一种基于残差网络的月球DEM超分辨率方法

本发明属于遥感，尤其涉及一种基于残差网络的月球dem超分辨率方法。

背景技术：

1、月球表面的高分辨率数字高程模型(dem)和地形数据对于科学研究、空间探索任务和资源勘探等领域具有重要意义。

2、然而，已有的月球dem数据通常较低，限制了对月球表面细节和地貌特征的准确获取和分析。近年来，随着深度学习和计算机视觉技术的快速发展，出现了多种图像处理方法，如基于重建的方法和基于学习的方法等。尽管这些方法在地球遥感图像处理中取得了一定的成功，但应用于月球dem超分辨率方法中仍然存在挑战。月球表面的地形特点、光照条件和数据噪声与一般图像有很大不同，因此需要采用特定的方法来适应月球dem超分辨率任务。

技术实现思路

1、本发明旨在于提供一种基于残差网络的月球dem超分辨率方法，该方法能有效地从低分辨率的月球dem数据中生成高分辨率的地形模型，以获取更详细和准确的月球地形信息。从而应用于月球科学研究、空间探索和资源勘探等领域，为月球探索提供了新的可能性。

2、本发明采用的技术方案为：

3、一种基于残差网络的月球dem超分辨率方法，该方法包括下列步骤：

4、步骤1，获取月球目标区域的数字高程模型dem影像数据集，并对其进行数据预处理；

5、步骤2，采用生成对抗网络对数据预处理后的dem影像数据集进行数据增强处理；

6、步骤3，对数据增强处理后对dem影像数据集进行下采样，得到低分辨率影像集，为低分辨率影像集标注与步骤2执行数据增强处理后的dem影像数据集对应的标签；

7、再带有标签的影像划分为训练影像集和测试影像集；

8、步骤4，构建基于深度卷积神经网络的图像超分辨率重建网络模型，该重建网络模型依次包括：输入层，残差网络，激活层和输出层；

9、其中，输入层为卷积核尺寸大于指定尺寸的卷积层，用作低分辨率影像补丁，定义输入层的卷积核尺寸为k×k，步幅为s，填充为0，则输入层的输出特征图表示为：

10、

11、其中，i(x,y)表示输入层的输出特征图位于坐标(x,y)处的像素值，w、h分别表示输入层的输入影像的宽度和高度，p表示填充的像素数；

12、重建网络模型的残差网络包括m个残差块，每个残差块包括若干个堆叠的残差基础块，每个残差基础块包括四层卷积激活，将残差基础块的输入与残差基础块的第四层的卷积激活结果相加得到该残差基础块的输出特征图，其中，m的取值范围为[4,6]；且每个残差块的卷积核为3×3，激活函数为f(x)＝max(x,0)，x表示激活函数的输入；

13、步骤5，基于训练影像集对重建网络模型进行网络参数训练，训练时采用的损失函数为均方根差rmse，当达到既定的训练次数或重建误差达到预设精度时停止，得到训练好的重建网络模型；

14、步骤6，基于当前训练好的重建网络模型，在测试影像集上进行前向推理，并保存重建网络模型输出的重建影像(超分辨率影像)；

15、判断测试影像的重建影像的重建效果是否达到预期目标，若是，则基于当前训练好的重建网络模型得到用于月球dem超分辨率重建的最终重建网络模型；若否，则以当前训练好的建网络模型作为训练对象，继续执行步骤5。

16、进一步的，步骤1中，数据预处理具体包括：影像增强(包括随机旋转、翻转和缩放等操作)、噪声去除、影像裁剪分割和影像归一化处理。

17、进一步的，影像归一化处理是指将像素值缩放到[0,1]区间。

18、进一步的，本发明还包括：基于步骤6得到的最终重建网络模型获取目标影响的月球dem超分辨率影像时，将最终重建网络模型的输出通过锐化滤波器进行地形边缘增强处理，再经逆归一化还原处理得到重建的月球dem超分辨率影像。该处理过程中，通过锐化滤波器去噪以减少可能的重建噪声，从而得到更清晰、更精确的月球dem超分辨率影像。

19、进一步的，步骤2中，采用的生成对抗网络的生成器包括若干个卷积模块，每个卷积块依次包括：卷积操作、批归一化操作和激活函数映射；且该生成器的输入为一个随机噪声向量，其输出的生成影像的维度与数据预处理后的dem影像的维度一致，即基于所输入的随机噪声向量通过网络生成新的高分辨率影像样本；生成对抗网络的判别器包括若干个卷积模块，且最后一个卷积模块后再连接一个卷积层以及sigmod函数，判别器的输入为生成器输出的生成影像和数据预处理后的dem影像，通过判别器输出两者之间的相似程度，用于调整生成器的网络参数，以使得生成器输出的生成影像与数据预处理后的dem影像尽量接近。

20、进一步的，步骤5中，练时采用的损失函数为：

21、

22、其中，n表示参与训练的训练影像的数量，n、t分别为标签和对应的重建影像，下标i为训练影像标识符，λ表示预置的正则化系数，用于控制正则化项的权重，ω表示重建网络模型的权重向量。优选的，正则化系数λ的数量级为1e-5。

23、本发明提供的技术方案至少带来如下有益效果：

24、本发明针对现有低分辨率的月球dem影像，采用了特定的残差学习方法，提高了影像质量和细节；同时，通过引入生成对抗网络，扩充了训练数据，使本发明方法具有广泛应用前景。

技术特征：

1.一种基于残差网络的月球dem超分辨率方法，其特征在于，包括下列步骤：

2.如权利要求1所述的方法，其特征在于，步骤1中，数据预处理具体包括：影像增强、噪声去除、影像裁剪分割和影像归一化处理。

3.如权利要求2所述的方法，其特征在于，影像增强包括随机旋转、翻转和缩放操作。

4.如权利要求2所述的方法，其特征在于，影像归一化处理是指将像素值缩放到[0,1]区间。

5.如权利要求1所述的方法，其特征在于，还包括：基于步骤6得到的最终重建网络模型获取目标影响的月球dem超分辨率影像时，将最终重建网络模型的输出通过锐化滤波器进行地形边缘增强处理，再经逆归一化还原处理得到重建的月球dem超分辨率影像。

6.如权利要求1所述的方法，其特征在于，步骤2中，采用的生成对抗网络的生成器包括若干个卷积模块，每个卷积块依次包括：卷积操作、批归一化操作和激活函数映射；且该生成器的输入为一个随机噪声向量，其输出的生成影像的维度与数据预处理后的dem影像的维度一致；生成对抗网络的判别器包括若干个卷积模块，且最后一个卷积模块后再连接一个卷积层以及sigmod函数，判别器的输入为生成器输出的生成影像和数据预处理后的dem影像，通过判别器输出两者之间的相似程度，用于调整生成器的网络参数。

7.如权利要求1所述的方法，其特征在于，步骤3中，按7：3将带有标签的影像划分为训练影像集和测试影像集。

8.如权利要求1所述的方法，其特征在于，步骤5中，练时采用的损失函数为：

9.如权利要求8所述的方法，其特征在于，正则化系数λ的数量级为1e-5。

10.如权利要求1所述的方法，其特征在于，重建网络模型的输入层的卷积核尺寸大于或等于5×5。

技术总结
本发明公开了一种基于残差网络的月球DEM超分辨率方法，属于遥感技术领域。本发明包括：获取DEM影像数据集并对其进行预处理，再采用生成对抗网络进行数据增强处理，再经下采样得到高低分辨率影像对集合，并进行训练和测试集划分；构建图像超分辨率重建网络模型并基于训练集进行训练，再基于当前训练好的模型在测试影像集上进行前向推理，若输出重建影像的效果是否达到预期目标，则得到用于月球DEM超分辨率重建的最终重建网络模型；否则以当前训练好的建网络模型作为训练对象继续进行模型训练。本发明针对现有低分辨率的月球DEM影像，采用了特定的残差学习方法，提高了影像质量和细节；同时，通过引入生成对抗网络，扩充了训练数据。

技术研发人员：周纪,刘霞
受保护的技术使用者：电子科技大学
技术研发日：
技术公布日：2024/9/23