【技术实现步骤摘要】
【国外来华专利技术】卫星图像的超分辨率
技术介绍
[0001]具有不同分辨率的图像可以由捕获不同电磁辐射的光谱的设备生成。例如,卫星图像可以以不同的分辨率和不同的光谱生成。图像和光谱的分辨率可以基于卫星的类型而变化。此外,每颗卫星可以以不同的时间间隔捕获特定位置的图像。
技术实现思路
[0002]当前技术的方面涉及可以从低分辨率图像生成经预测的高分辨率图像的系统和方法。低分辨率图像可以比高分辨率图像更频繁地被捕获。例如,对于卫星图像,地理位置的高分辨率图像可能大约每100天捕获一次,而该地理位置的低分辨率图像可以每隔几天捕获一次。因此,当在特定日期捕获新的低分辨率图像时,本技术生成针对该特定日期的经预测的高分辨率图像。因此,实际的高分辨率图像不需要由成像设备在该特定日期捕获。
[0003]为了生成经预测的高分辨率图像,目前的技术可以在一系列处理中利用机器学习模型和超分辨率模型。例如,低分辨率图像可以经过基于由机器学习模型处理的传感器变换。低分辨率图像还可以与陆地结构特征和/或先前的高分辨率图像组合,形成由超分辨率模型处理的增强输入,以生成初始经预测的高分辨率图像。经预测的初始高分辨率图像可以与其它经预测的高分辨率图像组合或堆叠,以形成经堆叠的图像。然后,经堆叠的图像可以由另外的超分辨率模型处理,以生成最终经预测的高分辨率图像。
[0004]提供本摘要是为了以简化的形式介绍一些概念,这些概念将在下面的详细描述中进一步描述。本摘要不旨在确定所要求保护的主题的关键特征或基本特征,也不旨在用于限制所要求保护的主题的范围。示例的附加方面、特 ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于生成图像的计算机实现方法,所述方法包括:访问在第一日期捕获的特定位置的低分辨率图像,其中所述低分辨率图像具有基于被用于捕获所述低分辨率图像的第一传感器的第一传感器特性;将所述低分辨率图像提供给经训练的机器学习模型,其中所述经训练的机器学习模型基于经下采样的先前的高分辨率图像被训练,其中所述先前的高分辨率图像在所述第一日期之前被捕获,并且所述先前的高分辨率图像具有基于被用于捕获所述先前的高分辨率图像的第二传感器的第二传感器特性;以及由所述经训练的机器学习模型处理所述低分辨率图像,以生成经变换的低分辨率图像,其中所述经变换的低分辨率图像具有所述第二传感器特性。2.根据权利要求1所述的方法,其中所述低分辨率图像是来自第一卫星系统的图像,所述高分辨率图像是来自第二卫星系统的图像,并且所述特定位置是地理位置。3.根据权利要求1所述的方法,还包括:通过将所述经变换的低分辨率图像与以下至少一项组合生成用于第一超分辨率模型的增强输入:在第二日期被捕获的针对特定位置的目标高分辨率图像,所述第二日期在所述第一日期之前;针对所述特定位置的陆地结构特征;或外部陆地数据;将所述增强输入提供给所述第一超分辨率模型;以及由所述第一超分辨率模型处理所述增强输入,以生成在所述第一日期的针对所述特定位置的第一预测高分辨率图像。4.根据权利要求3所述的方法,其中所述超分辨率模型是以下中的一项:超分辨率卷积神经网络(SRCNN)模型、残差密集块(RRDB)模型、超分辨率生成对抗网络(SRGAN)模型和增强型SRGAN(ESRGAN)模型。5.根据权利要求3所述的方法,其中所述经变换的低分辨率图像与所述陆地结构特征组合,并且所述方法还包括:通过对针对所述特定位置的至少一个先前的高分辨率图像执行低秩分解来生成所述陆地结构特征。6.根据权利要求5所述的方法,其中执行所述低秩分解产生所述特定位置的多个奇异向量图像,所述多个奇异向量图像对应于所述低秩分解的不同特征向量,其中所述奇异向量图像中的至少一个奇异向量图像奇异向量图像被用作所述陆地结构特征。7.根据权利要求3所述的方法,其中所述低分辨率图像是低分辨率差值图像,其中所述低分辨率差值图像表示在所述第一日期捕获的第一低分辨率图像与在所述第二日期上捕获的第二低分辨率图像之间的差异。8.根据权利要求3所述的方法,还包括:通过将所述第一预测高分辨率图像与在所述第一日期的针对所述特定位置的第二预测高分辨率图像组合生成经堆叠的图像;以及由第二超分辨率模型处理所述经堆叠的图像,以生成在所述第一日期的针对所述特定位置的第三预测高分辨率图像。9.根据权利要求8所述的方法,其...
【专利技术属性】
技术研发人员:P,
申请(专利权)人:微软技术许可有限责任公司,
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。