【技术实现步骤摘要】
一种图像修复模型训练、卫星图像修复方法及装置
本专利技术涉及图像修复
，具体而言，涉及一种图像修复模型训练、卫星图像修复方法及装置。
技术介绍
近年来，随着发射技术的进步，我国发射了多颗气象卫星，搭载了各种传感器用于探测星空地的各种信息，有效对这些信息进行挖掘，有助于我们开展了天气预报，灾害预测，辅助农业生产等任务。但太空中存在各种各样的电磁干扰，卫星上传感器容易受到这些电磁干扰的影响，采集的图像通常包含各种噪声，这大大减弱了图像的可用性。在风云一号和风云二号卫星中，常见的噪声有坏点，坏线，缺行等。很多任务都需要高质量的输入图像才可以取得比较好的效果，这些噪声严重破坏了图像，影响了图像的用途。深度学习方法进行图像修复采用的是上下文编码器，目前在图像修复的时候，输入编码器的只有图像周围的空间信息，图像的信息经过编码器之后会大量的损失，解码器解码的时候可以利用的信息少，即上下文编码器输入的信息在卫星领域不够充分，就导致图像修复时容易出现模糊的情况。
技术实现思路
本专利技术解决的问题是提供一种能...
【技术保护点】
1.一种图像修复模型训练方法，其特征在于，包括步骤：/n获取训练图像，所述训练图像包括缺陷图像、同一地点拍摄的多帧图像和真实图像，所述缺陷图像为所述真实图像加入噪声后的图像；/n将所述训练图像输入至图像修复模型中，确定预测图像；/n根据所述预测图像和所述真实图像确定损失函数的值；/n根据所述损失函数的值调整所述图像修复模型的参数直至满足预设条件。/n
【技术特征摘要】
1.一种图像修复模型训练方法，其特征在于，包括步骤：
获取训练图像，所述训练图像包括缺陷图像、同一地点拍摄的多帧图像和真实图像，所述缺陷图像为所述真实图像加入噪声后的图像；
将所述训练图像输入至图像修复模型中，确定预测图像；
根据所述预测图像和所述真实图像确定损失函数的值；
根据所述损失函数的值调整所述图像修复模型的参数直至满足预设条件。
2.根据权利要求1所述图像修复模型训练方法，其特征在于，所述多帧图像的信息包括时间信息、空间信息和频率信息。
3.根据权利要求1或2所述图像修复模型训练方法，其特征在于，所述图像修复模型包括对抗神经网络，所述对抗神经网络包括生成器网络和判别器网络，所述生成器网络包括第一子网络、第二子网络和第三子网络。
4.根据权利要求3所述图像修复模型训练方法，其特征在于，所述将所述训练图像输入至图像修复模型中，确定预测图像，包括：
将所述缺陷图像和所述多帧图像同时输入所述第一子网络，生成特征信息；
将所述特征信息输入所述第二子网络，生成正向预测图像；
将所述正向预测图像输入所述第三子网络，生成所述预测图像。
5.根据权利要求4所述图像修复模型训练方法，其特征在于，所述将所述缺陷图像和所述多帧图像输入所述第一子网络，生成特征信息，包括：
将所述缺陷图像输入多层卷积层和多层池化层，生成第一子特征信息；
将所述多帧图像输入多层卷积层和多层池化层，生成第二子特征信息，所述缺陷图像输入的卷积层、池化层和所述多帧图像输入的卷积层、池化层不同；
将所述第一子特征信息和所述第二子特征信息进行叠加，生成所述特征信息。
6.根据权利要求4所述图像修复模型训练方法，其特征在于，所述第二子网络包括空洞卷积和残差模块，所述将所述特征信息输入所述第二子网络，生成正向预测图像，包括：
将所述特征信息输入包含空洞卷积和残差模块的第二子网络中，生成所述正向预测图像。
7.根据权利要求6所述图像修复模型训练方法，其特征在于，所述第三子网络包括多层反卷积层，所述将所述正向预测图像输入所述第三子网络，生成所述预测图像，包括：
将所述正向预测图像输入所述多层反卷积层，生成还原的所述预测图像。
8.根据权利要求4至7任一项所述图像修复模型训练方法，其特征在于，所述将所述训练图像输入至图像修复模型中，确定预测图像，还包括：
将所述缺陷图像和同一地点拍摄的所述多帧图像输入所述生成器网络中，输出生成预测图像；
将所述生成预测图像和所述真实图像同时输入所述判别器网络，确定所述预测图像。
9...
【专利技术属性】
技术研发人员：叶允明，孙凌，李旭涛，李悦城，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：广东;44
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。