一种基于VDSR的微波遥感图像超分辨率重建方法技术

本发明专利技术公开了一种基于VDSR的微波遥感图像超分辨率重建方法，属于微波遥感及探测技术领域。本发明专利技术首先模拟微波遥感流程，正演产生高分辨率微波遥感图像TB和低分辨率微波遥感图像TA组成数据集；之后预处理数据集，产生VDSR训练集；再之后基于VDSR训练集构建深度卷积神经网络；最后将待处理的低分辨率微波遥感图像输入到构建好的深度卷积神经网络，所述深度卷积神经网络的叠加层输出即为重建后的高分辨率微波遥感图像。本发明专利技术能够有效的降低了重建中的计算复杂度以及摆脱了传统算法对点响应函数的依赖，是一种新型的微波遥感图像重建方法，能更高效实时地重建原始场景的亮温图像。

【技术实现步骤摘要】
一种基于VDSR的微波遥感图像超分辨率重建方法
本专利技术属于微波遥感及探测
，更具体地，涉及一种基于VDSR的微波遥感图像超分辨率重建方法。
技术介绍
微波遥感是一种极其重要的遥感技术，具有全天时、全天候的特点，相对于可见光与红外遥感而言，具有较深的穿透能力。卫星微波遥感具有覆盖时空范围广、探测信息量大、探测频率高等许多独特的优点。随着国内近年来对星载辐射计应用研究的深入，星载微波辐射计在卫星微波遥感中的作用越发重要。星载微波辐射计可以用于大气环境的各种要素探测。在气象领域能够监测大气温湿廓线、云底高度、云中液氮水、强对流、龙卷风、云中固态水和降水率等气象信息，为民用、军用气象预报提供有力支撑。星载微波辐射计的空间分辨率主要取决于天线的半功率波束宽度和卫星的高度。天线的半功率波束宽度与探测波长和天线孔径有关，微波辐射计的探测频率越高，天线口径越大，空间分辨率越高。然而星载辐射计普遍的低空间分辨率限制了在反演地表参数以及气候气象中的作用。目前，提升星载辐射计的空间分辨率主要有两种措施：一方面是从物理技术角度，提升天线的口径，但是星载辐射计天线口径受制于火箭的空间容量，存在口径大小的极限；另一方面则是从数据处理的角度，利用已有的数据和事先测得的天线方向图，将高分辨率的图像通过反卷积技术恢复出来，目前一般采用BG，SIR算法，但是这些算法会有一定误差而且这些算法耗时较长。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于VDSR的微波遥感图像超分辨率重建方法，其目的在于利用重建要求的高分辨率卫星遥感图像和低分辨率卫星遥感图像构建VDSR重建模型，利用VDSR重建模型对微波遥感图像进行重建，由此解决现有微波遥感图像超分辨重建复杂度高的技术问题。为实现上述目的，本专利技术提供了一种基于VDSR的微波遥感图像超分辨率重建方法，所述(1)模拟微波遥感流程，正演产生高分辨率微波遥感图像TB和低分辨率微波遥感图像TA组成数据集；(2)预处理数据集，产生VDSR训练集；(3)基于VDSR训练集构建深度卷积神经网络；(4)将待处理的低分辨率微波遥感图像输入到构建好的深度卷积神经网络，所述深度卷积神经网络的叠加层输出即为重建后的高分辨率微波遥感图像。进一步地，所述步骤(1)具体为：基于微波辐射传输RT模式正演产生高分辨率微波遥感图像TB，将高分辨率微波遥感图像TB输入到辐射计正向观测模型模拟计算实际观测的低分辨率微波遥感图像TA。进一步地，所述步骤(2)具体包括：(21)对TA进行像素插值得到TC，使得TC和TB的像素数量相同；(22)分别对TB与TC进行分割得到图像集合TD与TE，使得TD与TE中的图像大小为像素Z×Z；Z为预设值，35<Z<45，优选Z＝40；(23)打乱TD与TE中图像的排列顺序，TD与TE选取各自前M个图像分别作为训练数据集合中的样本集TDm和标签集TEm，TD与TE中各自剩下的图像分别作为测试数据集合中的样本集TDn和标签集TEn。进一步地，所述步骤(2)还包括：(24)将训练数据集合和测试数据集合生成为HDF5格式的文件。进一步地，所述步骤(3)具体包括：(31)使用caffe框架设计网络的结构，设深度卷积神经网络第l个卷积层的权重矩阵为Wl；偏移为bl，l＝1，2，3，...，L；将TDn中图像代入xi，将TEn中图像代入yi，i＝1，2，3，...，M；训练深度卷积神经网络，最小化损失层的输出，其中，式中，f(x)＝max(0，x)；n表示每次训练集合中样本的个数；其中，L的取值范围为3～20，优选8；(32)设置深度卷积神经网络的超参数；(33)采用随机梯度下降法优化loss，使得网络权重矩阵Wl和偏移bl收敛，深度卷积神经网络构建完成。进一步地，所述步骤(32)中的深度卷积神经网络的超参数具体包括：网络迭代次数、网络反向传播采用的算法、网络的运行模式和网络参数保存的位置。进一步地，所述步骤(4)中将低分辨率微波遥感图像输入到训练好的深度卷积神经网络之前，先需要对低分辨率微波遥感图像进行插值，使其像素和VDSR训练集中样本标签的像素数量相同。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，具有以下技术特征及有益效果：(1)本专利技术方法利用重建要求的高分辨率卫星遥感图像和低分辨率卫星遥感图像构建VDSR重建模型，相较于现有BG，SIR算法而言计算速度更快且摆脱了对于系统点响应函数的依赖；(2)低分辨率卫星遥感图像与高分辨率卫星遥感图像之间的区别在于高频信息的丢失，本专利技术方法中VDSR模型正是利用这种特性构建；模型直接学习卫星遥感图像中的高频信息，不需要学习低频信息，收敛速度更快；(3)本专利技术中VDSR模型卷积层数更多，增加了感受野，充分利用了卫星遥感图像相邻像素之间的关联性，使用本方法重建后的卫星遥感图像效果要好于常用算法。附图说明图1是本专利技术方法实施例的实现流程图；图2(a)是本专利技术方法实施例1中原始的低分率样本亮温图像；图2(b)是本专利技术方法实施例1中重建后的超分辨率亮温图像；图3(a)是本专利技术方法实施例2中原始的低分率样本亮温图像；图3(b)是本专利技术方法实施例2中重建后的超分辨率亮温图像。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。本专利技术实施例提供的微波遥感图像超分辨方法基于深度卷积神经网络，针对微波遥感图像超分辨的实时应用，能够有效的降低其计算复杂度而且摆脱了对系统点响应函数的依赖，是一种新型的微波遥感图像超分辨方法。本实施例以频率88.2GHz的微波遥感图像为例。第一步，基于微波辐射传输RT模式正演产生频率为88.2GHz的高分辨率微波遥感图像TB，将高分辨率图像TB输入到辐射计正向观测模型模拟计算实际观测的低分辨率微波遥感图像TA。最后一共产生96组TB与TA。第二步，将低分辨率亮温图像TA线性插值得到与对应TB相同大小的TC。分辨分割TC与TB图像使之得到的图像的大小为40×40。由于TB的大小为239×299，因此一共能得到3360组样本亮温图像TD以及样本标签TE。然后随机打乱TD与TE并选取前3150组作为训练数据集并且转化为HDF5格式的train.h5，剩余的210组作为测试数据集并且转化为HDF5格式的test.h5。第三步，使用caffe框架，编写网络结构文件net.prototxt。网络一共为11层，输入层以及8个卷积层和一个叠加层以及最后的损失层。编写超参数文件solver.prototxt设置网络的基础学习率，运行模式以及网络参数存储的位置，训练网络。第四步，使用caffe与matlab接口，编写网络结构mat.prototxt。将第三步中生成网络参数caffemodel文件提取并存储为x1.mat文件。第五步，图2(a)是将测试数据集中的任意低分辨率亮温图像插值到与样本标签亮温图像像素数量相同的图像，并将其作为深度卷积神经网络的输入。图2(b)是网络叠加层输出即超分辨率本文档来自技高网...

【技术保护点】
1.一种基于VDSR的微波遥感图像超分辨率重建方法，其特征在于，所述方法包括：(1)模拟微波遥感流程，正演产生高分辨率微波遥感图像TB和低分辨率微波遥感图像TA组成数据集；(2)预处理数据集，产生VDSR训练集；(3)基于VDSR训练集构建深度卷积神经网络；(4)将待处理的低分辨率微波遥感图像输入到构建好的深度卷积神经网络，所述深度卷积神经网络的叠加层输出即为重建后的高分辨率微波遥感图像。

【技术特征摘要】
1.一种基于VDSR的微波遥感图像超分辨率重建方法，其特征在于，所述方法包括：(1)模拟微波遥感流程，正演产生高分辨率微波遥感图像TB和低分辨率微波遥感图像TA组成数据集；(2)预处理数据集，产生VDSR训练集；(3)基于VDSR训练集构建深度卷积神经网络；(4)将待处理的低分辨率微波遥感图像输入到构建好的深度卷积神经网络，所述深度卷积神经网络的叠加层输出即为重建后的高分辨率微波遥感图像。2.根据权利要求1所述的一种微波遥感图像超分辨率重建方法，其特征在于，所述步骤(1)具体为：基于微波辐射传输RT模式正演产生高分辨率微波遥感图像TB，将高分辨率微波遥感图像TB输入到辐射计正向观测模型模拟计算实际观测的低分辨率微波遥感图像TA。3.根据权利要求1所述的一种微波遥感图像超分辨率重建方法，其特征在于，所述步骤(2)具体包括：(21)对TA进行像素插值得到TC，使得TC和TB的像素数量相同；(22)分别对TB与TC进行分割得到图像集合TD与TE，使得TD与TE中的图像大小为像素Z×Z；(23)打乱TD与TE中图像的排列顺序，TD与TE选取各自前M个图像分别作为训练数据集合中的样本集TDm和标签集TEm，TD与TE中各自剩下的图像分别作为测试数据集合中的样本集TDn和标签集TEn。4.根据权利要求3所述的一...

【专利技术属性】
技术研发人员：陈柯，任昶，郭伟，李青侠，郎量，桂良启，靳榕，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42