删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

基于特征复用的膨胀-残差网络的SAR图像超分辨重建

本站小编 Free考研考试/2022-01-03

闂傚倸鍊风粈浣虹礊婵犲倴缂氱憸鏃堛€侀弽顓炲耿婵$偟绮弫鐘绘⒑闁偛鑻晶鎾煟閹垮啫浜扮€规洖澧庨幑鍕姜閺夋寧鐎抽梻鍌欑窔閳ь剛鍋涢懟顖涙櫠娴煎瓨鐓曢柣妯荤叀閸欏嫮鈧娲忛崹鑺ヤ繆閸洖鐐婇柕濞垮労娴兼洟姊洪懡銈呮瀾闁荤喆鍎抽埀顒佸嚬閸欏啫顕i幎钘夐唶闁靛濡囬崢閬嶆⒑瑜版帒浜伴柛鎾寸懇閵嗗啫鈻庨幋鐘碉紲闂佸憡鐟﹂敋鐎规挸妫涢埀顒冾潐濞插繘宕濋幋锕€鏋侀柟鍓х帛閺呮悂鏌ㄩ悤鍌涘闂傚倸鍊烽悞锔锯偓绗涘懐鐭欓柟杈鹃檮閸庢柨鈹戦崒姘暈闁稿鍠愮换娑㈠箣濞嗗繒浠肩紒缁㈠幐閸嬫捇姊虹拠鏌ヮ€楁繝鈧潏銊﹀弿閻庨潧鎽滄稉宥嗐亜閺嶎偄浠﹂柣鎾存礃缁绘盯宕卞Ο鍝勵潕婵犫拃灞藉缂佺粯绻堥崺鈧い鎺戝缁犮儲銇勯弮鈧崕鍐茬暦閵夈儮鏀介柣鎰级椤ョ偤鎮介婊冧槐濠碘€崇埣椤㈡洟鏁傞悾灞藉箰闂備胶枪閺堫剛绮欓幘璇茬疇闁糕剝鐟﹂崑鏍ㄧ箾閸℃ɑ灏伴柣鎾存礃娣囧﹪顢涘▎鎺濆妳闂佺ǹ瀛╅崹鍦閹捐纾兼慨妯哄悑妤旈梻渚€鈧偛鑻晶瀛樼箾娴e啿鍚樺☉妯锋闁靛繆鈧厖鍑芥繝鐢靛Т閿曘倝鎮ф繝鍥х柧妞ゆ帒瀚悡銉╂煟閺囩偛鈧湱鈧熬鎷�
李萌,
刘畅,
1.中国科学院空天信息创新研究院 北京 100190
2.中国科学院电子学研究所 北京 100190
3.中国科学院大学 北京 100049
基金项目:国家重点研发计划(2017YFB0503001)

详细信息
作者简介:李萌:李 萌(1994–),女,甘肃庆阳人,中国科学院大学硕士研究生,研究方向为SAR图像处理、机器学习。E-mail: limeng173@mails.ucas.ac.cn
刘畅:刘 畅(1978–),男,山东烟台人,研究员,博士生导师。2006年在中国科学院电子学研究所获得博士学位,现担任中国科学院空天信息创新研究院研究员、博士生导师。主要研究方向为SAR系统及其相关SAR成像处理。E-mail: cliu@mail.ie.ac.cn
通讯作者:刘畅 cliu@mail.ie.ac.cn
责任主编:李宁 Corresponding Editor: LI Ning
中图分类号:TN958

计量

文章访问数:2307
HTML全文浏览量:759
PDF下载量:328
被引次数:0
出版历程

收稿日期:2019-12-06
修回日期:2020-03-05
网络出版日期:2020-03-29

Super-resolution Reconstruction of SAR Images Based on Feature Reuse Dilated-Residual Convolutional Neural Networks

LI Meng,
LIU Chang,
1. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100190, China
2. Institute of Electronics, Chinese Academy of Sciences, Beijing 100190, China
3. University of Chinese Academy of Sciences, Beijing 100049, China
Funds:The State Key Research Development Program of China (2017YFB0503001)

More Information
Corresponding author:LIU Chang, cliu@mail.ie.ac.cn

摘要
摘要:对于合成孔径雷达(SAR)图像,传统的超分辨重建方法对视觉特征的人为构造十分依赖,基于普通卷积神经网络(CNN)的超分辨重建方法对微小目标的重建能力较弱,对边缘轮廓的保真度较差。针对以上问题,该文提出一种基于特征复用的膨胀-残差卷积超分辨网络模型,同时引入感知损失,实现了精确的SAR图像4倍语义级超分辨。该方法为增加网络感受野,采用膨胀-残差卷积(DR-CNN)结构用于限制模型中特征图分辨率的严重损失,提高网络对微小细节的敏感度;为实现不同层级的特征最大化利用,将不同层级的特征图进行级联,形成一种特征复用结构(FRDR-CNN),以此大幅度提升特征提取模块的效率,进一步提升超分辨精度;针对SAR图像特殊的相干斑噪声干扰,引入感知损失,使得该方法在恢复图像边缘和精细的纹理信息方面具有优越表现。文中实验表明,与传统算法以及目前较为流行的几种全卷积神经网络超分辨重建算法相比,该文采用的FRDR-CNN模型在视觉上对小物体的超分辨重建能力更强,对边界等轮廓信息的重建更准确,客观指标中的峰值信噪比(PSNR)和结构相似性指数(SSIM)分别为33.5023 dB和0.5127,边缘保持系数(EPD-ROA)在水平和垂直方向上分别为0.4243和0.4373。
关键词:合成孔径雷达/
超分辨重建/
膨胀卷积/
特征复用/
感知损失
Abstract:For Synthetic Aperture Radar (SAR) images, traditional super-resolution methods heavily rely on the artificial design of visual features, and super-reconstruction algorithms based on general Convolutional Neural Network (CNN) have poor fidelity to the target edge contour and weak reconstruction ability to small targets. Aiming at the above problems, in this paper, a Dilated-Resnet CNN (DR-CNN) super-resolution model based on feature reuse, i.e., Feature Reuse Dilated-Resnet CNN (FRDR-CNN), is proposed and perceptual loss is introduced, which accurately realizes four times the semantic super-resolution of SAR images. To increase the receptive field, a DR-CNN structure is used to limit the serious loss of the feature map’s resolution in the model, improving the sensitivity to tiny details. To maximize the utilization of features at different levels, the FRDR-CNN cascades the feature maps of different levels, which greatly improves the efficiency of the feature extraction module and further improves the super-resolution accuracy. With the introduction of the perceptual loss, this method has a superior performance in recovering image texture and edge information. Experimental results of the study show that the FRDR-CNN algorithm is more capable of providing small objects’ super-resolution and more accurate in the visual reconstruction of contour details, compared with traditional algorithms and several popular CNN super-resolution algorithms. Objectively, the Peak Signal to Noise Ratio (PSNR) is 33.5023 dB and Structural Similarity Index (SSIM) is 0.5127, and the Edge Preservation Degreebased on the Ratio Of Average (EPD-ROA) is 0.4243 and 0.4373 in the horizontal and vertical directions, respectively.
Key words:SAR/
Super resolution construction/
Dilated convolution/
Feature reuse/
Perceptual loss



PDF全文下载地址:

https://plugin.sowise.cn/viewpdf/198_a57f497d-d43c-4851-b2a6-811d1bf7eda0_R19110
闂備浇顕х€涒晠顢欓弽顓炵獥闁圭儤顨呯壕濠氭煙閸撗呭笡闁抽攱鍨堕妵鍕箛閸撲焦鍋ч梺纭呮閻☆櫀闂傚倸鍊烽悞锔锯偓绗涘懐鐭欓柟鐑橆殕閸庢銇勯弬鍨挃闁告宀搁弻娑㈠箻濡も偓閹虫劙鎮$€n喗鍊垫鐐茬仢閸旀岸鏌eΔ鈧崯鏉戠暦閹达箑绠婚悹鍥皺椤︺劌顪冮妶鍛婵☆偅顨婇幃鈥斥槈閵忊檧鎷洪梺绋跨箰閸氬娆㈤弻銉︾厱闁绘梻枪閳绘洟鏌熼娆戝妽鐎垫澘瀚禒锕傚箚瑜庨悗顓㈡⒒娴h櫣銆婇柛鎾寸箖缁楃喎螖閸涱厽杈堥梺闈涱槴閺呮粓鍩涢幒妤佺厱婵炴垵宕獮妯肩磼閻欏懐鎮肩紒杈ㄥ笧娴狅箓鎮剧仦鐣屽幗闂備浇顕栭崹鏉棵洪妸鈺佺劦妞ゆ帒锕﹂崚鏉款熆瑜嶅ù椋庡垝閸喎绶為悗锝庡亜瀵潡姊洪幐搴g畵闁硅櫕鍔楃划濠氬矗婢跺瞼鐦堥梺閫炲苯澧撮柟顔ㄥ洤閱囬柍鍨涙櫆閻忓啴鏌f惔锛勭暛闁稿酣浜堕獮濠冩償閵婏箑浜楅梺绋挎湰閸╁啫危閸儲鐓欑紓浣靛灩閻忕姴霉濠婂牏鐣烘慨濠冩そ瀹曘劍绻濋崒婊呮噯婵犵妲呴崑鍛崲閸儳宓侀柟鎵閺呮悂鏌ㄩ悤鍌涘
547闂傚倸鍊风粈浣革耿闁秲鈧倹绂掔€n亞锛涢梺鐟板⒔缁垶鍩涢幒妤佺厱闁哄洦顨嗗▍鍛存煟韫囷絼閭柡宀嬬到铻栭柍褜鍓熼弻濠囨晲婢跺﹦鐤囬梺瑙勫礃椤曆呯矆閸愨斂浜滈煫鍥ㄦ尰椤ユ粓鏌i幘瀵告创婵﹥妞藉畷妤呭礂閼测晛鍤掗梻浣告憸閸c儵宕戦崟顖涘仼闁绘垼濮ら弲鎼佹煥閻曞倹瀚�1130缂傚倸鍊搁崐椋庣矆娓氣偓钘濇い鏍ㄧ矌閻捇鏌i姀銏╂毌闁稿鎹囧畷褰掝敃閿濆洦顓婚梻渚€鈧偛鑻晶鍙夈亜椤愩埄妲洪柛鐘诧工椤撳吋寰勬繝鍐发闂備線鈧偛鑻晶鎾煛鐏炵ǹ澧茬€垫澘瀚埀顒婄秵娴滄粓锝炴惔鈾€鏀介柣鎰皺婢ф盯鏌涢妸銉т虎闁伙絿鍏橀弫鎾绘偐閼碱剦妲伴柣鐔哥矊缁绘帞鍒掑▎鎾崇倞闁冲搫鍟伴敍婊勭節閵忥絾纭鹃柨鏇檮閺呫儵姊绘担鍛婂暈閼垦囨煕婵犲啰澧辩紓鍌涙崌閹稿﹥绔熼埡鍌涱棃鐎规洦浜濋幏鍛喆閸曨厽袙闂傚倷绀佸﹢閬嶅储瑜旈幃娲Ω閳轰胶顔囬梺鍓插亝濞叉牠鎮為崹顐犱簻闁瑰鍋涢婊呯磼娴e搫顣奸柕鍥у椤㈡洟濮€閳轰礁澹夐梻浣瑰缁嬫帡宕濆▎鎾跺祦閻庯綆鍣弫宥嗙節婵犲倹濯兼俊鏌ユ敱缁绘繈鎮介棃娑楁勃闂佹悶鍔岀紞濠傤嚕椤愩倗鐭欐俊顐ゆ暩閸庛倗鎹㈠┑瀣倞闁靛ǹ鍎查娲⒑閸濆嫷妲搁柣妤佺矒瀹曟垿骞掑Δ鈧崥褰掓煛閸愩劎澧涢柣鎾崇箻閺屾盯鍩勯崘鈺冾槷闂佺ǹ绻愰惉鑲╂閹烘鏁婇柛蹇擃槸娴滈箖鎮洪幒宥嗙グ妞ゎ偄顦甸獮鍡涘棘鎼存挻顫嶉梺鍦劋閸ㄨ櫕绔熼弴鐔虹閺夊牆澧介幃濂告煛閸滀礁浜滈崡閬嶆煕椤愮姴鍔滈柣鎾存礋閺岀喖鎮滃Ο璇查瀺闂佺ǹ顑囨繛鈧柡灞界Х椤т線鏌涜箛鏃傘€掓繛鍡愬灩椤繄鎹勫ú顏咃紬濠德板€х徊浠嬪疮椤栫偛绠犳慨妯诲閸嬫捇鐛崹顔煎闂佸摜鍠撴繛鈧€规洘鍨块獮妯尖偓娑櫭鎾绘⒑缂佹ê鐏﹂柨姘舵煃瑜滈崜娑㈠磻閻旂厧鐒垫い鎺戝枤濞兼劙鏌熼鑲╁煟鐎规洘娲熼、娑㈡倷閼碱剙濮︽俊鐐€栭崹濂稿磿婵犳艾绀傞悘鐐板嫎娴滄粓鏌熼幆褏鎽犻柛濠冨姍閺岀喖顢欓懖鈺佺厽閻庤娲熸禍鍫曠嵁閸ヮ剙惟闁靛鍊曢ˉ姘攽閻愯埖褰х紒鑼亾缁傚秹鎳為妷褜娴勯梺鎸庢磵閸嬫捇妫佹径鎰厱闊洦娲栫敮鍫曟煙閸忓吋鍊愰柡灞界Х椤т線鏌涜箛鏃傗槈闂囧鏌涢妷顔煎缁炬儳銈搁弻鏇熺節韫囨洜鏆犲銈嗘礉妞存悂骞堥妸銉庣喓绮欓崹顔碱潕闂備胶枪椤戝棝骞愭繝姘闁告侗鍨遍崰鍡涙煕閺囥劌澧伴柡鍡樺哺濮婄粯鎷呴崫鍕粯閻庢鍠楅崕濂稿Φ閹版澘绀冩い蹇撴婢跺嫭淇婇妶蹇曞埌闁哥噥鍨跺畷鎴︽偐缂佹ḿ鍘遍梺鏂ユ櫅閸燁偅鎱ㄩ埀顒勬⒑缁嬫鍎愰柟绋款煼楠炲繘宕ㄧ€涙ê浠惧銈嗙墬閼瑰墽绮婚幋锔解拻濞达絽鎲¢幆鍫ユ煕婵犲媱鍦弲闂侀潧绻堥崐鏇㈡倿閸偁浜滈柟瀵稿仜椤曟粎绱掓担瑙勭凡妞ゎ叀娉曢幉鎾礋椤掆偓绾炬娊鎮楀▓鍨灓闁轰礁顭烽妴浣糕槈濡粎鍠庨悾鈩冿紣娴e壊妫滄繝鐢靛仩閹活亞绱為埀顒併亜椤愩埄妯€闁诡噯绻濋崺鈧い鎺戝閳锋帡鏌涚仦鎹愬闁逞屽厸缁瑩銆佸▎鎰瘈闁告洦鍓﹀ḿ鐔兼⒑閸撴彃浜濇繛鍙夌墱缁崵绱掑Ο闀愮盎闂佸湱鍋撳ḿ娆撍夊鑸电厱閻庯綆鍋呯亸浼存煙瀹勭増鍤囩€规洜鍏橀、妯衡攦閹傚婵犵數濮村ú锕傚磹閸偆绠鹃柟瀛樼箘閺嬪啰绱掗埀顒傗偓锝庡枟閻撳啰鎲稿⿰鍫濈婵炴垶姘ㄩ惌鍡椕归敐鍫熴€冮柣鎺戯躬閺岀喎鈻撻崹顔界亐闂佺ǹ顑嗛幐鎼佸煡婢跺备鍋撻崷顓炐ユい锔垮嵆濮婃椽鏌呴悙鑼跺闁告ê鎲$换娑㈠级閹寸偛鏋犲銈冨灪閿曘垹鐣烽锕€唯鐟滃瞼绮径濞炬斀閹烘娊宕愰幘缁樺€块柨鏃€宕樻慨铏叏濡灝鐓愰柣鎾崇箻閺屾盯鍩勯崘鈺冾槶濡炪倧璁f俊鍥焵椤掆偓濠€杈ㄧ仚濡炪値鍘奸崲鏌ユ偩閻戣姤鏅查柛銉檮閸曞啴姊虹粙鎸庢拱妞ゃ劌鎳忕粋宥夊箚椤€崇秺閺佹劙宕ㄩ鍏兼畼闂備礁鎲″ú鐔虹不閺嶎厼钃熼柨婵嗩槹閸婄兘鏌涘▎蹇f▓婵☆偅鍨垮娲焻閻愯尪瀚伴柛妯绘倐閺岋綁骞掗悙鐢垫殼閻庢鍣崜鐔风暦閹烘埈娼╅柨婵嗘閸欏啯绻濆▓鍨灓闁硅櫕鎸哥叅闁绘ǹ顕х壕濠氭煙閹呮憼濠殿垱鎸抽弻娑樷槈濮楀牊鏁鹃梺闈╃稻閹倿寮婚敐鍡樺劅闁靛繒濮撮弸娆撴煟閻樺啿濮夐柛鐘崇墵瀹曟椽鍩€椤掍降浜滈柟瀵稿仜椤曟粍銇勯敃鍌ゆ缂佽鲸鎸搁濂稿椽娴gǹ澹庨梻浣侯攰濞呮洟鎮ч悩璇茬疇闁绘ɑ妞块弫鍡涙煕閹邦喖浜鹃柦鎴濐槺缁辨捇宕掑▎鎴濆闂佸憡鍔曢…鐑界嵁韫囨稒鏅搁柨鐕傛嫹28缂傚倸鍊搁崐椋庢閿熺姴纾诲鑸靛姦閺佸鎲搁弮鍫涒偓浣肝旈崨顔间簻闂佹儳绻愬﹢閬嶆偂鐎n喗鈷戦悷娆忓閸庢鏌涢妸銉э紞缂侇喖鐗婄换鍛枎缁碍绻濋悽闈涗沪婵炲吋鐟╁畷銉р偓锝庡枟閸ゅ苯螖閿濆懎鏆欑紒鐘靛枛閺屟嗙疀閿濆懍绨兼繝娈垮灡閹告娊鐛弽顬ュ酣顢楅埀顒勫焵椤掍焦绀€闁崇粯鎹囬弫鎾绘晸閿燂拷128.00闂傚倸鍊烽懗鑸电仚缂備胶绮崝娆忕暦閺夊簱妲堟慨姗嗗弾濞肩喖姊虹捄銊ユ珢闁瑰嚖鎷�
相关话题/中国科学院 信息 网络 图像 结构