一种栅格海图超分辨率提升方法

本发明属于海图制图，涉及一种栅格海图超分辨率提升方法，以提高栅格海图分辨率。

背景技术：

1、近年来，随着我国深远海战略的持续实施，海图保障范围也在逐步扩大，栅格海图作为海图制图中的重要资料，其主要来源于遥感、纸质海图扫描及矢量数据转化。然而，栅格海图资料来源具有多样性，其数据质量并不能很好统一，甚至有些栅格海图数据因分辨率过低出现注记模糊、要素重叠、线划锯齿化等问题，难以满足制图需求。面对这种情况，若该区域无其他可靠制图资料，往往会采用超分辨率提升技术将低分辨率图像重建为高分辨率图像。

2、随着深度学习在其他计算机视觉领域中取得的突破性进展，人们尝试引入生成对抗网络，通过构建生成对抗网络模型解决图像超分辨率提升问题。当前，基于深度学习的图像超分辨率提升方法在船舶图像目标检测、遥感图像重建、图像质量提升等问题上已经取得较好的效果与应用，该方法让网络模型学习低分辨率图像和高分辨率图像之间的映射关系，其输出的图像精度高、质量好，逐渐成为超分辨率提升领域的研究热点。

3、因此，为解决低质量栅格海图资料的分辨率提升问题，本发明尝试通过生成对抗网络模型设计了一种栅格海图超分辨率提升方法。

技术实现思路

1、虽然基于深度学习的图像超分辨率方法已经应用到了不同领域并取得了较好效果，但目前尚未有学者针对栅格海图的超分辨率提升方法做出研究。故本发明为填补低分辨率栅格海图利用深度学习方法提升质量的研究空白，选取经典的srgan模型作为主体模型，将其应用于栅格海图的超分辨率提升，并分别通过定性及定量实验证明方法的有效性。

2、本发明为实现上述目的所采用的技术方案是：

3、一种栅格海图超分辨率提升方法，包括以下步骤：

4、a、构建深度学习成对数据集，并进行模型训练

5、首先，对高分辨率原始图像通过高斯滤波及双三次插值下采样得到近似标准尺寸的低分辨率图像，与高分辨率原始图像组成成对训练集。然后将所得到的成对训练集输入到srgan网络模型中，在训练过程中，srgan网络模型会分别训练两个模型，即生成模型和判别模型，生成模型用于根据低分辨率图像生成高分辨率结果；判别模型用于判断生成结果是真实与否，当判别模型无法准确判别生成结果是原始高分辨率图像还是生成图像时，即完成网络模型训练，模型收敛。后续在应用时采用的是训练过程中的生成模型。

6、b、将资料栅格图进行依托缓冲区的均匀切分

7、由于大幅面原始栅格海图尺寸与srgan网络模型第一个卷积层尺寸差异过大，进而导致大幅面栅格海图无法直接作为srgan网络模型输入，因此，采用参数自适应的切分方法将原栅格海图切分为多个海图切片，通过减小图像输入尺寸，使srgan网络模型可以被引入到解决大幅面栅格海图超分辨率提升的问题。切分方法如式(1)所示：

8、

9、式中：m、n分别表示总列数、总行数，width和height分别表示原始海图宽、高的像素值，结果舍弃小数向下取整，s表示网络模型的标准尺寸。

10、c、海图切片定位

11、在完成海图切片切分后，为了后续将其拼接复原，还需一并记录每个切片相对大幅面栅格海图的位置信息，实现海图切片定位的方法主要依托海图切片角点坐标值，任取原始栅格海图中某一海图切片x，其列、行数已知，结合均匀切分法海图切片的宽高width、height，即可计算出该切片角点的坐标，坐标计算公式如式(2)：

12、

13、式中：xp和yp分别表示海图切片x其左上角点图上横、纵坐标，单位为像素；m、n分别为总列数和总行数；width和height分别表示栅格图像宽、高的像素值；i、j分别表示海图切片所在的列数和行数，列、行号从1起算。

14、d、基于srgan模型对海图切片进行超分辨率提升

15、将切分、定位好的海图切片逐一送入步骤a所训练的srgan网络生成模型中，基于已训练好的srgan网络模型对切片进行超分辨率提升，保证提升分辨率后的海图切片大小一致。

16、e、保持空间关系不变的海图切片拼接

17、在完成超分辨率提升后，结合步骤c中的定位信息对输出结果进行行、列编号；其次保证srgan网络模型输出与输入编号不变，确定其相对关系，再根据海图切片像素提升倍数推算出新的角点坐标。进而将提升质量后的各海图切片角点坐标和其编号进行拼接，在空间关系不变的基础上还原海图，得到高分辨率栅格海图。

18、本发明的有益效果：本发明从海图制图实际出发，基于srgan网络模型设计栅格海图超分辨率提升方法，成功地解决了海图制图资料中低分辨率栅格海图的超分辨率提升问题。相较于传统插值方法，本发明采用数据驱动的方式，通过构建先验知识库来让网络模型学习栅格图像的特征并进行像素重组。这种方法与传统的插值重采样方法本质上不同，实验结果表明本发明在视觉感受和相似度上均具有显著的提升效果。

技术特征：

1.一种栅格海图超分辨率提升方法，其特征在于，该方法包括如下步骤：

2.根据权利要求1所述的一种栅格海图超分辨率提升方法，其特征在于，所述步骤a的具体过程如下：首先，对高分辨率原始图像通过高斯滤波及双三次插值下采样得到低分辨率图像，与高分辨率原始图像组成成对训练集；然后将所得到的成对训练集输入到srgan网络模型中，在训练过程中，srgan网络模型会分别训练两个模型，即生成模型和判别模型，生成模型用于根据低分辨率图像生成高分辨率结果；判别模型用于判断生成结果是真实与否，当判别模型无法准确判别生成结果是原始高分辨率图像还是生成图像时，即完成网络模型训练，模型收敛。

3.根据权利要求1或2所述的一种栅格海图超分辨率提升方法，其特征在于，所述步骤b中，采用参数自适应的切分方法将原栅格海图切分为多个海图切片，通过减小图像输入尺寸，使srgan网络模型可以被引入到解决大幅面栅格海图超分辨率提升的问题；切分方法如式(1)所示：

4.根据权利要求1或2所述的一种栅格海图超分辨率提升方法，其特征在于，所述步骤c中，实现海图切片定位的方法依托海图切片角点坐标值，任取原始栅格海图中某一海图切片x，其列、行数已知，结合均匀切分法海图切片的宽高width、height，计算出该切片角点的坐标，坐标计算公式如式(2)：

5.根据权利要求3所述的一种栅格海图超分辨率提升方法，其特征在于，所述步骤c中，实现海图切片定位的方法依托海图切片角点坐标值，任取原始栅格海图中某一海图切片x，其列、行数已知，结合均匀切分法海图切片的宽高width、height，计算出该切片角点的坐标，坐标计算公式如式(2)：

6.根据权利要求1、2或5所述的一种栅格海图超分辨率提升方法，其特征在于，所述步骤d中，将切分、定位好的海图切片逐一送入步骤a所训练的srgan网络生成模型中，基于已训练好的srgan网络模型对切片进行超分辨率提升，保证提升分辨率后的海图切片大小一致。

7.根据权利要求1、2或5所述的一种栅格海图超分辨率提升方法，其特征在于，所述步骤e中，在完成超分辨率提升后，结合步骤c中的定位信息对输出结果进行行、列编号；其次保证srgan网络模型输出与输入编号不变，确定其相对关系，再根据海图切片像素提升倍数推算出新的角点坐标；进而将提升质量后的各海图切片角点坐标和其编号进行拼接，在空间关系不变的基础上还原海图，得到高分辨率栅格海图。

技术总结
本发明公开了一种栅格海图超分辨率提升方法，属于海图制图技术领域。本发明从海图制图实际出发，基于SRGAN网络模型设计栅格海图超分辨率提升方法，成功地解决了海图制图资料中低分辨率栅格海图的超分辨率提升问题。相较于传统插值方法，本发明采用数据驱动的方式，通过构建先验知识库来让网络模型学习栅格图像的特征并进行像素重组。这种方法与传统的插值重采样方法本质上不同，实验结果表明本发明在视觉感受和相似度上均具有显著的提升效果。

技术研发人员：董箭,马梦锴,唐露露,谢天
受保护的技术使用者：中国人民解放军海军大连舰艇学院
技术研发日：
技术公布日：2024/1/16