一种基于深度学习的卫星云图超分辨率重建方法技术

本发明专利技术公开了一种基于深度学习的卫星云图超分辨率重建方法，制作并预处理卫星云图，得到高分辨率卫星云图数据集；将高分辨率卫星云图数据集划分为建模用训练数据集和测试数据集；构建并训练基于深度学习的卫星云图超分辨率重建模型；将低分辨率卫星云图输入训练后的卫星云图超分辨率重建模型中，得到高分辨率卫星云图。通过深度学习方法得到高精度的有细节的卫星云图高分辨率重建图像，取得比传统方法更具准确性和普适性的重建效果，能够通过低分辨率卫星云图获得高分辨率卫星云图，提高其实用性。

A method of satellite cloud image super resolution reconstruction based on deep learning

【技术实现步骤摘要】
一种基于深度学习的卫星云图超分辨率重建方法
本专利技术属于卫星云图超分辨率处理
，具体涉及一种基于深度学习的卫星云图超分辨率重建方法。
技术介绍
卫星云图是应用最广泛的气象卫星观测产品。卫星云图包含云系，大气和海洋的信息，有助于天气状况分析和灾害预警。然而由于成像原理和成像技术的限制，卫星云图的空间分辨率渐渐不能满足气象监测的需要。传统上，高分辨率的卫星资料主要通过更高精度的仪器观测获得。然而，由于现有观测技术的限制，卫星上的传感器难以得到及时更新。因此利用图像超分辨率技术提高卫星云图的空间分辨率具有重要意义。插值法和基于字典的方法是常见的超分变率方法，但这两种方法重建图像精度低，算法复杂度高，普适性差。而深度学习近年来取得了快速的发展，并成功地应用于包括超分辨率在内的许多领域。但是如何利用深度学习方法将低分辨率卫星云图重建为高分辨率卫星云图仍是未解决的问题。
技术实现思路
本专利技术所要解决的技术问题是针对上述现有技术的不足，提供一种基于深度学习的卫星云图超分辨率重建方法，通过深度学习方法得到高精度的本文档来自技高网...

【技术保护点】
1.一种基于深度学习的卫星云图超分辨率重建方法，其特征在于，包括：/n步骤S1：制作并预处理卫星云图，得到高分辨率卫星云图数据集；/n步骤S2：将高分辨率卫星云图数据集划分为建模用训练数据集和测试数据集；/n步骤S3：构建并训练基于深度学习的卫星云图超分辨率重建模型；/n步骤S4：将低分辨率卫星云图输入训练后的卫星云图超分辨率重建模型中，得到高分辨率卫星云图。/n

【技术特征摘要】
1.一种基于深度学习的卫星云图超分辨率重建方法，其特征在于，包括：
步骤S1：制作并预处理卫星云图，得到高分辨率卫星云图数据集；
步骤S2：将高分辨率卫星云图数据集划分为建模用训练数据集和测试数据集；
步骤S3：构建并训练基于深度学习的卫星云图超分辨率重建模型；
步骤S4：将低分辨率卫星云图输入训练后的卫星云图超分辨率重建模型中，得到高分辨率卫星云图。


2.根据权利要求1所述的一种基于深度学习的卫星云图超分辨率重建方法，其特征在于，所述步骤S1包括以下步骤：
步骤S101：基于气象卫星的高分辨率数据制作卫星云图；
步骤S102：将步骤S101的卫星云图剪裁为多个图块，作为高分辨率卫星云图数据集。


3.根据权利要求1所述的一种基于深度学习的卫星云图超分辨率重建方法，其特征在于，所述步骤S2包括以下步骤：
步骤S201：对高分辨率卫星云图数据集进行下采样，得到低分辨率卫星云图数据集；
步骤S202：高分辨率卫星云图数据集与低分辨率卫星云图数据集结合，划分为建模用训练数据集和测试数据集。


4.根据权利要求3所述的一种基于深度学习的卫星云图超分辨率重建方法，其特征在于，所述步骤S201中，使用双三次插值算法对高分辨率卫星云图数据集进行下采样处理。


5.根据权利要求1所述的一种基于深度学习的卫星云图超分辨率重建方法，其特征在于，所述步骤S3构建的卫星云图超分辨率重建模型包括特征提取层、特征映射层和上采样层；
所述特征提取层通过卷积运算提取特征；
所述特征映射层基于反向投影和残差密集块联合训练，包含两路网络结构来捕获有效特征，一条路径上是N个上采样单元和N-1个下采样单元交替连接的反向投影结构，一条路径上是N个残差密集块；
其中上采样单元的结构为：对输入特征L0进行上采样得到H0，对H0进行下采样得到L1，计算L1与L0之间的残差e，对e进行上采样得到He，将H0与He相加得到输出特征H；
下采样单元的结构为：对输入特征H0进行下采样得到L0，对L0进行上采样得到H1，计算H1与H0之间的残差e，对e进行下采样得到Le，将L0与Le相加得到输出特征L；

【专利技术属性】
技术研发人员：张敬林，杨智鹏，刘普，薛珂，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32