CN114418854A - 一种基于图像递归性的无监督遥感图像超分辨率重建方法 - Google Patents

一种基于图像递归性的无监督遥感图像超分辨率重建方法 Download PDF

Info

Publication number
CN114418854A
CN114418854A CN202210079653.8A CN202210079653A CN114418854A CN 114418854 A CN114418854 A CN 114418854A CN 202210079653 A CN202210079653 A CN 202210079653A CN 114418854 A CN114418854 A CN 114418854A
Authority
CN
China
Prior art keywords
image
resolution
super
low
resolution image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210079653.8A
Other languages
English (en)
Inventor
张浩鹏
梅寒
姜志国
谢凤英
赵丹培
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN202210079653.8A priority Critical patent/CN114418854A/zh
Publication of CN114418854A publication Critical patent/CN114418854A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于图像递归性的无监督遥感图像超分辨率重建方法；获取原始低分辨率图像；从原始低分辨率图像中提取退化核；采用退化核对原始低分辨率图像进行下采样，获得下采样后的低分辨率图像；基于原始低分辨率图像和下采样后的低分辨率图像，对超分辨率重建网络模型进行训练；采用超分辨率重建网络模型，测试待测低分辨率图像，获得对应的超分辨率重建结果。通过该方法能够将超分辨率重建方法应用于遥感图像中，从而提高从遥感图像中获得配对数据的准确性，并使网络对重建合成所用的下采样实现良好的重建效果。

Description

一种基于图像递归性的无监督遥感图像超分辨率重建方法
技术领域
本发明属于数字图像处理技术领域，特别是一种基于图像递归性的无监督遥感图像超分辨率重建方法。
背景技术
超分辨率重建是一项将细节较少的低分辨图像重建为具有丰富纹理细节的高分辨图像的方法，单帧图像超分辨率重建是指输入的图像数据为非序列图像，将单帧的低分辨率图像数据处理为具有丰富纹理细节、视觉效果较好的高分辨率图像的图像处理任务。目前遥感图像超分辨率重建大多采用深度学习的方法，基于深度学习的有监督图像超分辨率重建方法都是通过同一区域的低分辨率图像和高分辨率图像的图像对进行训练的。由于卫星上的成像传感器不可能同时获得同一区域的低分辨率图像和高分辨率图像的图像对，导致获取配对遥感图像数据集是十分困难的，一些有监督的图像超分辨率重建方法使用合成的图像对进行训练，合成的图像对是使用固定下采样方法生成的，例如双三次下采样，实际低分辨率遥感图像的退化方法可能与固定下采样方法有很大不同，这也导致训练模型在重建真实低分辨率遥感图像方面的性能较差。
因此，如何将超分辨率重建方法应用于遥感图像中，从而提高从遥感图像中获得配对数据的准确性，并使网络对重建合成所用的下采样实现良好的重建效果，成为当前研究的关键问题。
发明内容
鉴于上述问题，本发明提供一种至少解决上述部分技术问题的一种基于图像递归性的无监督遥感图像超分辨率重建方法，通过该方法可以将超分辨率重建方法应用于遥感图像中，从而提高从遥感图像中获得配对数据的准确性，并使网络对重建合成所用的下采样实现良好的重建效果。
本发明实施例提供了一种基于图像递归性的无监督遥感图像超分辨率重建方法，包括：
S1、获取原始低分辨率图像；
S2、从原始低分辨率图像中提取退化核；采用所述退化核对所述原始低分辨率图像进行下采样，获得下采样后的低分辨率图像；
S3、基于所述原始低分辨率图像和所述下采样后的低分辨率图像，对超分辨率重建网络模型进行训练；
S4、采用所述超分辨率重建网络模型，测试待测低分辨率图像，获得对应的超分辨率重建结果。
进一步地，所述S2中，退化核的约束条件表示为：
Figure BDA0003485580690000021
其中，argmin表示整个函数的最小值；i表示原始低分辨率图像的横坐标；j表示原始低分辨率图像的纵坐标；m表示常数加权；K表示退化核；Kij表示退化核不同位置的值；mij表示原始低分辨率图像中不同位置处的常数加权；*表示退化核作用于图像上；(ILR*K)↓s表示采用退化核对原始低分辨率图像进行下采样；ILR代表原始低分辨率图像；↓表示图像下采样；s表示下采样的比例。
进一步地，其特征在于，所述S3具体表示为：
Figure BDA0003485580690000022
其中，
Figure BDA0003485580690000031
表示由下采样后的低分辨率图像到原始低分辨率图像之间的映射函数，即训练超分辨率重建网络模型的训练内容；ILR代表原始低分辨率图像；ILLR表示下采样后的低分辨率图像；↓表示图像下采样；s表示下采样的比例；λ表示权衡参数；Φ(IHR)表示正则化项；IHR表示高分辨率图像。
进一步地，其特征在于，
Figure BDA0003485580690000032
其中，
Figure BDA0003485580690000033
表示由下采样后的低分辨率图像到原始低分辨率图像之间的映射函数，即训练超分辨率重建网络模型的训练内容；
Figure BDA0003485580690000034
表示下采样后的低分辨率图像的退化过程，即由原始低分辨率图像到高分辨率图像的映射函数。
进一步地，所述S4中，当所述待测低分辨率图像的分辨率与所述原始低分辨率图像的分辨率一致时，获得的超分辨率重建结果最佳。
进一步地，所述超分辨率重建网络模型的总损失函数表示为：
LG_total＝λ1·Lcb+λper·Lper+λadv·LG_adv (4)
其中，λ1表示像素损失系数；Lcb表示像素损失；λper表示感知损失系数；Lper表示感知损失；λadv表示对抗损失系数；LG_adv表示对抗损失。
进一步地，所述超分辨率重建网络模型包括判别器和生成器；
所述判别器，用于辅助所述生成器进行训练；
所述生成器，用于生成超分辨率重建结果。
进一步地，所述生成器中包括SAF模块；
所述SAF模块为基于空间注意力融合的遥感图像超分辨率重建模块，用于将通道注意力和空间注意力进行融合，从而提升所述超分辨率重建网络模型性能。
与现有技术相比，本发明记载的一种基于图像递归性的无监督遥感图像超分辨率重建方法，具有如下有益效果：
利用图像的递归性，构建约束关系，实现无监督遥感图像超分辨率重建，仅使用低分辨率图像即可实现超分辨率重建。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的基于图像递归性的无监督遥感图像超分辨率重建方法流程图。
图2为本发明实施例提供的超分辨率重建网络模型中生成器网络结构示意图。
图3为本发明实施例提供的方法与现有技术中方法结果对比示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
参见图1所示，本发明实施例提供了一种基于图像递归性的无监督遥感图像超分辨率重建方法，具体包括如下步骤：
S1、获取原始低分辨率图像；
S2、从原始低分辨率图像中提取退化核；采用所述退化核对所述原始低分辨率图像进行下采样，获得下采样后的低分辨率图像；
S3、基于所述原始低分辨率图像和所述下采样后的低分辨率图像，对超分辨率重建网络模型进行训练；
S4、采用所述超分辨率重建网络模型，测试待测低分辨率图像，获得对应的超分辨率重建结果。
下面分别对上述各个步骤进行详细的说明。
在上述步骤S2中，对原始低分辨率图像ILR进行无监督的退化核提取，然后使用该退化核对原始低分辨率图像ILR进行下采样，得到更低的低分辨率图像，即所述下采样后的低分辨率图像ILLR；其中退化核的约束条件表示为：
Figure BDA0003485580690000051
其中，在上述公式第一项
Figure BDA0003485580690000052
中，argmin表示整个函数的最小值；*表示退化核作用于图像上；(ILR*K)↓s表示采用退化核对原始低分辨率图像进行下采样；ILR代表原始低分辨率图像；↓表示图像下采样；s表示下采样的比例；而ILR↓s表示使用理想内核对低分辨率图像进行下采样；这使得更低分辨率的低分辨率图像能够保留与原始真实低分辨率图像一致的重要低频信息。其中，理想内核为理想的下采样核，可看作与形成低分辨率图像一致的下采样核。公式第二项|1-∑Ki,j|中将k的总和约束为1，i表示原始低分辨率图像的横坐标；j表示原始低分辨率图像的纵坐标；K表示退化核；Kij表示退化核不同位置的值。公式第三项
Figure BDA0003485580690000053
使k的质心位于图像的中心，其中(x0,y0)是中心指数；公式第四项|∑Ki,j·mi,j|约束了所估计的退化核的边界；m表示常数加权；mij表示原始低分辨率图像中不同位置处的常数加权；公式第五项|1-D((ILR*K)↓S)|使得鉴别器能够确保退化图像域与原始图像域的一致性。
该阶段为核估计阶段，在该阶段之后，原始低分辨率图像ILR在满足公式(1)的约束后生成了下采样后的低分辨率图像ILLR。
上述步骤S3为训练阶段，即使用核估计阶段的输出{ILR,ILLR}，对超分辨率重建网络模型进行训练，此时，超分辨率重建网络学习由更低的低分辨率图像到低分辨率图像之间的映射如公式(2)。
Figure BDA0003485580690000061
其中，
Figure BDA0003485580690000062
表示由下采样后的低分辨率图像到原始低分辨率图像之间的映射函数，即训练超分辨率重建网络模型的训练内容；ILR代表原始低分辨率图像；ILLR表示下采样后的低分辨率图像；↓表示图像下采样；s表示下采样的比例；λ表示权衡参数；Φ(IHR)表示正则化项；IHR表示高分辨率图像。
在本发明实施例中，超分辨率重建网络模型的主要目标是学习映射函数
Figure BDA0003485580690000063
由于退化核的获取是由真实的低分辨率图像通过约束公式(1)学习所得，因此生成ILLR的退化过程与真实的低分辨率图像退化过程大致相同，根据图像的递归性的特点，两个映射函数近似相等，如公式(3)所示。
Figure BDA0003485580690000064
其中，
Figure BDA0003485580690000065
表示由下采样后的低分辨率图像到原始低分辨率图像之间的映射函数，即训练超分辨率重建网络模型的训练内容；
Figure BDA0003485580690000066
表示下采样后的低分辨率图像的退化过程，即由原始低分辨率图像到高分辨率图像的映射函数。
从公式(3)可得，训练后的图像超分辨重建模型通过对原始低分辨率图像相同的图像进行测试，可以获得可靠的目标分辨率的超分辨率重建结果。因此，构建了一种有效的无监督超分辨率重建策略。
上述步骤S4为测试阶段，在该步骤中，当所述待测低分辨率图像的分辨率与所述原始低分辨率图像的分辨率一致时，获得的超分辨率重建结果最佳。
本发明实施例所使用的超分辨率重建网络为生成对抗网络，生成对抗网络的生成器如图2所示，网络的基础模块是密集块(dense block)与通道注意力模块(CA)的组合模块，并在整体的网络中未使用批归一化处理BN(Batch Normalization)层，因添加BN层易造成人造的伪影产生并且易影响模型的泛化能力，在本发明实施例的生成器中加入SAF模块，可以使得模型的表达能力得到进一步增强。
在本发明实施例中，选择补丁判别器(patch discriminator)作为判别器网络，补丁判别器也称作马尔可夫判别器，其已广泛应用于无监督的图像转换生成对抗网络中。
补丁判别器也解决了ESRGAN网络中所使用的VGG-128的两个缺陷：1)VGG-128将生成图像的大小限制为128，这是很难进行多尺度的训练。2)VGG-128具有更深的网络结构，其固定的全连接层使鉴别器更加关注全局特征而忽略局部特征。IRSR所使用的补丁判别器是一个全卷积网络，由一个三层网络对应一个70×70的补丁，这使得判别器的每个输出值只与局部固定区域的补丁有关，再通过补丁损失将反馈给生成器以优化局部细节的梯度，最终的误差是所有局部误差的平均值，以保证全局一致性。
本发明实施例的无监督超分辨率重建方法中的损失函数为约束原始的输入低分辨率图像和重建图像进行约束，使得输入低分辨率图像和重建图像尽可能的一致。
生成器的总的损失函数为如下公式：
LG_total＝λ1·Lcb+λper·Lper+λadv·LG_adv (4)
其中，λ1表示像素损失系数；Lcb表示像素损失；λper表示感知损失系数；Lper表示感知损失；λadv表示对抗损失系数；LG_adv表示对抗损失。
由像素损失(pixel loss)Lcb、感知损失((perceptual loss)Lper和对抗损失(adversarial loss)LG_adv组成，像素损失中选用Charbonnier Loss来进行约束如公式(5)：
Figure BDA0003485580690000081
Figure BDA0003485580690000082
式中，ε为极小的常量(本文中选择1×10-6)，对于图像生成式任务，l2损失函数易造成图像模糊，研究人员大多采取l1损失函数，对比于l1损失函数，Charbonnier损失函数在0处依然可导，这也解决了l1损失函数在0处不可导，从而导致结果在生成值在0处不稳定。感知损失是使用训练好的VGG-19实现，将其转换到特征空间可以有效的解决经过激活层特征的稀疏性，使得整个网络的性能得到提升，同时有助于增强边缘等低频特征的视觉效果。对抗损失为如下公式所示，用于增强生成图像的纹理细节，使其更加逼真。
Figure BDA0003485580690000083
Figure BDA0003485580690000084
最后，通过将本发明实施例所提供的方法应用于房屋建筑遥感图像中，来对本发明所提供的方法的技术效果进行说明。
本发明实施例采用基于图像递归性的无监督超分辨率重建对遥感图像进行超分辨率重建。利用图像的递归性构建无监督超分辨率重建方法，该方法仅使用原始低分辨率遥感图像进行训练，通过三阶段的网络实现遥感图像的无监督超分辨率重建。
本发明实施例所使用的图像为公开的遥感数据集Inria，评价指标为PSNR、SSIM、ERGAS及NIQE，PSNR和SSIM越高表明图像质量越高，ERGAS与NIQE则是越低，表明重建图像质量越高。
表1本专利方法同其他方法对比
方法 PSNR(dB) SSIM ERGAS NIQE
IBP<sup>[32]</sup> 25.18 0.6667 3.141 20.21
BDB<sup>[81]</sup> 24.19 0.6243 3.589 21.98
GPR<sup>[89]</sup> 24.89 0.6311 3.232 20.97
FSR<sup>[90]</sup> 23.79 0.5586 3.897 22.98
EUSR<sup>[69]</sup> 25.21 0.6798 3.132 18.79
UGSR<sup>[68]</sup> 18.13 0.3987 6.153 25.89
ZSSR<sup>[58]</sup> 27.02 0.7001 3.025 18.16
IRSR(ours) 27.66 0.7220 2.679 16.73
从表中可以看出，本发明实施例所提供的方法实现了最优的指标，无论是对比于基于深度学习的遥感图像无监督方法EUSR、UGSR，还是对比于在自然图像无监督超分辨率重建取得最优性能的ZSSR方法都实现了指标的提升，对比于非深度学习的无监督超分辨率重建方法IBP、BDB和GPR等方法都有大幅的指标提升。测试验证所使用的四个指标可以全方面的体现出IRSR的有效性，实现了最优的结果，可视化结果如图3所示。
由图3可以看出，本发明实施例通过重建所得的图像具有最精细的纹理细节，具体参照图i)，对于这张测试图像具有比较复杂的建筑纹理，对比于其他方法所重建的图像，在房屋的纹理细节及边缘特征是与高分辨率图像真值的纹理细节特征较为一致的，例如右边的塔楼，仅有本专利方法重建所得的图像具有与真值图像一致的边缘细节，其他方法都产生了不同程度的变形。
本发明实施例提供了一种基于图像递归性的无监督遥感图像超分辨率重建方法，利用图像的递归性，构建约束关系，实现无监督遥感图像超分辨率重建，仅使用低分辨率图像即可实现超分辨率重建。采用生成对抗网络实现图像超分辨率重建，生成器与判别器均进行了改进，以此提升网络性能。改进了传统用于超分辨率重建的卷积神经网络的结构。修改后的网络重建具有更好的效果，重建的图像质量更高。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种基于图像递归性的无监督遥感图像超分辨率重建方法，其特征在于，包括：
S1、获取原始低分辨率图像；
S2、从原始低分辨率图像中提取退化核；采用所述退化核对所述原始低分辨率图像进行下采样，获得下采样后的低分辨率图像；
S3、基于所述原始低分辨率图像和所述下采样后的低分辨率图像，对超分辨率重建网络模型进行训练；
S4、采用所述超分辨率重建网络模型，测试待测低分辨率图像，获得对应的超分辨率重建结果。
2.如权利要求1所述的一种基于图像递归性的无监督遥感图像超分辨率重建方法，其特征在于，所述S2中，退化核的约束条件表示为：
Figure FDA0003485580680000011
其中，argmin表示整个函数的最小值；i表示原始低分辨率图像的横坐标；j表示原始低分辨率图像的纵坐标；m表示常数加权；K表示退化核；Kij表示退化核不同位置的值；mij表示原始低分辨率图像中不同位置处的常数加权；*表示退化核作用于图像上；(ILR*K)↓s表示采用退化核对原始低分辨率图像进行下采样；ILR代表原始低分辨率图像；↓表示图像下采样；s表示下采样的比例。
3.如权利要求2所述的一种基于图像递归性的无监督遥感图像超分辨率重建方法，其特征在于，所述S3具体表示为：
Figure FDA0003485580680000012
其中，
Figure FDA0003485580680000021
表示由下采样后的低分辨率图像到原始低分辨率图像之间的映射函数，即训练超分辨率重建网络模型的训练内容；ILR代表原始低分辨率图像；ILLR表示下采样后的低分辨率图像；↓表示图像下采样；s表示下采样的比例；λ表示权衡参数；Φ(IHR)表示正则化项；IHR表示高分辨率图像。
4.如权利要求3所述的一种基于图像递归性的无监督遥感图像超分辨率重建方法，其特征在于，
Figure FDA0003485580680000022
其中，
Figure FDA0003485580680000023
表示由下采样后的低分辨率图像到原始低分辨率图像之间的映射函数，即训练超分辨率重建网络模型的训练内容；
Figure FDA0003485580680000024
表示下采样后的低分辨率图像的退化过程，即由原始低分辨率图像到高分辨率图像的映射函数。
5.如权利要求1所述的一种基于图像递归性的无监督遥感图像超分辨率重建方法，其特征在于，所述S4中，当所述待测低分辨率图像的分辨率与所述原始低分辨率图像的分辨率一致时，获得的超分辨率重建结果最佳。
6.如权利要求1所述的一种基于图像递归性的无监督遥感图像超分辨率重建方法，其特征在于，所述超分辨率重建网络模型的总损失函数表示为：
LG_total＝λ1·Lcb+λper·Lper+λadv·LG_adv (4)
其中，λ1表示像素损失系数；Lcb表示像素损失；λper表示感知损失系数；Lper表示感知损失；λadv表示对抗损失系数；LG_adv表示对抗损失。
7.如权利要求1所述的一种基于图像递归性的无监督遥感图像超分辨率重建方法，其特征在于，所述超分辨率重建网络模型包括判别器和生成器；
所述判别器，用于辅助所述生成器进行训练；
所述生成器，用于生成超分辨率重建结果。
8.如权利要求7所述的一种基于图像递归性的无监督遥感图像超分辨率重建方法，其特征在于，所述生成器中包括SAF模块；
所述SAF模块为基于空间注意力融合的遥感图像超分辨率重建模块，用于将通道注意力和空间注意力进行融合，从而提升所述超分辨率重建网络模型性能。
CN202210079653.8A 2022-01-24 2022-01-24 一种基于图像递归性的无监督遥感图像超分辨率重建方法 Pending CN114418854A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210079653.8A CN114418854A (zh) 2022-01-24 2022-01-24 一种基于图像递归性的无监督遥感图像超分辨率重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210079653.8A CN114418854A (zh) 2022-01-24 2022-01-24 一种基于图像递归性的无监督遥感图像超分辨率重建方法

Publications (1)

Publication Number Publication Date
CN114418854A true CN114418854A (zh) 2022-04-29

Family

ID=81276704

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210079653.8A Pending CN114418854A (zh) 2022-01-24 2022-01-24 一种基于图像递归性的无监督遥感图像超分辨率重建方法

Country Status (1)

Country Link
CN (1) CN114418854A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116469047A (zh) * 2023-03-20 2023-07-21 南通锡鼎智能科技有限公司 针对实验室教学的小目标检测方法及检测装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363704A (zh) * 2019-05-29 2019-10-22 西北大学 融合形态及色彩的图像超分辨率重建模型构建及重建方法
CN113344793A (zh) * 2021-08-04 2021-09-03 深圳市安软科技股份有限公司 图像超分辨率重建方法、装置、设备及存储介质
CN113643182A (zh) * 2021-08-20 2021-11-12 中国地质大学（武汉） 一种基于对偶学习图网络的遥感影像超分辨率重建方法
WO2021233008A1 (zh) * 2020-05-21 2021-11-25 腾讯科技（深圳）有限公司 一种超分辨率重建方法和相关装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110363704A (zh) * 2019-05-29 2019-10-22 西北大学 融合形态及色彩的图像超分辨率重建模型构建及重建方法
WO2021233008A1 (zh) * 2020-05-21 2021-11-25 腾讯科技（深圳）有限公司 一种超分辨率重建方法和相关装置
CN113344793A (zh) * 2021-08-04 2021-09-03 深圳市安软科技股份有限公司 图像超分辨率重建方法、装置、设备及存储介质
CN113643182A (zh) * 2021-08-20 2021-11-12 中国地质大学（武汉） 一种基于对偶学习图网络的遥感影像超分辨率重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JINLONG LIU 等: "Single image super-resolution using feature adaptive learning and global structure sparsity", SIGNAL PROCESSING, 5 June 2021 (2021-06-05) *
张强 等: "基于自训练字典学习的单幅图像的超分辨率重建", 红外技术, vol. 37, no. 9, 30 September 2015 (2015-09-30), pages 2 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116469047A (zh) * 2023-03-20 2023-07-21 南通锡鼎智能科技有限公司 针对实验室教学的小目标检测方法及检测装置

Similar Documents

Publication Publication Date Title
CN111754403B (zh) 一种基于残差学习的图像超分辨率重构方法
CN109886871B (zh) 基于通道注意力机制和多层特征融合的图像超分辨率方法
CN111192200A (zh) 基于融合注意力机制残差网络的图像超分辨率重建方法
CN109214989B (zh) 基于多方向特征预测先验的单幅图像超分辨率重建方法
CN111047515A (zh) 一种基于注意力机制的空洞卷积神经网络图像超分辨率重建方法
CN110415199B (zh) 基于残差学习的多光谱遥感图像融合方法及装置
CN112132959B (zh) 数字岩心图像处理方法、装置、计算机设备及存储介质
Xu et al. High quality remote sensing image super-resolution using deep memory connected network
CN113538246B (zh) 基于无监督多阶段融合网络的遥感图像超分辨率重建方法
Yang et al. Image super-resolution based on deep neural network of multiple attention mechanism
CN111402138A (zh) 一种基于多尺度特征提取融合的监督卷积神经网络的图像超分辨率重建方法
CN104899835A (zh) 基于盲模糊估计与锚定空间映射的图像超分辨处理方法
CN115511767B (zh) 一种自监督学习的多模态图像融合方法及其应用
CN111640067B (zh) 基于三通道卷积神经网络的单幅图像超分辨率重建方法
CN109118428B (zh) 一种基于特征增强的图像超分辨率重建方法
CN114140442A (zh) 一种基于频域和图像域退化感知的深度学习稀疏角度ct重建方法
CN114418854A (zh) 一种基于图像递归性的无监督遥感图像超分辨率重建方法
Zhu et al. Super resolution reconstruction method for infrared images based on pseudo transferred features
CN117788295A (zh) 一种遥感图像的超分辨率重建方法、***及介质
CN112184552B (zh) 一种基于高频特征学习的子像素卷积图像超分辨方法
CN117333750A (zh) 空间配准与局部全局多尺度的多模态医学图像融合方法
CN117593199A (zh) 一种基于高斯先验分布自注意力的双流遥感图像融合方法
CN116612009A (zh) 一种多尺度连接生成对抗网络医学图像超分辨率重建方法
CN116029908A (zh) 基于跨模态和跨尺度特征融合的3d磁共振超分辨率方法
CN115293983A (zh) 一种融合多层级互补特征的自适应图像超分辨率复原方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination