【技术实现步骤摘要】
一种基于深度学习的风云卫星图像的时间加密方法
[0001]本专利技术涉及计算机视觉
,具体为一种基于深度学习的风云卫星图像的时间加密方法。
技术介绍
[0002]风云4A卫星装载了多个与气象领域相关的传感器如干涉式大气垂直探测仪、空间环境监测仪器、闪电成像仪。其中最重要的是多通道扫描成像辐射计(AGRI),与风云二号(FY
‑
2)卫星单一的可见光通道相比,FY
‑
4A装载的AGRI可获得14个观测通道数据,且能够提供彩色卫星图像,更有助于提升天气预报的准确度。
[0003]卫星图像在气象领域起着重要的作用,但由于技术和预算的限制,卫星仪器的设计不可避免地存在一些权衡,使得难以获取高时间分辨率的卫星图像。如风云FY
‑
4A卫星提供的中国区域图像数据,在完整一天内存在着多种间断时间间隔,而长时间的时间间隔导致现存的FY
‑
4A卫星图像逐渐不能满足气象监测日益增长的需求,因此,亟需对卫星图像进行时间加密。
[0004]在视频处理相关领域,视频帧内插是提高时间分辨率的一种方法,而卫星图像的时间加密任务类似于视频帧内插。传统的视频帧插值方法以帧采样、帧混合及光流法为主。帧采样只是简单地重复展现同一帧,所以最终视频会出现卡顿、不连贯等现象;帧混合在本质上也是重复展现同一帧,只是会对这帧图像做一些变换处理或叠加处理,因此最终视频在视觉呈现上流畅度会有一定程度的提升,但由于混合所得帧图像分辨率过低又会导致视频存在模糊现象;光流法与前两张方法
【技术保护点】
【技术特征摘要】 【专利技术属性】
L
Model22
=||t
′
k
‑
t
k
||1L
Model2
=L
Model21
+L
Model22
式中,t
′
j
和t
k
′
为网络插值出的图像,t
j
和t
k
为网络的标签图像,L
Model21
是基于t
′
j
和t
j
逐像素差的损失函数,L
Model22
是基于t
k
′
和t
k
逐像素差的损失函数,采用Model2模型训练构建的可分离卷积神经网络的损失函数L
Model2
为L
Model21
和L
Model22
之和。6.根据权利要求3所述的基于深度学习的风云卫星图像的时间加密方法,其特征在于:步骤S3中,选取卫星图像样本集中15分钟时间间隔的图像对和对应的标签图像,采用Model3模型对构建的可分离卷积神经网络模型进行训练,具体训练过程为:从原始卫星图像样本集中选取4张图像视为一组,记为M(t
i
,t
j
,t
k
,t
l
),其中,l
‑
i=15,j
‑
i=4,k
‑
j=4,l
‑
k=7,即组内相邻时刻两张图像t
i
和t
j
及t
j
和t
k
的时间间隔均为4分钟,t
k
和t
l
的时间间隔为7分钟,将t
i
和t
l
作为网络的输入图像对,t
j
和t
k
作为网络的标签图像,经过Model3模型可预测出中间时刻图像t
j
′
和t
k
′
,将采用Model3模型训练构建的可分离卷积神经网络的损失函数定义为:L
Model31
=||t
′
j
‑
t
j
||1L
Model32
=||t
′
k
‑
t
k
||1L
Model3
=L
Model31
+L
Model32
式中,t
′
技术研发人员:王明清,黄小猛,张家玮,梁逸爽,周峥,
申请(专利权)人:无锡九方科技有限公司,
类型:发明
国别省市:
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。