【技术实现步骤摘要】
基于局部特异性深化的时序海温图像的多任务补全方法
[0001]本专利技术属于图像处理
，涉及图像补全方法，特别涉及基于局部特异性深化的时序海温图像的多任务补全方法。
技术介绍
[0002]利用深度神经网络进行海表面温度时空数据场的补全，传统方法通常基于生成模型，如生成对抗网络、重构模型，如编码器
‑
解码器等神经网络模型，利用历史海洋数据直接对海表面温度场补全进行估计和补全。传统方法存在以下问题：补全不稳定、不准确，造成的原因是由于：一方面，传统方法通常采用一次补全的方式直接对缺失区域开展补全，另一方面，海表面温度的数值范围通常很大，而直接对这么大的数值范围进行估计会导致补全过程非常不稳定，同时又难以准确的估计每个点的数值，从而限制了补全的准确性。
[0003]目前，基于深度学习的海表面温度补全的前沿方法采用“由粗到细“的图像补全机制，如图1所示，首先利用海表面温度的月均值来估计周均值，可以提供一个较为稳定的全局估计；随后再通过日数据中未缺失部分的值和周均值的偏差值去估计两者之间偏差的数据模式，...
【技术保护点】
【技术特征摘要】
1.基于局部特异性深化的时序海温图像的多任务补全方法，其特征在于，包括以下步骤：S1、借助历史数据，通过局部信息提取网络提取每个时刻的局部特异性信息I：局部信息提取网络首先将不同时刻的海表面温度图像SST与周均值图像作差后得到不同时刻的偏差图像Anomaly，将待补全的图像与周均值图像作差后得到偏差图像，然后将各个偏差图像分别输入多个由神经网络组成的图像编码器，最后输出局部特异性信息I；S2、通过全局信息提取网络提取全局信息：将周均值图像输入全局信息提取网络，全局信息提取网络包括由神经网络组成的全局信息编码器，记为AW编码器，通过AW编码器输出全局信息；S3、通过图像补全网络补全图像：图像补全网络将全局信息和每个时刻的局部特异性信息I进行融合，输出每个时刻的融合信息F，然后通过由神经网络组成的图像解码器，对海表面温度图像进行补全，最后输出所有时刻的补全的图像、；其中，所述图像补全网络包括多组LSMTEF模块和由神经网络组成的图像解码器，所述LSMTEF模块是基于GRU单元的局部特异性挖掘的时序演进融合模块，第一组LSMTEF模块接收第一时刻的局部特异性信息、全局信息、隐藏状态作为输入，输出融合了全局信息和局部特异性信息的融合信息，第二组LSMTEF模块接收第二时刻的局部特异性信息、全局信息在上一组LSMTEF模块传递的全局信息的隐藏状态、局部信息在上一组LSMTEF模块中传递的局部特异性信息的隐藏状态作为输入，输出融合了全局信息的隐藏状态和局部特异性信息的融合信息，依次类推，直到所有的LSMTEF模块完成全局信息和局部特异性信息的融合，其中为随机值。2.根据权利要求1所述的基于局部特异...
【专利技术属性】
技术研发人员：聂婕，左子杰，温琦，刘安安，孙正雅，黄磊，
申请(专利权)人：中国海洋大学，
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。