申请/专利权人：南京信息工程大学

申请日：2022-11-24

公开（公告）日：2024-02-13

公开（公告）号：CN115861099B

主分类号：G06T5/00

分类号：G06T5/00;G06N3/0464;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.02.13#授权;2023.04.14#实质审查的生效;2023.03.28#公开

摘要：本发明公开了一种引入物理成像先验知识约束的卫星云图图像复原方法，包括步骤：S1，搭建PKKernelGAN+ZSSR图像退化模糊核估计深度神经网络；S2，构建成像退化矩阵；S3，将成像退化矩阵写入损失函数，训练PKKernelGAN网络，获得云图图像退化模糊核估计网络PKKernel‑G；S4，构建“高质量‑低质量”成对云图图像数据集；S5，基于“高质量‑低质量”成对云图图像数据集，训练云图图像复原深度神经网络ZSSR；S6，将原始云图图像输入步骤S5训练好的云图图像复原深度神经网络ZSSR，得到最终输出的高质量复原云图图像。本发明能度量云图图像物理成像损失，提升图像复原效果。

主权项：1.一种引入物理成像先验知识约束的卫星云图图像复原方法，其特征在于，包括以下步骤：S1，搭建PKKernelGAN+ZSSR图像退化模糊核估计深度神经网络；S2，根据卫星探测器像元采样位置的非规则性，模拟气象卫星成像物理过程，构建成像退化矩阵kcloud；S3，将成像退化矩阵kcloud写入损失函数LPK，训练PKKernelGAN网络，获得云图图像退化模糊核估计网络PKKernel-G；S4，采用原始云图图像作为高质量图像，基于训练好的PKKernel-G将原始云图图像生成退化模糊低质量图像，构建“高质量-低质量”成对云图图像数据集；S5，基于“高质量-低质量”成对云图图像数据集，训练基于零次学习思想的云图图像复原深度神经网络ZSSR；S6，将原始云图图像输入步骤S5训练好的云图图像复原深度神经网络ZSSR，得到最终输出的高质量复原云图图像；步骤S2中，模拟气象卫星成像物理过程，构建成像退化矩阵kcloud的详细步骤如下：S21，将气象卫星数据接收过程分解为若干正弦振动的叠加，表达式如下： 其中，fi、Ai、分别为第i个谐波分量的振动频率、振幅和初始相位；t为气象卫星成像时刻；S22，根据卫星探测器像元采样位置的非规则性，模拟气象卫星成像物理过程构建成像退化矩阵kcloud；其中，非规则性几何形变，表达式如下： 其中，x为像元采样位置，εx为像元采样位置的偏移量，ω为像元尺寸，Q为谐波数量，Tint为相机单级积分时间；步骤S3中，所述损失函数LPK的表达式如下：LPK＝αLsum_to_1+βLboundaries+γLsparse+λLcloud其中，α，β，γ，λ为各损失函数的权重系数； 为求和损失，该损失函数的作用是鼓励k求和为1，k为PKKernelGAN估计的卫星成像退化模糊核，m,n为模糊核的像素坐标； 为边界损失，该损失函数的作用是惩罚接近边界的非零值，μ是一个常数权重，随着边界像素与k中心的距离变大而呈指数增长； 为稀疏损失；Lcloud＝VARk,kcloud＝|varkm,n-varkcloudm,n|为成像退化损失，kcloud是根据气象卫星成像物理先验知识构建的成像退化矩阵； 式中，kcloud是根据气象卫星成像物理先验知识构建的成像退化矩阵；m、n为模糊核的像素坐标；M、N为模糊核尺寸。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种引入物理成像先验知识约束的卫星云图图像复原方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD