基于生成对抗网络的SAR图像超分辨率重建算法研究

来源 :合肥工业大学 | 被引量 : 0次 | 上传用户:liulang75281899
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
高分辨率SAR(Synthetic Aperture Radar)图像在卫星遥感、灾害监测等领域具有重要实际研究应用价值,但实际SAR成像分辨率往往难以满足应用需求。传统SAR图像超分辨率重建方法对模型和先验知识要求较高,重建效果往往不理想;无监督式生成对抗网络模型通过训练学习高低分辨率图像之间映射关系,减少先验知识依赖,重建图像效果明显优于传统方法,但博弈对抗式训练方法往往会使重建图像产生“伪影”现象,导致重建图像与参考图像结构内容不一致,同时重建图像边缘纹理等细节信息不足,难以满足SAR图像实际应用需求。针对上述问题,为提高基于生成对抗网络模型重建SAR图像分辨率,本文所做研究工作如下:(1)针对采用生成对抗网络模型重建SAR图像存在的“伪影”现象以及内容结构不一致问题,提出一种基于双采样机制结构保持型SAR图像重建算法。该算法首先采用小尺度卷积层对输入SAR图像进行低层次特征提取;然后采用级联残差密集块(Residual-in-Residual Dense Block,RRDB)对输入特征进行提取;最后交替使用最近邻插值(Nearest Neighbor Interpolation,NNI)和亚像素卷积(Sub-Pixel Convolution,SPC)方法对特征进行放大重建,研究表明这种交替双采样机制有利于特征信息交互融合,提升重建效果。同时结合结构相似性(Structural Similarity,SSIM)质量评价指标引入结构损失函数,以保持重建图像与参考图像结构内容一致性,缓解图像“伪影”现象。(2)针对重建SAR图像边缘细节信息不足的问题,在保持重建SAR图像结构内容信息基本一致前提下,进一步提出一种提升重建图像细节信息的算法。该算法在原模型基础上引入多尺度感受野模块,多尺度卷积核多分支并联方式增强了不同大小范围特征信息融合效果。此外,为减少计算量加快模型重建速度,采用多种小尺度卷积核级联代替大尺度卷积核策略,该策略不仅减少了网络参数,小尺度卷积同样有助于增强网络细节特征提取。为检验算法有效性,将本文算法模型在Sentinel-1数据集上进行训练,并采用高分辨率Terra-SAR图像进行测试。实验结果表明:相较于传统插值算法以及经典深度学习方法,本文算法在视觉效果和客观评价指标上均有显著提升,重建图像结构内容保持一致,细节信息更为突出。
其他文献
随着工业4.0的发展,人们对产品质量特别是发光二极管(Light Emitting Diode,LED)表面质量的要求越来越高。在实际生产线上,LED表面缺陷检测技术是检测LED表面质量的关键环节之一,已成为近年来的研究热点。现有的研究大多适用于单光源检测环境,而在多光源检测环境中很难保证检测速度和检测准确率同时满足生产要求。本文基于多光源检测环境,研究LED表面缺陷检测技术,主要工作包括:(1)
随着传感器技术的发展,单一传感器模式逐渐发展为多种传感器模式。然而单一的图像传感器表示能力十分有限,往往不能从场景中提取足够的信息,多源图像融合技术应运而生,提高了图像解译的性能。其中,多光谱和全色图像融合作为近年来的研究热点,在一定程度上解决了多源数据综合分析的问题,促进了图像处理技术的发展。该技术以互补的方式利用了这两种成像方法的特点,有利于更加准确、可靠、全面地获取目标或场景信息。对于多光谱
现代工程结构日益大型化、轻柔化,其安全服役和动力灾变问题越来越突出。结构可靠度分析和结构健康监测是保障工程结构长期服役和安全运营的两个重要研究内容:一方面,结构可能直接承受作用强度远超其设计极限的极端自然灾害,导致结构体系失效,因此有必要对结构进行动力可靠度分析;另一方面,在漫长的服役期内,结构会因环境侵蚀和材料老化等因素的影响出现功能退化,致使服役性能不断下降,因此需要利用损伤识别等手段为结构安
近年来,神经网络已经应用在无人驾驶、医学、地质探测等各个领域。随着卷积神经网络的发展,从Le Net网络结构到VGG网络结构,网络越来越深,每层的规模也越来越大,随之而来的是计算量和参数量越来越大的问题。一般神经网络的训练计算由服务器端进行,再将训练好网络发送到终端进行推理计算,以满足终端的智能化需求。但该传输过程可能会造成用户一些隐私数据的泄露,缺乏安全性,同时终端也缺乏本地的自我训练调整的能力
随着科技的发展,以及人工智能领域各项技术的逐渐成熟,多智能体系统已成为人工智能一个热门研究方向。多智能体系统由分布式人工智能演变而来,其研究目的是解决大规模、复杂、实时和有不确定信息的现实问题,而这类问题是单个智能体所不能解决的。多智能体深度强化学习是解决多智能体问题的重要方法,但目前的多智能体深度强化学习方法主要针对只有数个智能体的环境,而在多智能体越来越庞大的环境中,智能体的策略变得更加重要也
“十四五”规划纲要提出,要加大对大数据,工业智能,区块链等新基础设施的投资,信息化程度将进一步加深。网络信息科技也随之提升,然而有的人却会利用技术对人们的隐私与财产安全带来巨大威胁。网络信息安全面临全新的,繁杂的挑战。入侵检测系统作为网络安全领域的一个重要组成,在面对异常入侵,用户误操以及内部攻击时提供及时的防护,所以研究入侵检测系统已经成为相关从业人员重点研究方向。近年来随着深度学习在语音识别、
在工业生产中安全是首要任务,但日益复杂的工业现场环境给安全生产带来了极大挑战。当前工业现场常用的安全监测方法有:基于人工的巡查方法、基于机器视觉三维成像的目标识别方法、基于卷积神经网络的目标识别方法。人工巡查的检测精度、频率和范围都是有限的,因此基于机器视觉三维成像和基于卷积神经网络的目标识别方法得到了广泛应用,并能够运用于极端恶劣环境中,但基于机器视觉的三维检测方法自动化程度仍然不高,往往需要辅
老年人口的快速增加是一个迫切的社会问题。近些年来,科研人员在研究如何能够让老人在家中安全养老付出过很多努力。研究发现,行为识别是判断一个人是否具有生活自理能力的重要评估方法。该方法通过监测老人的行为可以得知其认知水平和健康状况,并在必要时能够及时做出预警。这对于提高老人的健康水平和居家生活质量至关重要。然而,要想能够尽可能准确识别老人的行为,至少需要准确的数据、合适的特征和符合老人活动规律的模型。
无线传感器网络(Wireless Sensor Network,WSN)常被应用于灾害预警、医疗监测、工农业生产、国防军事等各个领域。在WSN中,一方面节点电池容量有限导致网络寿命有限,另一方面广播特性使得通信干扰严重、吞吐量低,这两点是制约WSN大规模部署的重要因素,然而这两个问题相重叠使得系统模型更为复杂。为了有效提高网络吞吐量、延长网络寿命,本文提出将串行干扰消除(Successive In
化工园区作为一个易燃、易爆、有毒重大危险源高度集中的区域,一旦发生火灾、爆炸或毒物泄漏扩散等事故,将造成一系列的连锁反应,并产生灾难性的后果。为此,利用大数据、人工智能等高新技术提高化工园区风险感知、监测预警、协同救援和应急处置的能力,已成为新发展格局下的重点领域之一。其中,化工园区应急物资分配是开展危化品事故应急救援的基础,是体现化工园区应急管理能力的一个基本要素。主要研究在危化品事故发生后,如