本发明属于图像识别领域,更具体的说涉及基于深度学习进行soho/mdi磁图超分辨率重建的方法。
背景技术:
1、太阳磁场在太阳活动过程中扮演了关键角色,其观测数据(磁图)对于研究太阳磁场分布、活动区磁场间的关系、日冕活动、磁流体力学模拟等具有重要价值。在太阳物理研究中,磁场图像是非常重要的研究基础。随着技术的发展,甚至出现了专门针对太阳磁场的空间卫星观测仪器,如soho、hinode、sdo等。其中,soho的mdi观测仪器和sdo的hmi观测仪器各有优势与限制:mdi虽实现了空间磁场观测,但缺乏矢量磁场测量,时间和空间分辨率都较低;而hmi则实现了全日面太阳矢量磁场的空间观测,但空间分辨率仍不足以观测太阳的小尺度结构。
2、近年来,深度学习技术在太阳磁场图像处理中得到了广泛应用,例如使用highres-net模型实现mdi磁图到hmi磁图的超分辨率,或者使用gan模型将mdi的特征转移到降采样的hmi上,生成视觉质量良好的超分辨磁图。然而,这些方法或是网络较为基础,或是训练和测试场景不匹配,导致重建结果不尽如人意。
技术实现思路
1、本发明提出一种基于深度学习进行soho/mdi磁图超分辨率重建方法,该方法将预处理之后的soho/mdi和sdo/hmi的相同物理结构的同时观测数据作为样本进行训练,通过深度网络结构进行超分辨率重建,实现soho/mdi磁图的4倍可靠分辨率增强。
2、为了实现上述目的,本发明是采用以下技术方案实现的:所述的方法包括:
3、数据预处理;
4、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;
5、构建模型的损失函数,采用广义损失函数charbonnierloss;
6、对模型进行训练,采用adam优化器,设置初始学习率;
7、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。
8、在一个方案中,所述的数据预处理具体如下:
9、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;
10、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;
11、利用sift算法将soho/mdi和sdo/hmi全日面磁图进行图像配准;
12、在soho/mdi全日面磁图上随机截取128*128的子块,并在sdo/hmi对应位置裁剪出512*512的子块,再进一步对齐;
13、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。
14、在一个方案中,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;
15、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;
16、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。
17、在一个方案中,所述的广义损失函数如下:
18、
19、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。
20、在一个方案中,所述的对模型进行训练的参数设置如下:
21、使用了adam优化器,初始学习率ε设置为0.001,使用charbonnierloss作为损失函数来优化模型。
22、在一个方案中,所述的初始学习率ε设置为0.002。
23、在一个方案中,所述的浅层特征提取层为一个3×3卷积层;
24、所述的深层特征提取层由12个rlfb网络结构堆叠构成;
25、所述的图像重建模块为亚像素卷积层。
26、本发明有益效果:
27、本发明基于深度学习进行soho/mdi磁图超分辨率重建的方法,可以有效提高soho/mdi磁图的分辨率,使得磁图中的细节信息更为清晰。同时,该方法采用了多种优化技术,如基于rlfn的100层的卷积神经网络mesr,广义损失函数charbonnier loss等,能够提高模型的学习效率和训练稳定性。此外,通过对模型进行定量评估,可以有效评估模型的性能,为进一步优化模型提供参考。因此,本发明具有很好的应用前景,能够为太阳物理的研究提供有价值的数据。
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:
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:
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:
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:
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:
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;