输入所述目标超分辨率重建模型，得到所述目标超分辨率重建模型输出的预测高分辨率图像；
步骤22，根据每个训练样本的高分辨率图像与其对应的预测高分辨率图像，计算预设损失函数；
步骤23，判断是否达到预设训练停止条件，若是，则将当前的目标超分辨率重建模型作为完成训练的目标超分辨率重建模型，若否，则利用预设损失函数更新目标超分辨率重建模型的参数，并返回步骤21。
在一些可能的实现方式中，所述损失函数采用MSE损失函数。
本发明技术方案的主要优点如下：
本发明的面向卫星遥感影像质量提升的目标超分辨率重建方法通过在ESPCN网络的输入层后增设样条-级数卷积层来构建目标超分辨率重建模型，利用样条-级数卷积层能够使目标超分辨率重建模型快速学习到卫星遥感图像中目标的固有特征，并在学习过程中逐渐强化这种特征，使得训练后的目标超分辨率重建模型具有更高的精度，提高超分辨率重建精度。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一实施例提供的一种面向卫星遥感影像质量提升的目标超分辨率重建方法的流程图；
图2为本发明一实施例提供的一种目标超分辨率重建模型的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明的实施例，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。
以下结合附图，详细说明本发明实施例提供的技术方案。
参考图1，本发明一实施例提供了一种面向卫星遥感影像质量提升的目标超分辨率重建方法，该方法包括以下步骤：
步骤S1，获取待重建的低分辨率图像。
本发明一实施例中，待重建的低分辨率图像根据实际需求进行获取。例如为包含有特定目标的卫星遥感图像。
步骤S2，将低分辨率图像输入预先训练的目标超分辨率重建模型，得到低分辨率图像对应的高分辨率图像，其中，目标超分辨率重建模型通过在ESPCN网络的输入层后增设样条-级数卷积层得到，样条-级数卷积层基于样条理论和级数理论进行定义。
ESPCN网络采用的卷积核最开始都是随机生成的随机数，通过不断地学习图像的特征，修改其内在参数，从而实现整个学习过程。而由于ESPCN网络的结构限制，在采用上述学习方式时，若训练数据集选择的不好，在学习过程中矩阵容易出现病态，会导致后续ESPCN网络的超分辨率重建精度变低，甚至还可能无法完成超分辨率重建。
本发明一实施例中，目标超分辨率重建模型通过对ESPCN网络进行改进得到，具体通过在ESPCN网络的输入层后增设样条-级数卷积层，样条-级数卷积层基于样条理论和级数理论进行定义，从而得到目标超分辨率重建模型。利用样条-级数卷积层，目标超分辨率重建模型能够快速学习到卫星遥感图像中目标的固有特征，并在学习过程中逐渐强化这种特征，使得训练后的目标超分辨率重建模型具有更高的精度，提高图像的超分辨率重建精度。
进一步地，参考图2，本发明一实施例中，目标超分辨率重建模型包括：
输入层，与样条-级数卷积层连接，用于接收输入的图像并向样条-级数卷积层输出；
样条-级数卷积层，与第一卷积层连接，用于基于预设参数进行卷积操作，提取图像特征并输出，其中，样条-级数卷积层根据样条理论和级数理论定义；
第一卷积层，与第二卷积层连接，用于基于预设参数进行卷积操作，提取图像特征并输出；
第二卷积层，与亚像素卷积层连接，用于基于预设参数进行卷积操作，提取图像特征并输出；
亚像素卷积层，与输出层连接，用于聚合第二卷积层输入的特征图像，生成高分辨率图像并输出；
输出层，用于输出亚像素卷积层输入的高分辨率图像。
具体地，在利用该目标超分辨率重建模型在进行图像的超分辨率重建时，输入层接收外界输入的低分辨率图像并输出至样条-级数卷积层，样条-级数卷积层根据设定参数对低分辨率图像进行卷积操作和填充处理，得到与输入图像具有相同图像大小的多个特征图像，并将多个特征图像输入第一卷积层，第一卷积层根据设定参数对输入的多个特征图像进行卷积操作和填充处理，得到与输入图像具有相同图像大小的多个特征图像，并将多个特征图像输入第二卷积层，第二卷积层根据设定参数对输入的多个特征图像进行卷积操作和填充处理，得到与输入图像具有相同图像大小的多个特征图像，并将多个特征图像输入亚像素卷积层，亚像素卷积层聚合输入的多个特征图像，生成一个高分辨率图像。
进一步地，本发明一实施例中，样条-级数卷积层中设置有4个卷积核；
设定：4个卷积核为I×J的滤波器矩阵，卷积核步长为1，则4个卷积核的第i行第j列的权重值根据以下公式进行初始化定义，ε＝a,b,c,d；
其中，表示第1个卷积核的第i行第j列的权重值，/>表示第2个卷积核的第i行第j列的权重值，/>表示第3个卷积核的第i行第j列的权重值，/>表示第4个卷积核的第i行第j列的权重值，π表示圆周率，i＝1,2…,I，j＝1,2…,J，I和J为指定值，p表示阶数，p为非负整数。
本发明一实施例中，I、j和p的数值均根据实际情况具体设置，例如I＝j＝2，p＝0。
本发明一实施例中，通过采用上述方式对样条-级数卷积层进行初始化定义，能够使得目标超分辨率重建模型在训练时快速学习到卫星遥感图像中目标的固有特征，并在学习过程中逐渐强化这种特征；同时，通过样条-级数卷积层的卷积操作后，有效提高了函数的凸性，能够让网络向着更有利于梯度下降的方向学习，进一步提高训练效率和训练后的模型的重建精度。
进一步地，由于该目标超分辨率重建模型通过在ESPCN网络的输入层后增设样条-级数卷积层得到，为此，本发明一实施例中，第一卷积层、第二卷积层和亚像素卷积层的结构及参数设置与传统的ESPCN网络相同，具体参照现有技术文献《Real-Time Single Imageand Video Super-Resolution Using an Efficient Sub-Pixel Convolutional NeuralNetwork》或者其他相关技术文献。
进一步地，本发明一实施例中，在卷积层中，卷积操作定义为：
y＝φ(w1,1x1,1+…+wi,jxi,j+…+wn,nxn,n-b)
φ表示激活函数，xi,j和wi,j分别表示输入特征映射与卷积核相交区域的第i行第j列对应的特征值和权重值，b表示偏差值，y表示卷积操作的输出。
其中，与传统的ESPCN网络相同，卷积层中的激活函数采用tanh激活函数。
进一步地，本发明一实施例中，目标超分辨率重建模型通过如下方式训练：
获取训练样本集合，训练样本包括低分辨率图像、与低分辨率图像对应的高分辨率图像；
将训练样本集合中的训练样本的低分辨率图像作为输入，将与输入的低分辨率图像对应的高分辨率图像作为输出，训练目标超分辨率重建模型。
本发明一实施例中，训练样本集合中的各个训练样本的低分辨率图像采用与待重建的低分辨率图像同一类型的图像，以提高利用训练后的目标超分辨率重建模型对待重建的低分辨率图像进行高分辨率重建时的精度。
其中，为了便于训练样本集合的获取，作为训练样本的低分辨率图像和高分辨率图像从目前已有的图像数据中直接获取。
进一步地，本发明一实施例中，将训练样本集合中的训练样本的低分辨率图像作为输入，将与输入的低分辨率图像对应的高分辨率图像作为输出，训练目标超分辨率重建模型，进一步包括以下步骤：
步骤S21，将训练样本集合中的每个训练样本的低分辨率图像输入目标超分辨率重建模型，得到目标超分辨率重建模型输出的预测高分辨率图像。
本发明一实施例中，将训练样本的低分辨率图像从目标超分辨率重建模型的输入层输入，依次经过目标超分辨率重建模型中各层的处理，并从目标超分辨率重建模型的输出层输出，目标超分辨率重建模型输出层输出的图像即为对应的预测高分辨率图像。
本发明一实施例中，目标超分辨率重建模型为待训练模型，模型各层参数为初始化参数，在模型的训练过程中，模型各层参数被不断更新。
步骤22，根据每个训练样本的高分辨率图像与其对应的预测高分辨率图像，计算预设损失函数。
本发明一实施例中，与传统的ESPCN网络相同，该目标超分辨率重建模型的损失函数采用均方误差(MSE)损失函数。
基于设定的损失函数，根据训练样本的高分辨率图像与其对应的预测高分辨率图像，计算损失函数。
步骤23，判断是否达到预设训练停止条件，若是，则将当前的目标超分辨率重建模型作为完成训练的目标超分辨率重建模型，若否，则利用预设损失函数更新目标超分辨率重建模型的参数，并返回步骤21。
本发明一实施例中，训练停止条件根据实际情况具体设置，例如为训练迭代次数达到设定迭代代数或优化指标达到设定阈值。其中，可以将损失函数作为目标超分辨率重建模型的优化指标。
进一步地，本发明一实施例中，采用随机梯度下降法进行目标超分辨率重建模型的参数的训练更新。
具体地，采用以下公式对目标超分辨率重建模型的参数进行更新：
其中，Θt+1表示第t+1次迭代时的目标超分辨率重建模型的参数集合，Θt表示第t次迭代时的目标超分辨率重建模型的参数集合，Δ[]表示优化器，η表示学习率，L表示损失函数，Θ表示目标超分辨率重建模型的参数集合，包括各层中的权重值和偏差值参数。其中，优化器根据实际情况具体设置，例如为Adam，学习率预先设置，用于控制目标超分辨率重建模型参数更新的速度。
步骤S3，输出高分辨率图像。
本发明一实施例中，将待重建的低分辨率图像输入训练好的目标超分辨率重建模型，由目标超分辨率重建模型输出对应的高分辨率图像，完成目标图像的超分辨率重建。
本发明一实施例提供的面向卫星遥感影像质量提升的目标超分辨率重建方法通过在ESPCN网络的输入层后增设样条-级数卷积层来构建目标超分辨率重建模型，利用样条-级数卷积层能够使目标超分辨率重建模型快速学习到卫星遥感图像中目标的固有特征，并在学习过程中逐渐强化这种特征，使得训练后的目标超分辨率重建模型具有更高的精度，提高超分辨率重建精度。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。此外，本文中“前”、“后”、“左”、“右”、“上”、“下”均以附图中表示的放置状态为参照。
最后应说明的是：以上实施例仅用于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。

Claims (7)

1.一种面向卫星遥感影像质量提升的目标超分辨率重建方法，其特征在于，包括：
获取待重建的低分辨率图像；
将所述低分辨率图像输入预先训练的目标超分辨率重建模型，得到所述低分辨率图像对应的高分辨率图像，其中，所述目标超分辨率重建模型通过在ESPCN网络的输入层后增设样条-级数卷积层得到，所述样条-级数卷积层基于样条理论和级数理论进行定义；
输出所述高分辨率图像。
2.根据权利要求1所述的面向卫星遥感影像质量提升的目标超分辨率重建方法，其特征在于，所述目标超分辨率重建模型包括：
所述输入层，与所述样条-级数卷积层连接，用于接收输入的图像并向所述样条-级数卷积层输出；
所述样条-级数卷积层，与第一卷积层连接，用于基于预设参数进行卷积操作，提取图像特征并输出，其中，所述样条-级数卷积层根据样条理论和级数理论定义；
所述第一卷积层，与第二卷积层连接，用于基于预设参数进行卷积操作，提取图像特征并输出；
所述第二卷积层，与亚像素卷积层连接，用于基于预设参数进行卷积操作，提取图像特征并输出；
所述亚像素卷积层，与输出层连接，用于聚合所述第二卷积层输入的特征图像，生成高分辨率图像并输出；
所述输出层，用于输出所述亚像素卷积层输入的高分辨率图像。
3.根据权利要求2所述的面向卫星遥感影像质量提升的目标超分辨率重建方法，其特征在于，所述样条-级数卷积层中设置有4个卷积核；
设定：4个卷积核为I×J的滤波器矩阵，卷积核步长为1，则4个卷积核的第i行第j列的权重值根据以下公式进行初始化定义，ε＝a,b,c,d；
其中，表示第1个卷积核的第i行第j列的权重值，/>表示第2个卷积核的第i行第j列的权重值，/>表示第3个卷积核的第i行第j列的权重值，/>表示第4个卷积核的第i行第j列的权重值，π表示圆周率，i＝1,2…,I，j＝1,2…,J，I和J为指定值，p表示阶数，p为非负整数。
4.根据权利要求3所述的面向卫星遥感影像质量提升的目标超分辨率重建方法，其特征在于，卷积操作定义为：
y＝φ(w1,1x1,1+…+wi,jxi,j+…+wn,nxn,n-b)
其中，φ表示激活函数，xi,j和wi,j分别表示输入特征映射与卷积核相交区域的第i行第j列对应的特征值和权重值，b表示偏差值，y表示卷积操作的输出。
5.根据权利要求1-4中任一项所述的面向卫星遥感影像质量提升的目标超分辨率重建方法，其特征在于，所述目标超分辨率重建模型通过如下方式训练：
获取训练样本集合，所述训练样本包括低分辨率图像、与低分辨率图像对应的高分辨率图像；
将所述训练样本集合中的训练样本的低分辨率图像作为输入，将与输入的低分辨率图像对应的高分辨率图像作为输出，训练所述目标超分辨率重建模型。
6.根据权利要求5所述的面向卫星遥感影像质量提升的目标超分辨率重建方法，其特征在于，将所述训练样本集合中的训练样本的低分辨率图像作为输入，将与输入的低分辨率图像对应的高分辨率图像作为输出，训练所述目标超分辨率重建模型，包括：
步骤S21，将所述训练样本集合中的每个训练样本的低分辨率图像输入所述目标超分辨率重建模型，得到所述目标超分辨率重建模型输出的预测高分辨率图像；
步骤22，根据每个训练样本的高分辨率图像与其对应的预测高分辨率图像，计算预设损失函数；
步骤23，判断是否达到预设训练停止条件，若是，则将当前的目标超分辨率重建模型作为完成训练的目标超分辨率重建模型，若否，则利用预设损失函数更新目标超分辨率重建模型的参数，并返回步骤21。
7.根据权利要求6所述的面向卫星遥感影像质量提升的目标超分辨率重建方法，其特征在于，所述损失函数采用MSE损失函数。
CN202311380544.0A 2023-10-24 2023-10-24 一种面向卫星遥感影像质量提升的目标超分辨率重建技术 Pending CN117670674A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311380544.0A CN117670674A (zh) 2023-10-24 2023-10-24 一种面向卫星遥感影像质量提升的目标超分辨率重建技术

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311380544.0A CN117670674A (zh) 2023-10-24 2023-10-24 一种面向卫星遥感影像质量提升的目标超分辨率重建技术

Publications (1)

Publication Number Publication Date
CN117670674A true CN117670674A (zh) 2024-03-08

Family

ID=90081528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311380544.0A Pending CN117670674A (zh) 2023-10-24 2023-10-24 一种面向卫星遥感影像质量提升的目标超分辨率重建技术

Country Status (1)

Country Link
CN (1) CN117670674A (zh)

Similar Documents

Publication Publication Date Title
CN110232394B (zh) 一种多尺度图像语义分割方法
CN108550115B (zh) 一种图像超分辨率重建方法
CN108734659B (zh) 一种基于多尺度标签的亚像素卷积图像超分辨率重建方法
CN112132959B (zh) 数字岩心图像处理方法、装置、计算机设备及存储介质
CN109064405A (zh) 一种基于双路径网络的多尺度图像超分辨率方法
CN110599401A (zh) 遥感图像超分辨率重建方法、处理装置及可读存储介质
CN111242846B (zh) 基于非局部增强网络的细粒度尺度图像超分辨率方法
CN111861884B (zh) 一种基于深度学习的卫星云图超分辨率重建方法
CN110675321A (zh) 一种基于渐进式的深度残差网络的超分辨率图像重建方法
CN110349087B (zh) 基于适应性卷积的rgb-d图像高质量网格生成方法
CN111242999B (zh) 基于上采样及精确重匹配的视差估计优化方法
CN109214989A (zh) 基于多方向特征预测先验的单幅图像超分辨率重建方法
CN109544457A (zh) 基于致密链接神经网络的图像超分辨率方法、存储介质和终端
CN109785279B (zh) 一种基于深度学习的图像融合重建方法
CN116152591B (zh) 模型训练方法、红外小目标检测方法、装置及电子设备
CN114140469B (zh) 一种基于多层注意力的深度分层图像语义分割方法
CN114549555A (zh) 一种基于语义分割网络的人耳图像解刨学分割方法
CN117114984A (zh) 基于生成对抗网络的遥感图像超分辨率重建方法
CN117788296B (zh) 基于异构组合深度网络的红外遥感图像超分辨率重建方法
CN114862679A (zh) 基于残差生成对抗网络的单图超分辨率重建方法
CN112767277B (zh) 一种基于参考图像的深度特征排序去模糊方法
CN113096032A (zh) 一种基于图像区域划分的非均匀一致模糊去除方法
CN110211059A (zh) 一种基于深度学习的图像重建方法
CN116029943A (zh) 基于深度学习的红外图像超分辨率增强方法
CN117670674A (zh) 一种面向卫星遥感影像质量提升的目标超分辨率重建技术

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