基于多维损失函数优化FSRNet的气象观测图像超分辨率重构算法
王瑞祥
（1.河南省气象探测数据中心，河南 郑州 450003；
2.中国气象局>河南省农业气象保障与应用技术重点实验室，河南 郑州 450003）
目前，我国已建立地面、高空和空间观测相结合的综合气象观测网，在支撑公共气象、资源气象及生态气象服务中发挥了显著作用，但在部分气象灾害重点监测区域、特殊地理位置和一些重点服务区域仍然存在观测途径难、站点稀少等问题，难以捕捉到局地灾害性天气现象和观测资料。据此，河南作为志愿气象观测的试点省份，已招募社会志愿气象观测设备并入观测站网序列。但是由于志愿观测设备存在多样性，测量环境各异，仪器缺乏稳定性，数据采集和传输受到通信条件和观测环境多种因素的限制，一系列观测图像质量较低，给研究带来了困难，因此需要对气象观测图像进行超分辨率重构。
超分辨率（Super-Resolution，SR）是图像分析与识别中的一项基本技术，可以极大地促进农作物图像的目标识别任务，在传统的图像识别领域应用广泛［1-2］。在农业气象观测以及一些志愿观测图像中，例如农作物的生长图像、重要天气现象图像、天气过程的图像等，不同观测设备的图像质量存在较大的差异，传统图像空间中的像素级均方误差损失函数通常运用在极个别图像的超分辨率重构上［3］，其像素级的输出更接近真实的HR 图像，会使得输出的图像产生平滑和模糊的效果，对细节和纹理的要求不高。相对于普通图像的超分辨率，气象观测图像中不同的观测要素存在特定的先验知识，例如雾霾、冰雹、降水、大风以及农作物不同的周期生长，具有不同的知识特点，这些先验知识是气象图像的超分辨率的关键，例如，不同天气图像所对应的天气现象字段以及不同的农作物图片对应的生长周期等可以帮助重建更加精细的目标形状［4］，其字段的构造成分可以重塑目标细节。
通过对FSRNet 超分辨率网络各个模块进行分析研究发现，传统的超分辨率网络模块之间构造相对粗略，损失函数的设计相对欠缺不够完善，从而导致经过网络训练输出的超分辨率图像的纹理不够精细、各项硬指标和视觉质量不高。针对以上问题，本研究提出了一种基于多维损失函数优化FSRNet 的气象观测图像超分辨率重构算法，降低了计算复杂度，节省了大量的计算量，对网络训练采用递进式的方法，对模型进行分步训练，解决了网络训练时较难的参数调整，避免了粗略超分辨率网络造成先验估计准确性较低等相关问题，使粗略超分辨率网络输出质量较高的...
|
== 试读已结束，如需继续阅读敬请充值会员 ==
|
|
本站文章均为原创投稿，仅供下载参考，付费用户可查看完整且有格式内容！
(费用标准：38元/2月，98元/2年，微信支付秒开通！) |
| 升级为会员即可查阅全文 。如需要查阅全文，请 免费注册 或 登录会员 |
|
