The invention discloses a training method of deep learning network for super resolution reconstruction of video satellite. First, a training sample set consists of high resolution static satellite images is constructed. Then, the structure of CNN network oriented to super-resolution reconstruction and the training parameters of network are set up, and the loss function of depth CNN training is established at the end. The method takes into account the influence degree of the target edge and pixel gray value on the reconstruction error measure, thus improving the training effect of the depth CNN network, and ultimately promoting the performance of the image super-resolution method based on the depth learning.
【技术实现步骤摘要】
一种面向视频卫星超分辨率重建的深度学习网络训练方法
本专利技术属于机器学习
，涉及一种深度学习网络训练方法，具体涉及一种面向视频卫星超分辨率重建的深度学习网络训练方法。技术背景近年来兴起的视频卫星通过采集连续的动态视频，为大型动态目标的实时观测提供了有效手段，从而极大地弥补了传统的遥感卫星动态观测能力的不足。视频卫星时间分辨率的提升是以牺牲空间分辨率为代价，一般而言，视频卫星的空间分辨率要低于同期的执行静态或序列影像作业的遥感卫星。例如，我国“吉林一号”上光学星的静态影像的地面分辨率达到0.72米，而视频星的动态视频的地面分辨率只有1.12米。因此，通过超分辨率技术提高视频卫星影像的空间分辨率具有重要的科学和应用价值。近年来，多个领域获得成功应用的深度学习技术被引入图像的超分辨率重建中，取得了比传统的字典学习方法更好的效果。典型的基于深度卷积神经网络(CNN)的超分辨率方法通过大量图像样本训练一个CNN模型，然后将待超分的低分辨率观测图像输入模型，从而预测出一幅高分辨率图像作为输出结果。训练样本由低分辨率/高分辨率图像对构成，在对应的高分辨率图像的监督下...
【技术保护点】
1.一种面向视频卫星超分辨率重建的深度学习网络训练方法，其特征在于，包括以下步骤：步骤1：构建由高分辨率静态卫星影像组成的训练样本集；步骤2：构建面向超分辨重建的CNN网络结构和设置网络训练参数；步骤3：建立深度CNN训练的损失函数。
【技术特征摘要】
1.一种面向视频卫星超分辨率重建的深度学习网络训练方法，其特征在于，包括以下步骤：步骤1：构建由高分辨率静态卫星影像组成的训练样本集；步骤2：构建面向超分辨重建的CNN网络结构和设置网络训练参数；步骤3：建立深度CNN训练的损失函数。2.根据权利要求1所述的面向视频卫星超分辨率重建的深度学习网络训练方法，其特征在于，步骤1的具体实现包括以下子步骤：步骤1.1：选择空间分辨率优于预设阈值M的高分辨率卫星图像，数量大于预设阈值N，作为高分辨率图像块；步骤1.2：将每幅图像均匀切分成kxk像素的图像块，得到若干图像块；其中k为预设阈值；步骤1.3：将每个图像块采用高斯核函数进行模糊处理，然后将边长缩小L倍，L为预设阈值，得到下采样的图像块，作为低分辨率图像块；步骤1.4：将上述形成的低分辨率图像块和高分辨率图像块样本对，分别作为训练算法的输入图像和监督图像。3.根据权利要求1所述的面向视频卫星超分辨率重建的深度学习网络训练方法，其特征在于：步骤2中，CNN网络由3层构成，每层的节点数分别为64、32、...
【专利技术属性】
技术研发人员：王中元，陈丹，江奎，易鹏，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。