CN119399026A 基于隐式神经表示的遥感影像超分辨率方法、系统及设备 （浙江大学）

基于隐式神经表示的遥感影像超分辨率方本发明公开了一种基于隐式神经表示的遥取适用于遥感影像数据集并基于此训练遥感影由隐式高分辨率重建模块进行高分辨率图像的2S1、获取适用于超分辨率任务的遥感影像数据S2、将待重建的低分辨率遥感影像和预先构建好S14、在图像增强处理后的遥感影像上应用双三次插值方法进行下采样操作后再进行AS25、将第二多维数组、相对坐标多维数组以及放大倍数数组在通道维3out表示输出影像的高度大小；iout和iout分别表示输出影像的行和列索引；Pout(iout,BS21、首先将编码器输出的特征图输入至并行的三路子网络中二卷积层以及ReLU激活函数依次级联而成；所述第一卷积层的卷积核大小为1x1。CS21、将编码器输出的特征图进行双线性插值后与查询数组一起应用隐式注意力机CS22、将多尺度融合特征图进行双线性插值后与查询数组一起应用隐式注意力机制，4隐式高分辨率重建模块由第十一卷积层、三个3x3卷积层以及一个输出层组成，每个3x3核大小为1x1。数据获取模块，用于获取适用于超分辨率任务的遥感影像数据集结果获取模块，用于将待重建的低分辨率遥感影像和预所述处理器，用于当执行所述计算机程序时，实现如权利要求1～8任一5[0003]超分辨率(Super_Resolution,SR)技术旨在通过算法手段，将低分辨率图像转换[0005]隐式神经表示(ImplicitNeuralRepresentations,INR)是指通过神经网络的方[0006]目前大多数基于INR的SR方法是局部隐式图像函数(LIIF)的扩展，它简单地将坐6遥感影像超分辨率模型中，首先由编码器对输入的待重建的低分辨率遥感影像进行编码，预先构建好的查询数组输入至双路径隐式注意力特征融合模块，得到隐式注意力融合特[0017]S14、在图像增强处理后的遥感影像上应用双三次插值方法进行下采样操作后再7别经过三个处理分支，每个处理分支各自对第三特征图进行最大池化操作以及最邻近插8入的查询数组经过第十卷积层后与第六特征图进行逐元素相乘并经过SoftMax归一化操作数据集包含低分辨率遥感影像及与其对应的高分[0051]本发明方法仅需一个统一的遥感影像超分辨率模型，无需预定义特定的放大倍9不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有[0072]S14、在图像增强处理后的遥感影像上应用双三次插值方法进行下采样操作后再遥感影像超分辨率模型中，首先由编码器对输入的待重建的低分辨率遥感影像进行编码，再将编码器输出的特征图θ输入至层次化特征金字塔提取模块，对低分辨率遥感影像进行以及预先构建好的查询数组输入至双路径隐式注意力特征融合模块，得到隐式注意力融合特征，将隐式注意力融合特征输入至隐式高分辨率重建模块进行高分辨率图像的重建，划分成相应网格，得到输出影像的网格中心点坐标形成的多维数组，记为第二多维数组 la[0088]AS23、使用第二多维数组hrcoord减去第三多维数组lia,得到相对坐标多维数组mapmapmapmapmapmap[0093]需要说明的是，在本发明步骤AS25中，第二多维数组hrcrelcoord以及放大倍数数组smap这三个数组输出的特征图记为pzo第三路子网络将特征图θ宽度和高度缩减为原来的1/8，但是通道数度均与pz相同。别经过三个处理分支，每个处理分支各自对第三特征图进行最大池化操作以及最邻近插塔池化特征图PS在通道维度进行拼接后再经过第七卷积层，得到多尺度融合特征图P;其map[0114]CS21、将编码器输出的特征图θ进行双线性插值后与查询数组cs一起应用隐式mapmapmapmapmapmapmapmapmap[0123]本实施例中，以公开的遥感影像数据集UCMercedLandUseD[0124]首先从官网获取原始遥感影像集，该数据集是一个包含21类土地利用影像数据forSingleImageSuper_Resolution》相关论文，加强深度残差网络具体使用16个残差噪比(Peaksignal_to_noiseratio,PSNR)、结构相似性指标(StructuralSimilarity,SSIM)、相对无量纲全局误差(ErreurRelatERGAS)以及学习感知图像块相似度(LearnedPerceptualImagePatchSimilarity,像所有像素中的取最大值的操作，MSE(IHR,ISR)表示计算原始图像和生成的超分辨率结果[0134]相对无量纲全局误差ERGAS：用于衡量估计图像与真实图像之间的相对全局准确感影像的波段数；RMSE(BX)是低分辨率和高分辨率影像之间第ke个波段的均方根误差；ke是高分辨率影像第ke个波段的平均值。[0137]学习感知图像块相似度LPIPS：使用预训练的特征提取网络来度量超分辨率结果[0144]另外需要说明的是，上述实施例中的基于隐式神经表示的遥感影像超分辨率方的另一较佳实施例中还提供了与上述实施例提供的基于隐式神经表示的遥感影像超分辨数据集包含低分辨率遥感影像及与其对应的高分的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件[0151]可以理解的是，上述的处理器可以是通用处理器，包括中央处理器(Central器(DigitalSignalProcessing，DSP)、专用集成电路(Applic