CN110717857A 超分辨率图像重构方法和装置 （中国科学院长春光学精密机械与物理研究所）_第1页
CN110717857A 超分辨率图像重构方法和装置 （中国科学院长春光学精密机械与物理研究所）_第2页
CN110717857A 超分辨率图像重构方法和装置 （中国科学院长春光学精密机械与物理研究所）_第3页
CN110717857A 超分辨率图像重构方法和装置 （中国科学院长春光学精密机械与物理研究所）_第4页
CN110717857A 超分辨率图像重构方法和装置 （中国科学院长春光学精密机械与物理研究所）_第5页
已阅读5页，还剩23页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

本发明实施例提供了一种超分辨率图像重2基于所述原始分辨率图像训练集训练所述生成对抗利用卷积神经网络构建所述生成器，所述卷将卷积神经网络的输出层之后增加用于下采样的平均池利用卷积神经网络构建所述生成器，所述卷将卷积神经网络的输出层之后增加用于下采样的平均池34辨率遥感图像训练样本使用深度学习的方法提高遥感图像的空间分辨率仍然是一个亟待解决现有技术中因参考图像分辨率不理想而带来56够间接作为损失函数提高生成器的学习能力。将生成对抗网络应用于图像超分辨率重构(SRGAN模型)能够使得重构图像具有更多的纹理细节信息，视觉效果优于其他深度学习模7于不同过程降质图片的泛化能力。生成器的最终输出为重构图片ISR与下采样的重构图片叉熵损失。首先，本发明实施例的生成器损失函数LG可以包含以下几个部分，图像损失8系列不同步长的卷积层构成，每个卷积层后接LeakyReLU(α=0.2)激活函数以及BN(归一角制图)，RMSE(均方根误差)，ERGAS(综合无量纲整体相对误差)，sCC(空间相关系数)，[0056]图2是通过无监督学习实现遥感图像超分辨率重构的流程图。作为一个具体的实9[0057]图3是本发明中生成对抗网络的生成器结构。生成器具有卷积层和解卷积层的编[0058]图4是本发明生成对抗网络中的判别器。输入图像后，判别器经过一系列卷积、[0064]在本发明实施例的超分辨率图像重构装置中，所构建的生成对抗网络包括生成图和表中数值可知，在以上各项指标中，本发明重构的图像均能获取最好的评价结果[0070]图7对测试集进行×4倍数测试得到的各项评价指标平均值。由图和表中数值可[0079]所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论