[go: up one dir, main page]

CN109461120A - 一种基于srgan的微波遥感亮温图像重构方法 - Google Patents

一种基于srgan的微波遥感亮温图像重构方法 Download PDF

Info

Publication number
CN109461120A
CN109461120A CN201811099270.7A CN201811099270A CN109461120A CN 109461120 A CN109461120 A CN 109461120A CN 201811099270 A CN201811099270 A CN 201811099270A CN 109461120 A CN109461120 A CN 109461120A
Authority
CN
China
Prior art keywords
microwave
srgan
network
temperature image
remote sensing
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
CN201811099270.7A
Other languages
English (en)
Inventor
陈柯
任昶
张化昀
李青侠
郎量
桂良启
郭伟
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.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201811099270.7A priority Critical patent/CN109461120A/zh
Publication of CN109461120A publication Critical patent/CN109461120A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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

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)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种基于SRGAN的微波遥感亮温图像重构方法，包括：模拟星载被动微波遥感观测流程，得到高分辨率微波亮温图像和星载低分辨率被动微波遥感图像组成微波亮温图像数据集；对微波亮温图像数据集进行预处理，得到SRGAN微波亮温图像数据集；构建SRGAN深度卷积神经网络，使用SRGAN微波亮温图像数据集进行学习训练，得到最优的SRGAN深度卷积神经网络，将待重构的星载低分辨率微波遥感亮温图像输入到最优的SRGAN深度卷积神经网络，得到重构后的高分辨率被动微波遥感亮温图像。本发明能够有效地降低被动微波遥感亮温图像重构中的计算复杂度以及摆脱了传统重构算法对卫星载荷点响应函数的依赖。

Description

一种基于SRGAN的微波遥感亮温图像重构方法
技术领域
本发明属于被动微波遥感领域，更具体地，涉及一种基于SRGAN的微波遥感亮温图像重构方法。
背景技术
被动微波遥感是一种极其重要的遥感技术，具有全天时、全天候的特点，相对于可见光与红外遥感而言，能够穿透云层，遥感云雨大气内部信息。卫星被动微波遥感具有覆盖时空范围广、探测信息量大、探测频率高等许多独特的优点。随着近年来对星载微波辐射计应用研究的深入，星载被动微波遥感在气象领域的作用越发重要，可以用于观测大气温湿廓线、云底高度、云中液氮水、强对流、龙卷风、云中固态水和降水率等气象信息，为民用、军用气象预报提供有力支撑。
然而星载被动微波遥感较低的空间分辨率限制了其在观测地表环境以及大气探测中的作用。目前，提升星载辐射计的空间分辨率主要有两种措施：一方面是从物理技术角度，提升天线的口径，但是星载辐射计天线口径受制于火箭的空间容量，存在口径大小的极限；另一方面则是从数据处理的角度，使用观测得到的低分辨率微波遥感亮温图像数据和卫星微波载荷的真实点响应函数，通过反卷积技术重构具有更高分辨率的亮温图像，目前一般采用BG、SIR、维纳滤波等传统反卷积算法，但是反卷积算法性能有限，而且受到先验的载荷点响应函数信息限制。
由此可见，现有微波遥感图像超分辨重建存在复杂度高的技术问题。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于SRGAN的微波遥感亮温图像重构方法，由此解决现有微波遥感图像超分辨重建存在复杂度高的技术问题。
为实现上述目的，本发明提供了一种基于SRGAN的微波遥感亮温图像重构方法，包括：
将待重构的星载低分辨率微波遥感亮温图像输入到最优的SRGAN深度卷积神经网络，得到重构后的高分辨率被动微波遥感亮温图像；所述SRGAN深度卷积神经网络的训练过程包括：
(1)模拟星载被动微波遥感观测流程，得到高分辨率微波亮温图像TB和星载低分辨率被动微波遥感图像TA组成微波亮温图像数据集；
(2)对微波亮温图像数据集进行预处理，得到SRGAN微波亮温图像数据集；
(3)构建SRGAN深度卷积神经网络，使用SRGAN微波亮温图像数据集对SRGAN深度卷积神经网络进行学习训练，得到最优的SRGAN深度卷积神经网络。
进一步地，步骤(1)的具体实现方式为：
利用数值大气模式WRF产生大气物理参数场，将大气物理参数场输入到微波辐射传输RT模式计算产生高分辨率微波亮温图像TB，以高分辨率微波亮温图像TB为输入，模拟星载微波辐射计载荷系统响应，计算星载低分辨率被动微波遥感图像TA，高分辨率微波亮温图像TB和星载低分辨率被动微波遥感图像TA构成微波亮温图像数据集。
进一步地，步骤(2)的具体实现方式为：
分别从星载低分辨率被动微波遥感图像TA和高分辨率微波亮温图像TB中随机选取M个图像分别作为测试数据集合，再分别从星载低分辨率被动微波遥感图像TA和高分辨率微波亮温图像TB中随机选取N个图像分别作为验证数据集合，星载低分辨率被动微波遥感图像TA和高分辨率微波亮温图像TB中各自剩下的图像分别作为训练数据集合，将测试数据集合、验证数据集合和训练数据集合组合构成SRGAN微波亮温图像数据集。
进一步地，SRGAN深度卷积神经网络包括：G网络和D网络，G网络第lG个卷积层的权重矩阵为WlG，G网络第lG个卷积层的偏置为blG，lG＝1，2，3，...，L1，G网络的参数为θG；D网络第lD个卷积层的权重矩阵为WlD偏置为blD，lG＝1，2，3，...，L2，D网络的参数为θD。
进一步地，步骤(3)包括：
(31)构建SRGAN深度卷积神经网络，训练SRGAN深度卷积神经网络，调整参数θG与θD从而最小化G网络和D网络的损失函数值lossG和lossD：
lossgan＝lossG+lossD
其中lossgan是SRGAN深度卷积神经网络的总损失，是内容损失函数，是对抗损失；
其中，N是训练数据集合中样本的个数，为G网络的函数，为D网络的函数；
内容损失表示为重构微波亮温图像和对应高分辨率微波亮温图像TB的欧氏距离，TBx，y为TB在第y行第x列的像素值，为在第y行第x列的像素值，W与H是图像的宽和高；
其中，D(TBi)为D网络判断输入样本为真实样本的概率，D(G(TAi))为D网络判断输入样本为生成样本的概率；
(32)设置SRGAN深度卷积神经网络的超参数；
(33)采用随机梯度下降法优化lossG和lossD，使得网络参数θG和θD收敛，得到最优的SRGAN深度卷积神经网络。
进一步地，SRGAN深度卷积神经网络的超参数包括：网络迭代次数、网络反向传播采用的算法、网络的运行模式和网络参数保存的位置。
进一步地，步骤(3)还包括：
在训练过程中，利用训练数据集合训练SRGAN深度卷积神经网络，利用验证数据集合验证训练得到的SRGAN深度卷积神经网络是否过拟合以及测试网络的性能，训练完成后，利用测试数据集测试最优的SRGAN深度卷积神经网络的泛化能力。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明方法利模拟得到的高分辨率微波亮温图像TB和星载低分辨率被动微波遥感图像TA训练SRGAN(基于生成对抗神经网络的图像超分辨率)深度卷积神经网络，相较于现有BG，SIR算法而言计算速度更快且摆脱了对于系统点响应函数的依赖。
(2)低分辨率卫星遥感图像与高分辨率卫星遥感图像之间的区别在于高频信息的丢失，本发明方法中SRGAN深度卷积神经网络正是利用这种特性构建；SRGAN深度卷积神经网络直接学习卫星遥感图像中的高频信息，不需要学习低频信息，收敛速度更快。
(3)本发明中SRGAN深度卷积神经网络卷积层数更多，增加了感受野，充分利用了卫星遥感图像相邻像素之间的关联性，使用本方法重建后的卫星遥感图像效果要好于常用算法。
(4)本发明方法中，SRGAN深度卷积神经网络不但具有能够重建高分辨率卫星遥感图像的G网络，而且有一个能够鉴别G网络生成图像与原始高分辨率图像的D网络。D网络与G网络形成对抗，最终使G网络能够欺骗鉴别能力较强的D网络，从而实现较好的图像重建效果。
附图说明
图1是本发明实施例提供的一种基于SRGAN的微波遥感亮温图像重构方法的流程图；
图2(a)是本发明方法实施例1中原始的低分率样本亮温图像；
图2(b)是本发明方法实施例1中重建后的超分辨率亮温图像；
图3(a)是本发明方法实施例2中原始的低分率样本亮温图像；
图3(b)是本发明方法实施例2中重建后的超分辨率亮温图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，一种基于SRGAN的微波遥感亮温图像重构方法，包括：
将待重构的星载低分辨率微波遥感亮温图像输入到最优的SRGAN深度卷积神经网络，得到重构后的高分辨率被动微波遥感亮温图像；所述SRGAN深度卷积神经网络的训练过程包括：
(1)模拟星载被动微波遥感观测流程，得到高分辨率微波亮温图像TB和星载低分辨率被动微波遥感图像TA组成微波亮温图像数据集；
(2)对微波亮温图像数据集进行预处理，得到SRGAN微波亮温图像数据集；
(3)构建SRGAN深度卷积神经网络，使用SRGAN微波亮温图像数据集对SRGAN深度卷积神经网络进行学习训练，得到最优的SRGAN深度卷积神经网络。
本发明实施例提供的微波遥感图像超分辨方法基于深度卷积神经网络，针对微波遥感图像超分辨的实时应用，能够有效的降低其计算复杂度而且摆脱了对系统点响应函数的依赖，是一种新型的微波遥感图像超分辨方法。本实施例以频率88.2GHz的极轨微波遥感图像为例。
实施例1
第一步，以数值大气模式WRF产生大气物理参数场，输入到微波辐射传输RT模式计算产生88.2GHz的高分辨率微波遥感图像TB，以高分辨率微波亮温图像TB为输入，模拟星载微波辐射计载荷系统响应，计算星载低分辨率被动微波遥感图像TA。最后一共产生380组TB与TA。
第二步，在TA与TB中选取10组作为测试数据集并且转化为mat格式的test1.mat，选取20组作为验证数据集并且转化为mat格式的test2.mat，剩下的350组作为训练数据集，随机打乱此训练数据集后转化为mat格式的train.mat。
第三步，使用tensotflow框架，编写SRGAN网络结构文件model.py。SRGAN网络分为G网络与D网络。G网络输入为低分辨率图像，输出为超分辨率图像，输入经过N个残差块后得到重建的高频图像，重建后的高频图像与输入图像叠加后得到输出；D网络是一个鉴别器，输入为超分辨率图像与高分辨率图像，经过多层卷积，最终输出鉴别两者之间的概率值。
第四步，编写超参数文件config.py设置网络的基础学习率等参数与编写训练测试文件main.py。运行main.py开始训练，训练完成后测试得到my_result.mat，也就是重建的超分辨率亮温图像。
图2(a)是星载低分辨率被动微波遥感图像TA的图像，并将其作为深度卷积神经网络的输入。图2(b)是G网络最终叠加层输出即超分辨率重建亮温图像。计算得到图2(a)与样本标签亮温图像之间的均方误差RMSE1为6.5104，图2(b)与样本标签亮温图像之间的均方误差RMSE2为3.0371。
实施例2
图3(a)是将另外一幅频率为88.2Hz的星载低分辨率被动微波遥感图像TA，并将其作为深度卷积神经网络的输入。图3(b)是G网络最终叠加层输出即超分辨率重建亮温图像。
计算得到图3(a)与样本标签亮温图像之间的均方误差RMSE1为6.1561，图2(b)与样本标签亮温图像之间的均方误差RMSE2为2.9780。
由以上结果可以看出：视觉上，微波遥感亮温图像的空间分辨率提升了，根据微波辐射传输RT模式计算得到分辨率提升了200％；从均方误差数值上可以看出，亮温图像的均方误差变小了，即空间分辨率的提升使得观测误差下降了。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于SRGAN的微波遥感亮温图像重构方法，其特征在于，包括：
将待重构的星载低分辨率微波遥感亮温图像输入到最优的SRGAN深度卷积神经网络，得到重构后的高分辨率被动微波遥感亮温图像；所述SRGAN深度卷积神经网络的训练过程包括：
(1)模拟星载被动微波遥感观测流程，得到高分辨率微波亮温图像TB和星载低分辨率被动微波遥感图像TA组成微波亮温图像数据集；
(2)对微波亮温图像数据集进行预处理，得到SRGAN微波亮温图像数据集；
(3)构建SRGAN深度卷积神经网络，使用SRGAN微波亮温图像数据集对SRGAN深度卷积神经网络进行学习训练，得到最优的SRGAN深度卷积神经网络。
2.如权利要求1所述的微波遥感亮温图像重构方法，其特征在于，所述步骤(1)的具体实现方式为：
利用数值大气模式WRF产生大气物理参数场，将大气物理参数场输入到微波辐射传输RT模式计算产生高分辨率微波亮温图像TB，以高分辨率微波亮温图像TB为输入，模拟星载微波辐射计载荷系统响应，计算星载低分辨率被动微波遥感图像TA，高分辨率微波亮温图像TB和星载低分辨率被动微波遥感图像TA构成微波亮温图像数据集。
3.如权利要求1或2所述的微波遥感亮温图像重构方法，其特征在于，所述步骤(2)的具体实现方式为：
分别从星载低分辨率被动微波遥感图像TA和高分辨率微波亮温图像TB中随机选取M个图像分别作为测试数据集合，再分别从星载低分辨率被动微波遥感图像TA和高分辨率微波亮温图像TB中随机选取N个图像分别作为验证数据集合，星载低分辨率被动微波遥感图像TA和高分辨率微波亮温图像TB中各自剩下的图像分别作为训练数据集合，将测试数据集合、验证数据集合和训练数据集合组合构成SRGAN微波亮温图像数据集。
4.如权利要求1或2所述的微波遥感亮温图像重构方法，其特征在于，所述SRGAN深度卷积神经网络包括：G网络和D网络，G网络第lG个卷积层的权重矩阵为WlG，G网络第lG个卷积层的偏置为blG，lG＝1，2，3，...，L1，G网络的参数为θG；D网络第lD个卷积层的权重矩阵为WlD偏置为blD，lG＝1，2，3，...，L2，D网络的参数为θD。
5.如权利要求4所述的微波遥感亮温图像重构方法，其特征在于，所述步骤(3)包括：
(31)构建SRGAN深度卷积神经网络，训练SRGAN深度卷积神经网络，调整参数θG与θD从而最小化G网络和D网络的损失函数值lossG和lossD：
lossgan＝lossG+lossD
其中lossgan是SRGAN深度卷积神经网络的总损失，是内容损失函数，是对抗损失；
其中，N是训练数据集合中样本的个数，为G网络的函数，为D网络的函数；
内容损失表示为重构微波亮温图像和对应高分辨率微波亮温图像TB的欧氏距离，TBx，y为TB在第y行第x列的像素值，为在第y行第x列的像素值，W与H是图像的宽和高；
其中，D(TBi)为D网络判断输入样本为真实样本的概率，D(G(TAi))为D网络判断输入样本为生成样本的概率；
(32)设置SRGAN深度卷积神经网络的超参数；
(33)采用随机梯度下降法优化lossG和lossD，使得网络参数θG和θD收敛，得到最优的SRGAN深度卷积神经网络。
6.如权利要求5所述的微波遥感亮温图像重构方法，其特征在于，所述SRGAN深度卷积神经网络的超参数包括：网络迭代次数、网络反向传播采用的算法、网络的运行模式和网络参数保存的位置。
7.如权利要求3所述的微波遥感亮温图像重构方法，其特征在于，所述步骤(3)还包括：
在训练过程中，利用训练数据集合训练SRGAN深度卷积神经网络，利用验证数据集合验证训练得到的SRGAN深度卷积神经网络是否过拟合以及测试网络的性能，训练完成后，利用测试数据集测试最优的SRGAN深度卷积神经网络的泛化能力。
CN201811099270.7A 2018-09-19 2018-09-19 一种基于srgan的微波遥感亮温图像重构方法 Pending CN109461120A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811099270.7A CN109461120A (zh) 2018-09-19 2018-09-19 一种基于srgan的微波遥感亮温图像重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811099270.7A CN109461120A (zh) 2018-09-19 2018-09-19 一种基于srgan的微波遥感亮温图像重构方法

Publications (1)

Publication Number Publication Date
CN109461120A true CN109461120A (zh) 2019-03-12

Family

ID=65606849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811099270.7A Pending CN109461120A (zh) 2018-09-19 2018-09-19 一种基于srgan的微波遥感亮温图像重构方法

Country Status (1)

Country Link
CN (1) CN109461120A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110047138A (zh) * 2019-04-24 2019-07-23 复旦大学 一种磁共振薄层图像重建方法
CN110363792A (zh) * 2019-07-19 2019-10-22 广东工业大学 一种基于光照不变性特征提取的遥感图像变化检测方法
CN110865391A (zh) * 2019-11-14 2020-03-06 清华大学 用于目标增强的毫米波太赫兹多极化成像方法及成像系统
CN111461984A (zh) * 2020-03-30 2020-07-28 华南理工大学 一种基于压缩感知的负荷预测方法
CN111539874A (zh) * 2020-04-15 2020-08-14 山东神舟信息技术有限公司 一种加速视频超分辨率重建的方法及装置
CN113723453A (zh) * 2021-07-21 2021-11-30 北京工业大学 花粉图像分类方法及装置
CN114202679A (zh) * 2021-12-01 2022-03-18 昆明理工大学 一种基于gan网络的异源遥感图像自动化标注方法
CN115267786A (zh) * 2022-07-29 2022-11-01 北京彩彻区明科技有限公司 融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法及装置
CN115691049A (zh) * 2022-09-02 2023-02-03 云遥动力科技(苏州)有限公司 一种基于深度学习的对流初生预警方法
CN116659684A (zh) * 2023-05-25 2023-08-29 华中科技大学 星载综合孔径微波辐射计海陆污染误差校正方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180075581A1 (en) * 2016-09-15 2018-03-15 Twitter, Inc. Super resolution using a generative adversarial network
CN108009989A (zh) * 2017-12-18 2018-05-08 华中科技大学 一种基于srcnn的微波遥感图像超分辨率重建方法
CN108335263A (zh) * 2018-01-25 2018-07-27 华中科技大学 一种基于vdsr的微波遥感图像超分辨率重建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180075581A1 (en) * 2016-09-15 2018-03-15 Twitter, Inc. Super resolution using a generative adversarial network
CN108009989A (zh) * 2017-12-18 2018-05-08 华中科技大学 一种基于srcnn的微波遥感图像超分辨率重建方法
CN108335263A (zh) * 2018-01-25 2018-07-27 华中科技大学 一种基于vdsr的微波遥感图像超分辨率重建方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
CHRISTIAN LEDIG,ETC.: "Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 *
张宗祥: "基于地物类别的高光谱图像超分辨率复原算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
曾凯: "图像超分辨率重建的研究进展", 《计算机工程与应用》 *
邵保泰等: "基于生成对抗网络的单帧红外图像超分辨算法", 《红外与毫米波学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110047138A (zh) * 2019-04-24 2019-07-23 复旦大学 一种磁共振薄层图像重建方法
CN110363792A (zh) * 2019-07-19 2019-10-22 广东工业大学 一种基于光照不变性特征提取的遥感图像变化检测方法
CN110865391A (zh) * 2019-11-14 2020-03-06 清华大学 用于目标增强的毫米波太赫兹多极化成像方法及成像系统
CN110865391B (zh) * 2019-11-14 2021-09-21 清华大学 用于目标增强的毫米波太赫兹多极化成像方法及成像系统
CN111461984A (zh) * 2020-03-30 2020-07-28 华南理工大学 一种基于压缩感知的负荷预测方法
CN111461984B (zh) * 2020-03-30 2022-06-14 华南理工大学 一种基于压缩感知的负荷预测方法
CN111539874A (zh) * 2020-04-15 2020-08-14 山东神舟信息技术有限公司 一种加速视频超分辨率重建的方法及装置
CN113723453A (zh) * 2021-07-21 2021-11-30 北京工业大学 花粉图像分类方法及装置
CN114202679A (zh) * 2021-12-01 2022-03-18 昆明理工大学 一种基于gan网络的异源遥感图像自动化标注方法
CN115267786A (zh) * 2022-07-29 2022-11-01 北京彩彻区明科技有限公司 融合卫星观测亮温和高程的ResUNet-GAN全球雷达反演方法及装置
CN115691049A (zh) * 2022-09-02 2023-02-03 云遥动力科技(苏州)有限公司 一种基于深度学习的对流初生预警方法
CN116659684A (zh) * 2023-05-25 2023-08-29 华中科技大学 星载综合孔径微波辐射计海陆污染误差校正方法

Similar Documents

Publication Publication Date Title
CN109461120A (zh) 一种基于srgan的微波遥感亮温图像重构方法
CN111985543B (zh) 一种高光谱图像分类模型的构建方法、分类方法及系统
CN111639747B (zh) 一种基于bp神经网络的gnss-r海面风速反演方法及系统
CN112862090B (zh) 一种基于深度时空神经网络的气温预报方法
CN114547017A (zh) 一种基于深度学习的气象大数据融合方法
CN109523013B (zh) 基于浅层卷积神经网络的空气颗粒物污染程度估计方法
CN110533631A (zh) 基于金字塔池化孪生网络的sar图像变化检测方法
CN111814875A (zh) 基于样式生成对抗网络的红外图像中舰船样本扩充方法
CN114581791A (zh) 基于modis数据大气水汽含量反演方法及系统
CN112906310A (zh) 考虑萤火虫算法优化bp神经网络微波遥感土壤水分反演方法
CN111784560A (zh) 基于级联残差生成对抗网络的sar和光学图像双向翻译方法
CN113033453B (zh) 一种适用于景观破碎区作物类型遥感识别的方法及系统
CN107451528B (zh) 基于深度学习的地表覆盖图片自动识别方法及系统
CN108009989A (zh) 一种基于srcnn的微波遥感图像超分辨率重建方法
Chen et al. Spatiotemporal fusion network for land surface temperature based on a conditional variational autoencoder
CN113066037B (zh) 基于图注意力机制的多光谱与全色图像融合方法及系统
CN117710508A (zh) 基于改进条件生成对抗网络的近地表温度反演方法和装置
CN113781311A (zh) 一种基于生成对抗网络的图像超分辨率重建方法
CN115601281A (zh) 基于深度学习的遥感图像时空融合方法、系统及电子设备
CN118296941A (zh) 一种被动微波土壤水分和地表温度协同反演的方法、系统、存储介质及设备
CN116977723A (zh) 基于空间-光谱混合自注意力机制的高光谱图像分类方法
CN119516406A (zh) 基于联邦学习的多客户端协同sar图像目标识别方法
CN109409014A (zh) 基于bp神经网络模型的年可照时数的计算方法
CN116467854A (zh) 基于辐射模式和机器学习的多通道云物理特性反演算法
CN114764889B (zh) 基于风格迁移的sar图像融合检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190312