面向卫星云图图像的字典学习超分辨方法研究

High resolution satellite nephogram is an important basis data for meteorological experts in accurate interpretation and fine analysis of atmospheric. However, the nephogram resolution is relatively low, which could not satisfy the actual application requirement. Satellite nephogram is different from general plane image, it has the remarkable characteristics of spherical and it can reflect both the external and internal property of the nephogram. Therefore, it is particularly necessary to study the super resolution method of satellite nephogram. This project takes the dictionary learning super resolution method as framework, introduces the internal physical information of the nephogram as a priori information into the dictionary training process, and builds the dictionary learning super resolution model which is suitable for the characteristics of spherical images. The main research work is in following filed: based on data assimilation technology, we study the method of combining the external image pattern and the intrinsic physical properties of atmosphere; aiming at the characteristics of satellite cloud data, we study the effective strategy of feature extraction on spherical images, and study the training method and optimization solution of spherical image super resolution dictionary. Therefore, not only the results of this project can provide the technical support for further improving the satellite nephogram resolution, but also can give some reference for realizing the spherical image super resolution, such as UAV, autopilot and intelligent medical treatment research.

高分辨率卫星云图图像是气象专家准确解译和精细分析大气系统演变过程的重要依据，然而目前卫星云图图像的分辨率并不能满足实际需求。云图图像与一般图像不同，具有球面成像的特点，并且可以同时反映大气外在模式特征和内在物理属性。因此，针对卫星云图图像特点研究特定的超分辨方法十分必要。本项目以字典学习超分辨方法为框架，主要研究以下内容：多种类型对云实测资料同化技术，以实现将大气外在图像模式与大气内在物理属性联合利用，为云图图像超分辨奠定先验信息基础；考虑卫星云图球面图像特点，研究在球面图像上实现特征提取的有效策略，并在此基础上构建与球面图像特点相适应的超分辨字典模型；为提高字典表达复杂云图图像特征的能力，研究深度稀疏编码方法完成超分辨字典训练。本项目取得的研究成果可以为进一步提高卫星云图图像分辨率提供技术支持；同时，也可以为无人机、自动驾驶、医学等需要实现球面图像处理和分析的研究领域提供一定的研究借鉴。

本项目以生成高分辨卫星云图图像为目标，考虑卫星云图图像形态多变、结构复杂、球面成像等具体特点，基于深度学习技术开展了卫星云图图像超分辨的相关研究工作。首先，为增加云图图像数量，构建满足深度网络训练所需的数据集，并在后续的研究中充分考虑云图图像特点，设计了云图图像生成网络、台风云系检测网络、云图下垫面地物识别网络。其次，设计了一系列基于深度学习的超分辨网络模型，适当的改进了网络结构、图像特征提取策略和损失计算策略，主要包括：基于退化模糊过程估计的云图图像超分辨网络、基于非局部相似性的云图图像超分辨网络、基于空域-频域损失计算的云图图像超分辨网络、基于球面卷积策略的云图图像超分辨网络。最后，探索了基于多层特征集成的图像主体目标检测网络。以实际卫星云图图像为各算法的测试数据，在2倍-4倍放大任务下，本项目的超分辨算法可以有效改善云图图像质量，为气象专家观察云图细节和分析天气变化提供可靠依据。本项目面向气象行业实际需求开展基于深度学习的云图图像超分辨研究工作，一方面拓展了深度学习技术的研究应用领域，另一方面从实际应用中凝练的科学问题，有利于拓展深度学习技术的研究视角，进一步推动深度学习技术本身的发展。