【技術(shù)實(shí)現(xiàn)步驟摘要】
本專(zhuān)利技術(shù)是人工智能在林業(yè)技術(shù)中的應(yīng)用，具體是一種基于改進(jìn)srgan網(wǎng)絡(luò)的銀杏葉用林冠層圖像超分辨率重建方法。
技術(shù)介紹
1、銀杏是一種古老的裸子植物，被譽(yù)為“活化石”。銀杏葉中含有大量的類(lèi)黃酮和內(nèi)酯，具有重要的藥用價(jià)值。為了滿(mǎn)足市場(chǎng)需求并促進(jìn)可持續(xù)發(fā)展，快速準(zhǔn)確地監(jiān)測(cè)銀杏健康顯得尤為必要。目前，銀杏監(jiān)測(cè)依賴(lài)專(zhuān)業(yè)知識(shí)，缺乏必要的技術(shù)資源，這對(duì)盈利能力產(chǎn)生了重大影響，并阻礙了銀杏產(chǎn)業(yè)的標(biāo)準(zhǔn)化。
2、無(wú)人機(jī)(uav)遙感技術(shù)的快速發(fā)展在農(nóng)業(yè)生長(zhǎng)監(jiān)測(cè)、病害識(shí)別和產(chǎn)量預(yù)測(cè)等領(lǐng)域得到了廣泛應(yīng)用。通過(guò)捕捉清晰的遙感圖像，該技術(shù)能夠有效監(jiān)測(cè)銀杏健康。然而，飛行高度和自然環(huán)境等因素可能導(dǎo)致圖像分辨率降低和失真。盡管提高飛行高度可提升獲取效率并降低成本，但也會(huì)影響圖像質(zhì)量。環(huán)境因素如光照和云層覆蓋會(huì)影響圖像分辨率，從而影響監(jiān)測(cè)效率。因此，解決遙感圖像的低分辨率和模糊細(xì)節(jié)問(wèn)題至關(guān)重要。
3、超分辨率重建技術(shù)(srir)的目標(biāo)是提高低分辨率圖像的分辨率，將其重建為高分辨率圖像。傳統(tǒng)的遙感圖像分辨率增強(qiáng)方法包括最近鄰插值、雙三次插值、自適應(yīng)圖像插值和稀疏編碼技術(shù)。目前，基于深度學(xué)習(xí)的遙感圖像超分辨率重建已成為一個(gè)重要的研究領(lǐng)域。有研究者提出了深度殘差雙重注意網(wǎng)絡(luò)(drdan)，有效結(jié)合了全局和局部信息，提高了遙感圖像sr重建的精度。有研究者提出了不對(duì)稱(chēng)多尺度超分辨率網(wǎng)絡(luò)(amssrn)，用于處理低分辨率衛(wèi)星圖像。有研究者引入了一種改進(jìn)的超分辨率生成對(duì)抗網(wǎng)絡(luò)(iesrgan)，在圖像評(píng)估指標(biāo)中展現(xiàn)出強(qiáng)大的泛化能力。有研究者開(kāi)發(fā)了一
4、基于cnn和gan的方法在通過(guò)尋找高低分辨率圖像對(duì)之間的映射關(guān)系進(jìn)行重建時(shí)表現(xiàn)良好。然而，由于將高分辨率圖像降至低分辨率，所獲得的低分辨率圖像缺乏自然界中真實(shí)低分辨率圖像中的復(fù)雜噪聲和缺陷。因此，這些方法在真實(shí)場(chǎng)景中的泛化能力不足。此外，基于cnn的方法可能產(chǎn)生過(guò)于平滑的圖像，導(dǎo)致細(xì)節(jié)丟失，而基于gan的方法在生成真實(shí)紋理方面表現(xiàn)出色，但在與傳統(tǒng)cnn判別器結(jié)合時(shí)，處理復(fù)雜紋理特征時(shí)存在困難。這些局限性顯著影響了超分辨率重建的質(zhì)量。
5、銀杏是一種古老的裸子植物，富含類(lèi)黃酮和內(nèi)酯，具有顯著的藥用價(jià)值。采用無(wú)人機(jī)(uav)遙感技術(shù)監(jiān)測(cè)銀杏的健康狀況，但常常生成分辨率不足、細(xì)節(jié)不清晰的圖像。通過(guò)超分辨率重建技術(shù)(srir)，可以提高遙感圖像的質(zhì)量。然而，傳統(tǒng)的插值、卷積神經(jīng)網(wǎng)絡(luò)(cnn)和生成對(duì)抗網(wǎng)絡(luò)(gan)方法在有效捕捉復(fù)雜紋理時(shí)面臨挑戰(zhàn)。
技術(shù)實(shí)現(xiàn)思路
1、為了克服這些技術(shù)的局限性，本專(zhuān)利技術(shù)提出了一種新的方法，在銀杏林遙感圖像的超分辨率重建過(guò)程中，超分辨率重建模型采用殘差變換生成對(duì)抗網(wǎng)絡(luò)(rtgan)結(jié)構(gòu)。
2、rtgan將多個(gè)稠密殘差塊(mdrb)與超分辨率gan(srgan)結(jié)合，以改善對(duì)評(píng)估銀杏健康至關(guān)重要的高頻細(xì)節(jié)的提取。
3、同時(shí)，結(jié)合u-net和變換器架構(gòu)的網(wǎng)絡(luò)取代了傳統(tǒng)的判別器，提高了圖像的區(qū)分度和質(zhì)量評(píng)估。
4、此外，從真實(shí)的低分辨率(lr)圖像創(chuàng)建了銀杏林的超分辨率(sr)數(shù)據(jù)集，以便快速適應(yīng)并訓(xùn)練超分辨率重建模型進(jìn)行sr重建，而不是使用人工下采樣的lr圖像。
5、具體來(lái)說(shuō)，本專(zhuān)利技術(shù)的銀杏葉用林冠層近地遙感影像超分辨率重建方法，步驟包括：
6、(一)采集不同高度下的銀杏多光譜遙感圖像，經(jīng)圖像數(shù)據(jù)處理后，創(chuàng)建數(shù)據(jù)集；
7、采集到圖像中，按照采集高度的由低到高，圖像的分辨率由大到小，分別用hr圖像表示高分辨率圖像，lr圖像表示低分辨率圖像；
8、(二)采用超分辨率重建模型從低分辨率的遙感圖像的中恢復(fù)出高分辨率圖像；
9、在步驟(一)中：
10、1.1)把采集到的原始單通道圖像進(jìn)行通道合并，得到通道合并后的圖像；
11、1.2)利用地面參考，把同一拍攝對(duì)象的不同分辨率圖像進(jìn)行對(duì)齊；
12、1.3)在圖像中提取興趣區(qū)域，并按照興趣區(qū)域尺寸裁剪，得到裁剪圖像；
13、1.4)裁剪圖像作為數(shù)據(jù)集；
14、在步驟(二)中，超分辨率重建模型是以超分辨率生成對(duì)抗網(wǎng)絡(luò)srgan模型為基線(xiàn)模型的殘差變換生成對(duì)抗網(wǎng)絡(luò)rtgan模型；
15、所述rtgan由生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)組成，在生成器網(wǎng)絡(luò)中整合由多個(gè)連續(xù)的殘差塊構(gòu)成的稠密殘差塊mdrb，并使用u-trans判別器作為判別網(wǎng)絡(luò)；
16、生成器網(wǎng)絡(luò)通過(guò)多層非線(xiàn)性變換和特征提取，將低分辨率lr圖像映射為超分辨率sr圖像；判別器網(wǎng)絡(luò)評(píng)估生成圖像的質(zhì)量和真實(shí)性，區(qū)分真實(shí)hr圖像和生成的sr圖像；最終輸出判別器網(wǎng)絡(luò)不能區(qū)分的sr圖像，即最終的高質(zhì)量sr圖像；
17、生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)構(gòu)成了一個(gè)對(duì)抗學(xué)習(xí)框架，通過(guò)判別器網(wǎng)絡(luò)不斷評(píng)估生成圖像的真實(shí)性，向生成器網(wǎng)絡(luò)提供反饋信息，幫助生成器網(wǎng)絡(luò)調(diào)整學(xué)習(xí)策略，從而生成與真實(shí)hr圖像品質(zhì)接近的sr圖像作為超分辨率重建模型的輸出；
18、所述生成器網(wǎng)絡(luò)中：
19、首先，輸入的lr圖像經(jīng)過(guò)淺層特征提取網(wǎng)絡(luò)sfenet提取淺層特征；
20、然后，淺層特征經(jīng)過(guò)mdrb提取更深層的特征；在mdrb中，前一殘差塊的輸入和輸出拼接后作為下一殘差塊的輸入；最后一個(gè)殘差塊的輸入和輸出與淺層特征拼接后，經(jīng)過(guò)特征融合模塊和重建層后輸出超分辨率sr圖像；
21、所述判別器網(wǎng)絡(luò)中：
22、sr圖像和真實(shí)的hr圖像先經(jīng)過(guò)特征提取；提取的原始特征作為u-trans的輸入；u-trans的輸出再與原始特征融合后經(jīng)激活函數(shù)輸出真/假的概率值；
23、所述u-trans是由u-net結(jié)構(gòu)與變壓器transformer相結(jié)合；u-trans的架構(gòu)包括三個(gè)階段的下采樣和三個(gè)階段的上采樣；下采樣模塊作為編碼器模塊，通過(guò)減小圖像尺寸和增加通道來(lái)獲取抽象圖像特征；上采樣模塊作為解碼器模塊恢復(fù)空間分辨率和細(xì)節(jié)；下采樣模塊包括連續(xù)的卷積層、激活層、圖像編碼器、卷積層和激活層；上采樣模塊包括連續(xù)的上采樣層、激活層、圖像編碼器、卷積層和激活層；圖像編碼器是變壓器編碼器transformerencoder。
24、rtgan在峰值信噪比(psnr)和結(jié)構(gòu)相似性指數(shù)(ssim)方面的表現(xiàn)優(yōu)于插值、cnn和gan等傳統(tǒng)方法。具體而言，rtgan在2倍重建的平均psnr和ssim值提高了至少18.738db/0.514、12.637db/0.346和5.491db/0.068；在4倍重建中，改善值分別為18.870db/0.505、13.649db/0.378和6.649db/0.084。重建后的圖像展現(xiàn)出更清晰本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種銀杏葉用林冠層近地遙感影像超分辨率重建方法，其特征是步驟包括：
2.根據(jù)權(quán)利要求1所述的銀杏葉用林冠層近地遙感影像超分辨率重建方法，其特征是步驟(一)中，銀杏多光譜遙感圖像是由無(wú)人機(jī)載多光譜相機(jī)采集到的。
3.根據(jù)權(quán)利要求1所述的銀杏葉用林冠層近地遙感影像超分辨率重建方法，其特征是在步驟(一)中：
4.根據(jù)權(quán)利要求1所述的銀杏葉用林冠層近地遙感影像超分辨率重建方法，其特征是步驟(二)中，生成器網(wǎng)絡(luò)的損失函數(shù)為：
5.根據(jù)權(quán)利要求1所述的銀杏葉用林冠層近地遙感影像超分辨率重建方法，其特征是步驟(二)的生成器網(wǎng)絡(luò)中：
【技術(shù)特征摘要】
1.一種銀杏葉用林冠層近地遙感影像超分辨率重建方法，其特征是步驟包括：
2.根據(jù)權(quán)利要求1所述的銀杏葉用林冠層近地遙感影像超分辨率重建方法，其特征是步驟(一)中，銀杏多光譜遙感圖像是由無(wú)人機(jī)載多光譜相機(jī)采集到的。
3.根據(jù)權(quán)利要求1所述的銀杏葉用林冠層近地遙感影像...
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：趙茂程，胡敏，齊亮，吳斌，汪希偉，鄒紅艷，謝為俊，
申請(qǐng)(專(zhuān)利權(quán))人：南京林業(yè)大學(xué)，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。