論文名稱：

A universal remote sensing image quality improvement method with deep learning
鏈接：https://ieeexplore.ieee.org/document/7730813/

目的：

1論文的創新點在那里
2論文使用的模型怎么改進
3樣本集的選取

正文筆記

1摘要：
文章提出了一個idea，對于收集到的有特殊退化因子的航拍圖像進行了CNN的訓練，然后應用此模型去解決這個任務。實驗表示，能夠很好的完成。
2介紹：
退化函數 g=DHf+η
其中f是重構目標，g是觀測目標，H是模糊核函數，D是空域下采樣，η是加性噪聲。
對于不同的問題，我們通常分開討論這些影響因子。比如，圖像去燥不考慮H，圖像去模糊不考慮η，D只在圖像超分辨問題中被考慮。
3相關工作
為了簡化這個問題，先對g進行上采樣，那么重構模型可以表示為

傳統的方法是致力于H和η去解決這個問題，這通常需要未知的先驗知識，例如 H和η的強度和分布。
近些年，相關的研究一直在致力于提出一種端對端（end-to-end）的映射，能夠直接構建g到f的映射關系，深度學習模型能夠滿足這種條件。
CNN在ILSVRC2012上展示了強大的性能，最近，CNN也被成功的應用到了超分辨【3】，去燥【4】，去模糊【56】和圖像修復【7】。
然而，相對于自然圖像，對于遙感圖像處理，這方面的研究還是比較少的。因此，我們做了一些實驗，把CNN作為一個通用的框架應用到不同類型的圖像上，去改善圖像的質量。

4方法

CNN的相關原理，這里不多贅述。

5實驗

5.1超分辨

重頭戲來了，應該是改變了網絡的結構，和其他文獻相比，獲得了更好的結果
訓練：我們選擇了 UC Merced Landuse數據去進行仿真實驗。

先打球去，明天繼續。

---

2017.03.05
The top 5 classes with most average standard deviation were selected, and for each class, 15 images with most single standard deviation were picked for testing and the rest 85 images were for
training。
在試驗中，平均標準差最高的5類被選取，對于每一類，最單一標準差
的圖像被選取作為測試，剩余的85幅圖像作為訓練。
tips：樣本的涵蓋性，以標準差為評判尺度，說明了訓練樣本和91image圖像的區別。遙感圖像也應該選取一個類似于標準差的數據評判尺度和91image做對比，這樣更加嚴謹

表一線束了landuse數據集的train和test與91image數據集和set5、set14的標準差對比。
使用landuse的光學通道進行試驗，為了模擬公式中的D，使用雙三次插值進行下采樣。
tips：也就是說通過下采樣，來獲得模擬的低分辨率的觀測結果g,那么遙感圖像采用什么方法獲得模擬的低分辨率圖像最為科學呢？

重點來了：,SRCNN提出的結構，網絡層數為3層，層數32-16-1，每層的核大小9-1-5，我們使用了更小的參數設置，層數10-10-1，每層的核大小7-3-5，然后我們花費了1500萬次迭代就收斂了，而SRCNN迭代8億次。

tips：可是srcnn的demo中明明也是1500萬次啊，這個細節以后再驗證吧

測試：我們把訓練好的網絡使用75image數據集來進行測試，然后和SRCNN，GR和ANR進行對比。表而成功的顯示了我們的方法能夠擁有更好的精度和速度。

驗證：為了證明我們設計的CNN在實測遙感圖像上的能力，我們也訓練了scale=4的網絡，然后測試他在快鳥多光譜圖像（RGB 分辨率2.4m）不是全通道（0.6m）,2000×2000大小的圖像被分割成500×500的小圖像。

5.2高光譜圖像去燥
對于訓練去燥網絡，我們簡單的使用了上節制作的樣本集。我們對每副圖像都添加了【0.04,0.2】的噪聲。經過1000萬次訓練迭代，我們的網絡對兩幅遙感圖像進行盲去燥 blind denoising，實驗結果和維納濾波、BM3D【13】進行對比，結果在表3和圖3。

4.3非均勻去霧
非均勻霧化在遙感圖像上是一個公共的退化因子，它的過程模型可被描述為

其中，t是傳播介質，A是地球大氣光線。暗通道先驗理論被應用到從霧化圖像中去除A的估計。因此前面的數據集和框架同樣能用來解決這個問題，我們從6對霧化和沒霧化的遙感圖像中，選擇了一個小的數據集，然后訓練我們的網絡，然后對實測霧化圖像進行測試，結果如圖4.

6總結
1 我們介紹了CNN模型對遙感圖像質量改進，實驗顯示在數據集上能夠獲得很好的效果。因此，在遙感圖像處理領域，我們期望對深度學習模型有更深入的研究應用。

2 此外，對于論文中的所有圖像，光譜成分沒有恢復，在深入的研究中這應該被考慮。
在去燥試驗中，正則化的缺少導致了細節部分的有較小的減少
3最近對于普通圖像的正則化網絡被提出，并有很好的效果。這在CNN的前景上是值得期待的。

總結

以上是生活随笔為你收集整理的论文总结（一）—基于深度学习的普通遥感图像质量改进的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。