| 基于深度学习进行SOHO/MDI磁图超分辨率重建的方法 |
| 覃瑛
|
| 申请（专利权）人 | 中国科学院云南天文台
|
| 专利号 | ZL202410390803.6
|
| 申请号 | CN202410390803.6
|
| 2024-07-02
|
| 申请日期 | 2024-04-02
|
| 公开（公告）号 | CN117994135A
; CN117994135B
|
| 公开日期 | 2024-05-07
|
| IPC 分类号 | G06T3/4053G06T3/4046G06N3/0464G06N3/084G06N3/0985
|
| 授权国家 | 中国
|
| 专利类型 | 发明
|
| 专利状态 | 授权
|
| 授权日期 | 2024-07-02
|
| 学科领域 | 计算机科学技术
; 人工智能
; 计算机应用
; 计算机图象处理
|
| 产权排序 | 1
|
| 摘要 | 本发明公开了基于深度学习进行SOHO/MDI磁图超分辨率重建的方法。主要通过数据预处理、构建基于RLFN的100层卷积神经网络MESR，包含浅层特征提取层、深层特征提取层、图像重建模块，进行特征提取，利用广义损失函数Charbonnier?Loss构建模型损失函数。在训练过程中，采用Adam优化器，设置初始学习率为0.001，训练500个epoch。最后对模型进行效果评估，采用PSNR，SSIM，CC和RMSE等指标进行评估。此方法有效提高了模型的学习映射能力以及了模型的训练效果，有利于更精确地对SOHO/MDI磁图进行超分辨率重建。 |
| 主权项 | 1.基于深度学习进行SOHO/MDI磁图超分辨率重建的方法，其特征在于：所述的方法包括： 数据预处理； 构建基于RLFN的100层的卷积神经网络MESR，采用三个卷积层进行残差局部特征学习以简化特征聚合； 构建模型的损失函数，采用广义损失函数Charbonnier Loss； 对模型进行训练，采用Adam优化器，设置初始学习率； 对构建的模型效果进行定量评估，使用峰值信噪比PSNR，结构相似度SSIM，相关系数CC和均方根误差RMSE进行评估。 2.根据权利要求1所述的基于深度学习进行SOHO/MDI磁图超分辨率重建的方法，其特征在于：所述的数据预处理具体如下： 采集SOHO/MDI和SDO/HMI两个观测仪对全日面观测的数据作为数据集，全日面观测的数据保存在观测仪的磁图头文件里； （1）根据磁图头文件里的时间关键词T_REC将SOHO/MDI和SDO/HMI时间相近的磁图数据进行配对； （2）利用SIFT算法将SOHO/MDI和SDO/HMI全日面磁图进行图像配准； （3）在SOHO/MDI全日面磁图上随机截取128*128的子块，并在SOHO/MDI对应位置裁剪出512*512的子块，再进一步对齐； （4）对（3）里裁剪出的子块进行0°、90°、180°、270°的随机旋转和极性反转，进行数据增广。 3.根据权利要求1所述的基于深度学习进行SOHO/MDI磁图超分辨率重建的方法，其特征在于：所述的基于RLFN的100层的卷积神经网络MESR具体构成包括： 浅层特征提取层、深层特征提取层、图像重建模块；浅层特征提取层的核心结构是RLFB网络结构，每个RLFB通过堆叠3个Conv-SiLU进行局部特征提取，采用64个通道数，之后经过一个1×1卷积层以降低通道数与ESA模块连接； ESA模块开始于一个1×1卷积，减少输入特征的通道维度，然后使用步长为2的stridedconvolution和大小为7×7，步长为3的max-pooling层去减少空间尺寸，之后通过3×3卷积层提取特征，并采用基于插值的上采样恢复空间尺寸，使用残差连接，将提取的特征经过1×1卷积层处理并恢复通道数，最后，由sigmoid函数生成特征矩阵，并且和原始输入特征相乘。 4.根据权利要求1所述的基于深度学习进行SOHO/MDI磁图超分辨率重建的方法，其特征在于：所述的广义损失函数如下： ； 其中，是真实的图像灰度值，是重建结果图像的灰度值，是图像像素点的总数量。 5.根据权利要求1所述的基于深度学习进行SOHO/MDI磁图超分辨率重建的方法，其特征在于：所述的对模型进行训练的参数设置如下： 使用了Adam优化器，初始学习率ε设置为0.001，使用Charbonnier Loss作为损失函数来优化模型。 6.根据权利要求5所述的基于深度学习进行SOHO/MDI磁图超分辨率重建的方法，其特征在于：所述的初始学习率ε设置为0.002。 7.根据权利要求3所述的基于深度学习进行SOHO/MDI磁图超分辨率重建的方法，其特征在于：所述的浅层特征提取层为一个3×3卷积层； 所述的深层特征提取层由12个RLFB网络结构堆叠构成； 所述的图像重建模块为亚像素卷积层。 |
| 语种 | 中文
|
| 专利代理人 | 陈晓庭
|
| 代理机构 | 成都宏田知识产权代理事务所（普通合伙）
|
| 文献类型 | 专利
|
| 条目标识符 | http://ir.ynao.ac.cn/handle/114a53/27152
|
| 专题 | 抚仙湖太阳观测和研究基地
|
| 作者单位 | 中国科学院云南天文台, 云南省昆明市官渡区羊方旺396号
|
| 第一作者单位 | 中国科学院云南天文台
|
推荐引用方式
GB/T 7714 |
覃瑛. 基于深度学习进行SOHO/MDI磁图超分辨率重建的方法. ZL202410390803.6[P]. 2024-07-02.
|
|
文件名：
|
CN117994135A-基于深度学习进行SOHO_MDI磁图超分辨率重建的方法-公开.pdf
|
|
格式：
|
Adobe PDF
|
|
文件名：
|
CN117994135B-基于深度学习进行SOHO_MDI磁图超分辨率重建的方法-授权.pdf
|
|
格式：
|
Adobe PDF
|
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。
修改评论