System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,尤其涉及一种面向卫星遥感影像质量提升的目标超分辨率重建方法。
技术介绍
1、高分辨率的天基目标影像在资源勘探、环境监测、城乡规划、变化检测等方面起着关键作用。然而,由于信号传输带宽及成像传感器等限制,卫星遥感成像设备获取到的目标信息通常具有较低的空间分辨率。而遥感成像设备地面像元分辨率的提升受到当前制造水平的制约,若从硬件上提高其分辨率,则耗时较长、成本极高;同时,成像系统会受到噪声、模糊等干扰,存在获取的图像质量下降、分辨率受损等问题。
2、为解决上述问题,“以一个或多个低分辨率图像作为输入,结合图像的先验知识,重构一个高分辨率图像”的超分辨率算法被提出,该超分辨率算法能够在不改变现有硬件设备的前提下,有效提升目标图像的分辨率,改善目标视觉效果,具有研制成本低、周期短等优点,可以广泛应用于场景分类、环境监测、目标检测、资源勘探、变化监测、城乡规划和应急救援等应用场景。
3、传统的针对图像处理应用的超分辨率算法采用插值方法,具体通过对低分辨率图像进行线性插值或双三次插值等操作,来得到高分辨率图像。该方法虽然简单易行,计算速度快,但实际效果较差。
4、随着深度学习的不断发展,后续有研究提出了基于深度学习的超分辨率算法,其中,比较经典的是采用高效亚像素卷积神经网络(efficient sub-pixel convolutionalneural network,espcn)来实现图像超分辨率重建。espcn网络包括依次连接的输入层、第一卷积层、第二卷积层和亚像素卷积层,具体通
5、目前,espcn网络采用的卷积核最开始都是随机生成的随机数,通过不断地学习图像的特征,修改其内在参数,从而实现整个学习过程。然而,因现有espcn网络的结构限制,在采用上述学习方式时,若训练数据集选择的不好,在学习过程中矩阵容易出现病态,会导致后续espcn网络的超分辨率重建精度变低,甚至还可能无法完成超分辨率重建。
技术实现思路
1、为解决上述现有技术中存在的部分或全部技术问题,本专利技术提供一种面向卫星遥感影像质量提升的目标超分辨率重建方法。
2、本专利技术的技术方案如下:
3、提供了一种面向卫星遥感影像质量提升的目标超分辨率重建方法,所述方法包括:
4、获取待重建的低分辨率图像;
5、将所述低分辨率图像输入预先训练的目标超分辨率重建模型,得到所述低分辨率图像对应的高分辨率图像,其中,所述目标超分辨率重建模型通过在espcn网络的输入层后增设样条-级数卷积层得到,所述样条-级数卷积层基于样条理论和级数理论进行定义;
6、输出所述高分辨率图像。
7、在一些可能的实现方式中,所述目标超分辨率重建模型包括:
8、所述输入层,与所述样条-级数卷积层连接,用于接收输入的图像并向所述样条-级数卷积层输出;
9、所述样条-级数卷积层,与第一卷积层连接,用于基于预设参数进行卷积操作,提取图像特征并输出,其中,所述样条-级数卷积层根据样条理论和级数理论定义;
10、所述第一卷积层,与第二卷积层连接,用于基于预设参数进行卷积操作,提取图像特征并输出;
11、所述第二卷积层,与亚像素卷积层连接,用于基于预设参数进行卷积操作,提取图像特征并输出;
12、所述亚像素卷积层,与输出层连接,用于聚合所述第二卷积层输入的特征图像,生成高分辨率图像并输出;
13、所述输出层,用于输出所述亚像素卷积层输入的高分辨率图像。
14、在一些可能的实现方式中,所述样条-级数卷积层中设置有4个卷积核;
15、设定:4个卷积核为i×j的滤波器矩阵,卷积核步长为1,则4个卷积核的第i行第j列的权重值根据以下公式进行初始化定义,ε=a,b,c,d;
16、
17、
18、
19、
20、其中,表示第1个卷积核的第i行第j列的权重值,表示第2个卷积核的第i行第j列的权重值,表示第3个卷积核的第i行第j列的权重值,表示第4个卷积核的第i行第j列的权重值,π表示圆周率,i=1,2…,i,j=1,2…,j,i和j为指定值,p表示阶数,p为非负整数。
21、在一些可能的实现方式中,卷积操作定义为:
22、y=φ(w1,1x1,1+…+wi,jxi,j+…+wn,nxn,n-b)
23、其中,φ表示激活函数,xi,j和wi,j分别表示输入特征映射与卷积核相交区域的第i行第j列对应的特征值和权重值,b表示偏差值,y表示卷积操作的输出。
24、在一些可能的实现方式中,所述目标超分辨率重建模型通过如下方式训练:
25、获取训练样本集合,所述训练样本包括低分辨率图像、与低分辨率图像对应的高分辨率图像;
26、将所述训练样本集合中的训练样本的低分辨率图像作为输入,将与输入的低分辨率图像对应的高分辨率图像作为输出,训练所述目标超分辨率重建模型。
27、在一些可能的实现方式中,将所述训练样本集合中的训练样本的低分辨率图像作为输入,将与输入的低分辨率图像对应的高分辨率图像作为输出,训练所述目标超分辨率重建模型,包括:
28、步骤s21,将所述训练样本集合中的每个训练样本的低分辨率图像输入所述目标超分辨率重建模型,得到所述目标超分辨率重建模型输出的预测高分辨率图像;
29、步骤22,根据每个训练样本的高分辨率图像与其对应的预测高分辨率图像,计算预设损失函数;
30、步骤23,判断是否达到预设训练停止条件,若是,则将当前的目标超分辨率重建模型作为完成训练的目标超分辨率重建模型,若否,则利用预设损失函数更新目标超分辨率重建模型的参数,并返回步骤21。
31、在一些可能的实现方式中,所述损失函数采用mse损失函数。
32、本专利技术技术方案的主要优点如下:
33、本专利技术的面向卫星遥感影像质量提升的目标超分辨率重建方法通过在espcn网络的输入层后增设样条-级数卷积层来构建目标超分辨率重建模型,利用样条-级数卷积层能够使目标超分辨率重建模型快速学习到卫星遥感图像中目标的固有特征,并在学习过程中逐渐强化这种特征,使得训练后的目标超分辨率重建模型具有更高的精度,提高超分辨率重建精度。
本文档来自技高网...【技术保护点】
1.一种面向卫星遥感影像质量提升的目标超分辨率重建方法,其特征在于,包括:
2.根据权利要求1所述的面向卫星遥感影像质量提升的目标超分辨率重建方法,其特征在于,所述目标超分辨率重建模型包括:
3.根据权利要求2所述的面向卫星遥感影像质量提升的目标超分辨率重建方法,其特征在于,所述样条-级数卷积层中设置有4个卷积核;
4.根据权利要求3所述的面向卫星遥感影像质量提升的目标超分辨率重建方法,其特征在于,卷积操作定义为:
5.根据权利要求1-4中任一项所述的面向卫星遥感影像质量提升的目标超分辨率重建方法,其特征在于,所述目标超分辨率重建模型通过如下方式训练:
6.根据权利要求5所述的面向卫星遥感影像质量提升的目标超分辨率重建方法,其特征在于,将所述训练样本集合中的训练样本的低分辨率图像作为输入,将与输入的低分辨率图像对应的高分辨率图像作为输出,训练所述目标超分辨率重建模型,包括:
7.根据权利要求6所述的面向卫星遥感影像质量提升的目标超分辨率重建方法,其特征在于,所述损失函数采用MSE损失函数。
【技术特征摘要】
1.一种面向卫星遥感影像质量提升的目标超分辨率重建方法,其特征在于,包括:
2.根据权利要求1所述的面向卫星遥感影像质量提升的目标超分辨率重建方法,其特征在于,所述目标超分辨率重建模型包括:
3.根据权利要求2所述的面向卫星遥感影像质量提升的目标超分辨率重建方法,其特征在于,所述样条-级数卷积层中设置有4个卷积核;
4.根据权利要求3所述的面向卫星遥感影像质量提升的目标超分辨率重建方法,其特征在于,卷积操作定义为:
5.根据权利要求1-...
【专利技术属性】
技术研发人员:张瑞辰,郭鹏宇,曹璐,范广腾,张飞,季明江,马雅楠,
申请(专利权)人:中国人民解放军军事科学院国防科技创新研究院,
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。