[發明專利]一種輪船目標遙感影像的超分辨率重建方法及系統

有效

• 申請號: 201810877366.5
• 申請日: 2018-08-03
• 公開（公告）號: CN109117944B
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 王玄音;王宇昊
• 申請（專利權）人: 北京悅圖數據科技發展有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06T3/40
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王瑩;李相雨

1.一種輪船目標遙感影像的超分辨率重建方法，其特征在于，包括：

對輪船目標遙感影像樣本庫中的圖像進行圖像分塊和圖像塊矩陣映射，得到高-低圖像塊映射矩陣；

基于所述高-低圖像塊映射矩陣，根據預設網絡參數，利用機器學習深度卷積神經網絡模型進行訓練，得到超分重建卷積神經網絡權重固化模型；

所述預設網絡參數包括模型結構設計參數，所述模型結構設計參數包括卷積神經網絡層數以及特征圖層數；

其中，所述卷積神經網絡層數為24，所述特征圖層數為64；

所述預設網絡參數還包括標準參數，所述標準參數包括卷積核大小、卷積核移動步長、激活函數、損失函數、梯度下降函數、殘差層函數、訓練圖像塊尺寸和目標圖像塊尺寸；

其中，所述卷積核大小為5×5，所述卷積核移動步長為20，所述激活函數為PRelu，所述損失函數為EuclideanLoss，所述梯度下降函數為Adam，所述殘差層函數為Eltwise，所述訓練圖像塊尺寸和所述目標圖像塊尺寸均為41；

每一層卷積計算后的高維特征圖均利用所述激活函數進行計算，實現非線性特征映射；

所述預設網絡參數還包括訓練策略參數，所述訓練策略參數包括學習率策略、模型樣本全訓練迭代次數及批處理量；

所述學習率策略為step:10000,gamma:0.1；所述模型樣本全訓練迭代次數為3；所述批處理量為68；

所述標準參數還包括網絡初始化步長、訓練圖像尺寸填充值、基礎學習率、網絡動能系數、權重衰減系數及權重/偏置初始化方法；

所述網絡初始化步長為1，所述訓練圖像尺寸填充值為1，所述基礎學習率為0.0001，所述網絡動能系數為0，所述權重衰減系數為0.0001，所述權重/偏置初始化方法為msra。

2.根據權利要求1所述的方法，其特征在于，所述方法還包括：

將低分辨率輪船目標遙感影像輸入到所述超分重建卷積神經網絡權重固化模型，從而輸出得到高分辨率輪船目標遙感影像。

3.根據權利要求1所述的方法，其特征在于，所述利用機器學習深度卷積神經網絡模型進行訓練包括通過調用深度學習框架Caffe實現。

4.一種輪船目標遙感影像的超分辨率重建系統，其特征在于，包括：

樣本集預處理模塊，具體用于：對輪船目標遙感影像樣本庫中的圖像進行圖像分塊和圖像塊矩陣映射，得到高-低圖像塊映射矩陣；

超分重建模型構建模塊，具體用于：基于所述高-低圖像塊映射矩陣，根據預設網絡參數，利用機器學習深度卷積神經網絡模型進行訓練，得到超分重建卷積神經網絡權重固化模型；

所述預設網絡參數包括模型結構設計參數，所述模型結構設計參數包括卷積神經網絡層數以及特征圖層數；

其中，所述卷積神經網絡層數為24，所述特征圖層數為64；

所述預設網絡參數還包括標準參數，所述標準參數包括卷積核大小、卷積核移動步長、激活函數、損失函數、梯度下降函數、殘差層函數、訓練圖像塊尺寸和目標圖像塊尺寸；

其中，所述卷積核大小為5×5，所述卷積核移動步長為20，所述激活函數為PRelu，所述損失函數為EuclideanLoss，所述梯度下降函數為Adam，所述殘差層函數為Eltwise，所述訓練圖像塊尺寸和所述目標圖像塊尺寸均為41；

每一層卷積計算后的高維特征圖均利用所述激活函數進行計算，實現非線性特征映射；

所述預設網絡參數還包括訓練策略參數，所述訓練策略參數包括學習率策略、模型樣本全訓練迭代次數及批處理量；

所述學習率策略為step:10000,gamma:0.1；所述模型樣本全訓練迭代次數為3；所述批處理量為68；

所述標準參數還包括網絡初始化步長、訓練圖像尺寸填充值、基礎學習率、網絡動能系數、權重衰減系數及權重/偏置初始化方法；

所述網絡初始化步長為1，所述訓練圖像尺寸填充值為1，所述基礎學習率為0.0001，所述網絡動能系數為0，所述權重衰減系數為0.0001，所述權重/偏置初始化方法為msra。