买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：自然资源部第一海洋研究所

摘要：本发明属于卫星传感器技术领域，公开了一种GF‑1WFV卫星影像超分辨率方法、系统及应用，基于时空同步的GF‑1PMS和WFV影像进行GF‑1WFV影像超分辨率建模，构建基于深层残差卷积神经网络的GF‑1WFV影像超分辨率模型GFRCAN；在残差模块中引入坐标注意力机制，捕获影像中长距离依赖关系，挖掘影像空间特征；将峰值信噪比PSNR用于网络损失计算，实现超分过程中的影像光谱特征保持；在损失函数中引入SSIM，实现地物细节信息保持；在网络深层特征提取后添加自适应多尺度空间注意力模块AMSA，融合不同尺度特征。实验表明，GFRCAN模型可实现GF‑1WFV卫星影像的2倍超分辨率。

主权项：1.一种GF-1WFV卫星影像超分辨率方法，其特征在于，所述GF-1WFV卫星影像超分辨率方法包括：基于时空同步的GF-1PMS和WFV影像，进行GF-1WFV影像超分辨率分析，构建基于深层残差卷积神经网络的GF-1WFV影像超分辨率模型；所述基于深层残差卷积神经网络的GF-1WFV影像超分辨率模型在残差模块中引入坐标注意力机制，用于捕获影像中长距离依赖关系，挖掘影像空间特征；将峰值信噪比PSNR用于网络的损失计算，以实现超分过程中的影像光谱特征保持；在损失函数中引入SSIM，以实现地物细节信息的保持；在网络深层特征提取后添加自适应多尺度空间注意力模块AMSA，以融合不同尺度特征；其中，所述长距离依赖关系包括地物空间结构和边缘；所述GF-1WFV卫星影像超分辨率方法包括以下步骤：步骤一，构建面向GF-1WFV影像的超分辨率深层卷积网络GFRCAN；面向GF-1WFV影像的超分辨率深层卷积网络GFRCAN由浅层特征提取层、深度特征提取层、上采样层以及多尺度特征重构层组成；其中，所述浅层特征提取层由一个3×3的卷积组成；所述深度特征提取层由若干残差组以及长跳跃连接组成；每个残差组包含若干个残差坐标注意力模块RCOAB以及一个短跳跃连接组成；经过深度特征提取后，特征图由一个上采样模块生成初步的超分辨率特征图；经过自适应多尺度空间注意力注意模块AMSA以及一个3×3的卷积生成最终的超分辨率重构图；步骤二，设计残差坐标注意力模块RCOAB；步骤三，提出自适应多尺度空间注意力模块AMSA；步骤四，将结构相似性SSIM和峰值信噪比PSNR用于网络的损失计算；其中，所述步骤三中的提出自适应多尺度空间注意力模块AMSA包括：所述自适应多尺度空间注意力模块采用不同感受野的空洞卷积获取不同尺度的特征图，并通过网络自学习动态调整不同感受野特征图的权重，将重新加权的特征图进行拼接；通过空间注意力模块SAM发现有效信息丰富的区域，利用空间注意力得到的权重和空洞卷积提取的多尺度特征图对输入特征图进行信息增强；公式表达如下：Fi＝λi·fiFin；i＝0,1,2,3；FC＝[F0,F1,F2,F3]；Fout＝Fin+FC⊙HSAMFC；式中，Fin表示AMSA模块的输入，fi表示不同扩张率的空洞卷积；λi表示自适应权重，初始设为0.25，在反向传播过程中进行更新；Fi表示不同感受野的加权特征图，FC表示拼接后的特征图，HSAM表示空间注意力模块，⊙表示特征图逐像元相乘，Fout表示AMSA模块的输出；所述步骤四中的将SSIM、PSNR用于网络的损失计算包括：对于具有N个低分-高分样本的训练集，损失函数表达如下： 其中，T、Ψ是常数，分别为60、100；λ、γ分别是SSIM和PSNR损失权重，设为1；i表示训练集中的第i个训练样本；和分别表示第i个训练样本的SSIM和PSNR损失计算结果；SSIMi和PSNRi分别表示第i个训练样本的SSIM和PSNR计算结果。

全文数据：

权利要求：

百度查询： 自然资源部第一海洋研究所 一种GF-1 WFV卫星影像超分辨率方法、系统及应用