申请/专利权人：电子科技大学;成都成电金盘健康数据技术有限公司

申请日：2023-12-27

公开（公告）日：2024-04-16

公开（公告）号：CN117474764B

主分类号：G06T3/4053

分类号：G06T3/4053;G06T5/70;G06V10/774;G06V10/82;G06N3/0464;G06V10/86;G06N3/09

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2024.02.20#实质审查的生效;2024.01.30#公开

摘要：本发明涉及一种针对复杂退化模型下遥感图像的高分辨率重建方法，属于高分辨率重建领域。该方法将MAE自监督模型引入高分辨率重建领域，第一阶段利用MAE学习遥感图像的先验信息。第二阶段提出一个重建网络，重建网络利用MAE学习到的先验信息完成低分辨率遥感图像的高分辨率重建任务。同时在重建网络中提出一种边缘注意力模块，边缘注意力模块可以提取特征图的梯度信息，对梯度较大的边缘位置赋予较大的学习权重，使得重建网络关注边缘位置。在公开数据集上证明了重建模型在高分辨率重建任务中的优越性，模型在大多数退化模型上都取得了很好的客观指标结果，视觉上重建出的图像边缘清晰，含有更丰富的细节信息，在高分辨率重建领域具有广泛的应用前景。

主权项：1.一种针对复杂退化模型下遥感图像的高分辨率重建方法，其特征在于，包括以下步骤：S1：获取样本图像数据集，数据集中包括不同场景的M张图像，随机选取图像，将数据集分为训练集和测试集；S2：设计退化模型，将高分辨率遥感图像模糊处理和下采样之后，加入噪声，生成最终的低分辨率遥感图像；S3：训练带掩码的自编码器模型，学习低分辨率遥感图像的先验信息；S4：搭建一个新的重建网络；重建网络和带掩码的自编码器模型同时训练，利用带掩码的自编码器模型学习到的先验信息对低分辨率遥感图像进行高分辨率重建；重建网络结构整体上分为三个部分，具体如下：S41：第一部分进行浅层特征提取；浅层特征提取模块分别利用卷积核大小为3、5、7的卷积层提取多尺度特征，之后将提取到的三种特征在通道维度连结，利用卷积核大小为1×1的卷积层减小通道数，融合多尺度特征；浅层特征提取模块初步提取了遥感图像中的多尺度特征F0，表示如式（2）：F0=HSFEILR（2）其中HSFE表示浅层特征提取的映射函数，ILR表示输入的低分辨率遥感图像，F0表示提取到的多尺度特征特征；S42：第二部分进行深层特征提取，由残差分支和特征分支组成；特征分支将第一部分提取到的浅层特征直接传向深层特征提取网络后方；残差分支使用UNet模型的结构设计，分支中间的一个卷积层将分支分为前后两个部分；前面部分与后面部分均级联r个基础块且结构相互对应，前面部分每个基础块依次由多尺度感受野注意力模块、残差融合块和先验模块组成，后面部分的每个基础块依次由卷积层、多尺度感受野注意力模块、残差融合块和先验模块组成；其中多尺度感受野注意力模块和残差融合块负责解决特征学习子问题，先验模块负责解决先验学习子问题；前面部分基础块的输入来自先验信息以及上一个基础块的输出，前面部分第r个基础块的输出表示为式（3）：（3）其中表示前面部分第r个基础块的映射函数；表示第r个基础块的输出，表示第r个基础块的前一个基础块的输出；后面部分同样级联多个基础块，后面部分基础块的输入不仅来自先验信息以及上一个基础块的输出，还来自前面部分对应基础块的输出，它们在通道维度上连结，并利用卷积层进行特征融合；后面部分第r个基础块的输出表示为式（4）：（4）其中表示后面部分第r个基础块的输出，表示后面部分第r个基础块的映射函数，Concat表示通道维度连结操作，表示前面部分对应基础块的输出，其中n是网络中模块的总数量，n=前r个基础块+1个中间部分的卷积块+后r个基础块；S43：第三部分为上采样模块，上采样方式采用亚像素卷积，避免重建过程中伪影的产生，重建出含有丰富细节信息的图像。

全文数据：

权利要求：

百度查询： 电子科技大学;成都成电金盘健康数据技术有限公司 一种针对复杂退化模型下遥感图像的高分辨率重建方法

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