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】
本专利技术涉及遥感影像处理,尤其涉及一种基于transformer高频分量重建的遥感影像超分辨率方法。
技术介绍
1、随着技术的快速发展,遥感影像的空间分辨率已经逐渐趋于瓶颈,再通过硬件的方式提升空间分辨率需要付出极高的代价。此外,受到物理规律的限制,遥感影像的空间分辨率也无法无限制地提升。但人们对遥感影像的空间分辨率的需求是没有限制的。因此,近年来通过软件的方式针对遥感影像进行超分辨率逐渐受到人们重视。
2、早在1984年,就有学者提出了可以利用多帧影像的互补信息进行超分辨率重建的尝试,之后陆续也出现了ibp、map、pocs等超分辨率方法,这些方法为超分重建提供了可靠的探索方向,也取得了相对良好的效果。这些方法主要从降质影像中重建真实影像中的高频分量,原理清晰且完备,但易受到频谱无限、噪声等诸多不确定因素的影响,难以在工程实施与日常生产作业中高效的自动化应用。
3、随着深度学习的发展,其也在超分领域获得了极大的成功,深度学习的算法架构主要可以分为4中:前置上采样模式、后置上采样模式、逐步上采用模式以及迭代上采样模式。深度学习算法任务影像之间存在基础结构的相似性与有限性,通过其他样本学习原始-超分影像之间的关系,并将其关系应用于其他原始分辨率影像从而获得超分辨率影像。但这种模式对训练样本要求较高,需要知道不同的退化方向,且容易造成伪影、失真等现象,这在卫星遥感影像中难以接受。因此,需要进一步提升超分辨率算法在遥感影像中的实用性,降低伪影、失真等现象。
技术实现思路
...【技术保护点】
1.一种基于Transformer高频分量重建的遥感影像超分辨率方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于Transformer高频分量重建的遥感影像超分辨率方法,其特征在于,所述步骤S101中,以原图为“超分影像fy”,对原图降质得到“原始影像fx”,利用fy与Fx得到训练的高频分量FH,即:fH=fy-fx,其中,降质影像通过人工设计的退化函数模拟得到,退化函数的模型的一般形式表示为:fx=D(fy;δ);其中,D(·)表示退化模型。
3.根据权利要求1所述的一种基于Transformer高频分量重建的遥感影像超分辨率方法,其特征在于,所述步骤S102中,采用3×3的卷积网络层HSF(·)提取浅层特征,用公式表示为:FSF=HSF(fx),其中,FSF是提取出的浅层特征。
4.根据权利要求1所述的一种基于Transformer高频分量重建的遥感影像超分辨率方法,其特征在于,所述步骤S103中,采用Transformer提取深层特征,用公式表示为:FDF=HDF(FSF),其中,HDF(·)为基于Transformer
5.根据权利要求1所述的一种基于Transformer高频分量重建的遥感影像超分辨率方法,其特征在于,所述重建高频分量的公式表示为:其中,为重建的高频分量,HREC(·)为高频分量重建模块。
6.根据权利要求1所述的一种基于Transformer高频分量重建的遥感影像超分辨率方法,其特征在于,所述步骤S105中,将高频分量注入到原始影像用公式表示为:
...【技术特征摘要】
1.一种基于transformer高频分量重建的遥感影像超分辨率方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于transformer高频分量重建的遥感影像超分辨率方法,其特征在于,所述步骤s101中,以原图为“超分影像fy”,对原图降质得到“原始影像fx”,利用fy与fx得到训练的高频分量fh,即:fh=fy-fx,其中,降质影像通过人工设计的退化函数模拟得到,退化函数的模型的一般形式表示为:fx=d(fy;δ);其中,d(·)表示退化模型。
3.根据权利要求1所述的一种基于transformer高频分量重建的遥感影像超分辨率方法,其特征在于,所述步骤s102中,采用3×3的卷积网络层hsf(·)提取浅层特征,用公式表示为:fsf=hsf(fx),其中,fsf是提取出的浅层特征。...
【专利技术属性】
技术研发人员:陈瑞波,刘润东,梅树红,黄剑耀,陈炳华,潘婵玲,陈金允,陈家兴,
申请(专利权)人:广西壮族自治区自然资源遥感院,
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。