【技术实现步骤摘要】
本申请实施例涉及风云气象卫星影像重建，特别涉及一种风云气象卫星影像的超分辨率重建方法和装置。
技术介绍
1、风云气象卫星是新一代的地球静止轨道气象卫星，其为天气分析和预报、短期气候预测、环境治理、资源开发、防灾减灾和科学研究等提供了重要的数据支撑，已成为综合气象观测网络中的重要组成部分。高分辨率遥感影像数据则可以提供更细致的气象数据，在相关科学研究和实际应用中发挥着至关重要的作用。
2、由于硬件水平和经济成本的限制，风云气象卫星遥感影像数据的分辨率较低。通过超分辨率技术(super resolution，简称：sr)重建的方式，能够有效解决日益精细化的应用对于气象卫星遥感数据精度的需求与硬件水平和经济成本之间矛盾。
3、然而，业内的风云气象卫星影像超分辨率重建方法，大多是基于插值重建的方式来提高卫星影像的分辨率，提升效果有限，对于卫星数据较少的影像更是无法很好地使用超分辨率技术，重建效果尤其不佳。
技术实现思路
1、本申请实施例的目的在于提供一种风云气象卫星影像的超分辨率重建方法和装置，使用少量的卫星数据就可以实现影像的超分辨率重建，有效提升了影像重建效果，缩短了影像重建过程中模型训练所花费的时间。
2、为解决上述技术问题，本申请的实施例提供了一种风云气象卫星影像的超分辨率重建方法，包括以下步骤：分别对基准风云气象卫星的遥感影像的第一高分辨率数据和第一低分辨率数据进行切块，得到第一高分辨率训练集和第一低分辨率训练集；基于所述第一高分辨率训练集和所
3、本申请的实施例还提供了一种风云气象卫星影像的超分辨率重建装置，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的风云气象卫星影像的超分辨率重建方法。
4、本申请的实施例还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现上述的风云气象卫星影像的超分辨率重建方法。
5、本申请的实施例提供的风云气象卫星影像的超分辨率重建方法和装置，通过切块的方式扩充训练样本的数量，在重建模型的训练过程中使用少量的卫星数据即可。重建模型基于深度残差神经网络模型训练而来，模型中无需使用批量归一化层，提升了模型的训练速度，由于残差模块具备拟合残差映射的能力，因此便于优化，即模型效果随训练次数的增加快速提升，进一步缩短了影像重建过程中模型训练所花费的时间。影像重建相较于传统的基于双三次插值的超分辨率技术而言，在均方根误差、峰值信噪比和结构相似性三重指标上均有着更好的表现。
6、在一些可选的实施例中，所述基于所述第一高分辨率训练集和所述第一低分辨率训练集，对预构建的深度残差神经网络模型进行训练，获得重建模型，包括：基于所述第一高分辨率训练集和所述第一低分辨率训练集，对预构建的深度残差神经网络模型进行训练，获得预训练模型；分别对所述基准风云气象卫星的遥感影像的第二高分辨率数据和第二低分辨率数据进行切块，得到第二高分辨率训练集和第二低分辨率训练集；其中，所述第二高分辨率数据的分辨率高于所述第一高分辨率数据的分辨率，所述第二低分辨率数据的分辨率高于所述第一低分辨率数据的分辨率；冻结所述预训练模型除末端上采样层和末端卷积层之外的所有层的参数，基于所述第二高分辨率训练集和所述第二低分辨率训练集，对冻结后的所述预训练模型进行训练，得到重建模型。对于风云气象卫星影像的超分辨率重建而言，模型训练所能使用的高分辨率的遥感影像较少，因此本实施例采用迁移学习的方式，使用更容易获得的第二高分辨率数据、第二低分辨率数据对预训练模型进行微调，训练出的模型可以很好地适应风云气象卫星影像的超分辨率重建场景。
7、在一些可选的实施例中，所述分别对基准风云气象卫星的遥感影像的第一高分辨率数据和第一低分辨率数据进行切块，得到第一高分辨率训练集和第一低分辨率训练集，包括：选择基准风云气象卫星，获取所述基准风云气象卫星的遥感影像的第一高分辨率数据和第一低分辨率数据；将所述第一高分辨率数据转换为矩阵的形式，按照步长为1从左到右、从上到下顺序滑动抽取尺寸为32npx×32npx的第一子矩阵区域，基于所述第一子矩阵区域生成第一高分辨率训练集；其中，n为预设的模型放大倍数，n为大于1的整数；将所述第一低分辨率数据转换为矩阵的形式，按照步长为1从左到右、从上到下顺序滑动抽取尺寸为32px×32px的第二子矩阵区域，基于所述第二子矩阵区域生成第一低分辨率训练集。
8、在一些可选的实施例中，所述使用所述重建模型对待重建的低分辨率数据进行超分辨率重建，得到重建的高分辨率数据，包括：将所述待重建的低分辨率数据输入至所述重建模型中，所述重建模型按照所述模型放大倍数对所述待重建的低分辨率数据进行放大，输出重建的高分辨率数据。
9、在一些可选的实施例中，所述基于所述第一子矩阵区域生成第一高分辨率训练集，包括：对所述第一子矩阵区域进行归一化处理，基于归一化处理后的第一子矩阵区域生成第一高分辨率训练集；所述基于所述第二子矩阵区域生成第一低分辨率训练集，包括：对所述第二子矩阵区域进行归一化处理，基于归一化处理后的第二子矩阵区域生成第一低分辨率训练集。归一化处理可以消除局部感知特征对模型训练的影响，有效增强了模型的通用性、普适性。
10、在一些可选的实施例中，在对预构建的深度残差神经网络模型进行训练，和/或，对冻结后的所述预训练模型进行训练的过程中，还包括：分析连续m次训练后的损失值，若连续m次训练后的损失值没有下降，则按照预设幅度降低学习率；其中，m为大于1的整数。在模型的训练过程中采用学习率下降策略，可以保证模型在快速收敛的同时抑制梯度弥散现象的发生，使得模型收敛在一个较优的位置上。
11、在一些可选的实施例中，所述残差模块至少包括第一卷积层、顺序连接的若干个残差块、第二卷积层和逐点相加层，所述第一卷积层与第一个残差块连接，所述第二卷积层与最后一个残差块连接，每个残差块均包含两个卷积层、夹在所述两个卷积层中间的激活函数层、以及与所述两个卷积层中的第二个卷积层连接的逐点相加层，不同残差块中的卷积层跨层连接。跨层连接能够解决模型随着网络层的加深而出现的退化问题，同时可以实现模型多层之间的融合，有效提升了模型的网络深度。
12、在一些可选的实施例中，所述重建模型中的各卷积层的输出公式为：
13、
14、其中，w为卷积层的输入大小，f为预设的卷积核大小，p为预设的填充值，s为预设的卷积步长，q为卷积层的输出大小。每次卷积操作完成后，输本文档来自技高网...
【技术保护点】
1.一种风云气象卫星影像的超分辨率重建方法，其特征在于，包括：
2.根据权利要求1所述的风云气象卫星影像的超分辨率重建方法，其特征在于，所述基于所述第一高分辨率训练集和所述第一低分辨率训练集，对预构建的深度残差神经网络模型进行训练，获得重建模型，包括：
3.根据权利要求1至2中任一项所述的风云气象卫星影像的超分辨率重建方法，其特征在于，所述分别对基准风云气象卫星的遥感影像的第一高分辨率数据和第一低分辨率数据进行切块，得到第一高分辨率训练集和第一低分辨率训练集，包括：
4.根据权利要求3所述的风云气象卫星影像的超分辨率重建方法，其特征在于，所述使用所述重建模型对待重建的低分辨率数据进行超分辨率重建，得到重建的高分辨率数据，包括：
5.根据权利要求3所述的风云气象卫星影像的超分辨率重建方法，其特征在于，所述基于所述第一子矩阵区域生成第一高分辨率训练集，包括：
6.根据权利要求2所述的风云气象卫星影像的超分辨率重建方法，其特征在于，在对预构建的深度残差神经网络模型进行训练，和/或，对冻结后的所述预训练模型进行训练的过程中，还包
7.根据权利要求1至2中任一项所述的风云气象卫星影像的超分辨率重建方法，其特征在于，所述残差模块至少包括第一卷积层、顺序连接的若干个残差块、第二卷积层和逐点相加层，所述第一卷积层与第一个残差块连接，所述第二卷积层与最后一个残差块连接，每个残差块均包含两个卷积层、夹在所述两个卷积层中间的激活函数层、以及与所述两个卷积层中的第二个卷积层连接的逐点相加层，不同残差块中的卷积层跨层连接。
8.根据权利要求7所述的风云气象卫星影像的超分辨率重建方法，其特征在于，所述重建模型中的各卷积层的输出公式为：
9.一种风云气象卫星影像的超分辨率重建装置，其特征在于，包括：
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的风云气象卫星影像的超分辨率重建方法。
...【技术特征摘要】
1.一种风云气象卫星影像的超分辨率重建方法，其特征在于，包括：
2.根据权利要求1所述的风云气象卫星影像的超分辨率重建方法，其特征在于，所述基于所述第一高分辨率训练集和所述第一低分辨率训练集，对预构建的深度残差神经网络模型进行训练，获得重建模型，包括：
3.根据权利要求1至2中任一项所述的风云气象卫星影像的超分辨率重建方法，其特征在于，所述分别对基准风云气象卫星的遥感影像的第一高分辨率数据和第一低分辨率数据进行切块，得到第一高分辨率训练集和第一低分辨率训练集，包括：
4.根据权利要求3所述的风云气象卫星影像的超分辨率重建方法，其特征在于，所述使用所述重建模型对待重建的低分辨率数据进行超分辨率重建，得到重建的高分辨率数据，包括：
5.根据权利要求3所述的风云气象卫星影像的超分辨率重建方法，其特征在于，所述基于所述第一子矩阵区域生成第一高分辨率训练集，包括：
6.根据权利要求2所述的风云气象卫星影像的超分辨率重建方...
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。