CN119494781A 基于退化机制的遥感图像超分辨率重建方法 (中国科学院长春光学精密机械与物理研究所)_第1页
CN119494781A 基于退化机制的遥感图像超分辨率重建方法 (中国科学院长春光学精密机械与物理研究所)_第2页
CN119494781A 基于退化机制的遥感图像超分辨率重建方法 (中国科学院长春光学精密机械与物理研究所)_第3页
CN119494781A 基于退化机制的遥感图像超分辨率重建方法 (中国科学院长春光学精密机械与物理研究所)_第4页
CN119494781A 基于退化机制的遥感图像超分辨率重建方法 (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43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

基于退化机制的遥感图像超分辨率重建方法辨率图像。本发明在提升遥感图像分辨率的同2所述超分辨率网络包括空间域分支和频率域分支,所述空间域分支;;;3;;;;;;;MTF10为CCD响应的调制传递函数;;;;4;;;述退化因素随机控制模块控制所述频域滤波模块向经傅里叶变换后的高分辨率遥感图像;;得拼接特征图,将所述拼接特征图经第一3x3无约束蓝所述频率域分支包括掩膜版、第二3x3无约束蓝图卷积层、第三3x3无约束蓝图卷积将所述退化图像进行傅里叶变换,获得频域图像,将所述频域图将第二特征图输入至第二3x3无约束蓝图卷积层进行处理,获得第五特征图,将第五5特征图依次经第一3x3卷积层、第一批归一傅里叶逆变换,获得第八特征图;将第三特征图输入至第三四3x3无约束蓝图卷积层进行处理,获得第十三特征图,将第十三特征图依次经第三3x3和中间特征图相加后,获得第十九特征图,所述第十九特所述像素级损失函数为L1损失函数,且所述像素级损失函数的输入为所述多尺度特征损失函数为参数为1的Huber损失函数,且所述多尺所述全局特征损失函数为参数为1.25的Huber损失函数,且所述全局特征损失函数的所述高分辨率拼接图像的获取方式为:将高分辨率遥感图像分别输入述全局特征提取模块包括第五3x3卷积层、激活层将退化图像或重建图像输入至全局特征提取模块,退化图像或重建图像依次经第五3610.根据权利要求8所述的基于退化机制的遥感图像超分辨率重建方法,其特征在于:将退化图像或重建图像输入至局部特征提取模块,退化图像或重建图78[0008]有鉴于此,本发明创造旨在提供一种基于退化机制的遥感图像超分辨率重建方;;9;x为f;;;;;;;;;;;大器响应,e3为提举响应,MTF11为前置放大器响应的调制传递函数,MTF12为后置放;forr为后置放大器响应3dB点的频率值;;;;得拼接特征图,将拼接特征图经第一3x3无约束频率域分支包括掩膜版、第二3x3无约束蓝图卷积层、第三3x3无约束蓝图卷积像素级损失函数为L1损失函数,且像素级损失函数的输入为退化图像和重建图全局特征损失函数为参数为1.25的Huber损失函数,且全局特征损失函数的输入与频率域的超分辨率网络使得本发明能够充分提取和利用退化图像的局部和全局特征信图1为本发明创造实施例所述的基于退化机制的遥感图像超分辨率重建方法的流图2为本发明创造实施例所述的基于退化机制的遥感图像超分辨率重建方法的结图10为本发明创造实施例所述的对第一类具有复杂纹理的遥感图像进行重建的图11为本发明创造实施例所述的对第二类具有复杂纹理的遥感图像进行重建的基于附图所示的方位或位置关系,仅是为了便于描述本发明创造和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明创造的描述中,除非另模块、频域滤波模块和退化因素随机控制模块,将高分辨率遥感图像输入至空间域滤波模滤波模块,退化因素随机控制模块控制频域滤波模块向经傅里叶变换后的高分辨率遥感图像随机引入退化因素,并将引入退化因素后的高分辨率遥感图像进行傅里叶逆变换(iFFT获得第二空域图像;将第一空域图像和第二空域图像合成后进行下采样操作和引提升了超分辨率重建的精度。;;光学系统扰动因素聂为:Il=b1(MTF3)·b2(MTF4)·b3(MTFS);;;;;;;;;;;;;;forr为后置放大器响应3dB点的频率值;;[0037]退化因素随机控制模块控制频域滤波模块向经傅里叶变换后的高分辨率遥感图;;尺度上处理退化图像的纹理和细节,频率域分支则通过频率分离技术聚焦高频信息的恢[0039]如图4所示,空间域分支包括第一3×3无约束蓝图卷积层得拼接特征图,将拼接特征图经第一3×3无约束蓝图卷积层(无约束蓝图卷积层为图像之间的像素差异;多尺度特征损失函数通过卷积神经网络提取不同尺度的局部特征,像素级损失函数为L1损失函数,且像素级损失函数的输入为退化图像和重建图全局特征损失函数为参数为1.25的Huber损失函数,且全局特征损失函数的输入三基本单元卷积层、第四基本单元卷积层和第五基本单元卷积层的结构相同,与发表在2020年CVPR会议上的论文《RethinkingDepthwiseSeparableConvolutions:HowIntra_KernelCorrelationsLeadtoImprovedMobileNets》采用的基本单元卷积层一像本发明的退化模型通过频域滤波模块有效模拟了大气散射的影响,并利用联合空间够有效捕捉图像中的不同尺度的细节特征,频率域分支则增强了对高频信息的恢复能力。[0053]实验表明,本发明提出的方法在各种退化场景下均能显如,本发明公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执

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。

评论

0/150

提交评论