基于深度学习进行SOHO/MDI磁图超分辨率重建的方法

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。

技术特征：

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；

技术总结
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。

技术研发人员：覃瑛
受保护的技术使用者：中国科学院云南天文台
技术研发日：
技术公布日：2024/5/10