欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025110775334
申请人: 昆明理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于跨尺度Mamba的遥感图像超分辨率重建方法,其特征在于,包括以下步骤:Step1:对原始MambaIR模型进行改进,得到跨尺度Mamba超分辨率重建模型;

其中,引入CSRSSG跨尺度残差状态空间组对所述原始MambaIR模型中的深层特征提取部分进行改进,得到改进后的深层特征提取部分;

其中,引入CABR通道注意力反向投影重建模块对所述原始MambaIR模型中的图像重建部分进行改进,得到改进后的图像重建部分;

Step2:基于所述跨尺度Mamba超分辨率重建模型提取待重建遥感图像浅层特征;

Step3:基于所述跨尺度Mamba超分辨率重建模型从所述浅层特征中提取深层特征;

Step4:对所述浅层特征与所述深层特征进行逐元素相加,得到残差连接特征,将所述残差连接特征以及所述待重建遥感图像输入至所述跨尺度Mamba超分辨率重建模型进行重建,得到所述跨尺度Mamba超分辨率重建模型输出的超分辨率重建遥感图像;

所述跨尺度Mamba超分辨率重建模型包含所述原始MambaIR模型原有的浅层特征提取部分、改进后的深层特征提取部分以及改进后的图像重建部分,所述改进后的深层特征提取部分包括:引入的若干个CSRSSG跨尺度残差状态空间组、卷积层和残差连接,所述CSRSSG跨尺度残差状态空间组用于提取并优化深层特征;

所述改进后的图像重建部分包括引入的CABR通道注意力反向投影重建模块和卷积层,所述CABR通道注意力反向投影重建模块用于优化重建结果。

2.根据权利要求1所述的基于跨尺度Mamba的遥感图像超分辨率重建方法,其特征在于,所述Step2具体为:定义待重建遥感图像为,其中H、W分别为待重建遥感图像的高度和宽度;

基于所述跨尺度Mamba超分辨率重建模型的浅层特征提取部分,采用一层卷积层对待重建遥感图像的浅层特征进行提取,得到浅层特征,其中,Channel为特征的通道数。

3.根据权利要求1所述的基于跨尺度Mamba的遥感图像超分辨率重建方法,其特征在于,所述Step3具体为:在所述跨尺度Mamba超分辨率重建模型中改进后的深层特征提取部分中,通过堆叠的个CSRSSG跨尺度残差状态空间组和一个卷积层,从浅层特征中提取特征;

通过一个卷积层对提取的特征进行优化,得到深层特征,表达式如下:(1);

其中,表示卷积层处理,表示第个CSRSSG跨尺度残差状态空间组的处理,。

4.根据权利要求3所述的基于跨尺度Mamba的遥感图像超分辨率重建方法,其特征在于,每个CSRSSG跨尺度残差状态空间组由个CSRSSB跨尺度残差状态空间块、一个卷积层和一个残差连接组成,定义第n-1个CSRSSG的输出为,则第n个CSRSSG的输出为:(2);

其中,代表第个CSRSSG中的第个CSRSSB的处理,;

其中,CSRSSB包含两部分,分别为CSVSSM跨尺度视觉状态空间模块和CAB通道注意力模块,且均设置了残差连接:当得到第m-1个CSRSSB的输出为,则在第m个CSRSSB中,通过第一部分中的CSVSSM跨尺度视觉状态空间模块进行基于Mamba的跨尺度空间特征提取,得到跨尺度融合特征图,将与进行残差连接后得到第一部分的输出特征:(3);

(4);

其中,为层归一化操作,代表CSVSSM的处理,为用于调控残差连接的可学习缩放因子;

在第二部分中,通过CAB通道注意力模块,对第一部分的输出特征进行通道特征优化,与残差连接后得到最终输出特征;

(5);

其中,代表通道注意力模块处理,为用于调控残差连接的可学习缩放因子。

5.根据权利要求4所述的基于跨尺度Mamba的遥感图像超分辨率重建方法,其特征在于,所述通过第一部分中的CSVSSM跨尺度视觉状态空间模块进行基于Mamba的跨尺度空间特征提取,得到跨尺度融合特征图具体为:当得到层归一化操作的输出特征图为,则在第个CSRSSB中的CSVSSM跨尺度视觉状态空间模块中,输出特征图经过下采样和Bicubic插值,得到大尺度特征图:(6);

其中,为下采样操作,为Bicubic插值;

通过两个并行的分支处理输出特征图和大尺度特征图,在第一个分支中,和先分别通过一个线性层,对特征图的通道数进行扩增,随后分别经过SiLU函数激活,然后通过一个CSSS2D跨尺度二维状态空间模型层进行处理,再通过LayerNorm操作进行归一化,最终得到跨尺度注意力特征图:(7);

其中,为线性层处理,为SiLU激活函数处理,为CSSS2D处理;

在第二个分支中,和先分别通过一个线性层进行通道数扩增并由SiLU函数进行激活,然后通过逐元素相加得到线性映射特征图:(8);

使用哈达玛积对和进行聚合后再由一个线性层对通道数进行恢复,得到跨尺度融合特征图:(9);

其中,为哈达玛积;

所述通过一个CSSS2D跨尺度二维状态空间模型层进行处理具体为:将输出特征图和大尺度特征图展平为一维序列;

通过四方向跨尺度Mamba扫描对被展平为一维序列的特征图和大尺度特征图进行特征提取和融合,在原始四方向Mamba扫描的基础上,基于所述四方向跨尺度Mamba扫描将进行线性映射操作和SiLU激活函数操作后得到原始四方向Mamba扫描过程中的B矩阵和Δ矩阵,将和分别进行线性映射操作和SiLU激活函数操作后再加权相加,得到原始Mamba扫描过程中的C矩阵;

其中,所述四方向跨尺度Mamba扫描使用的四个扫描方向与原始MambaIR模型中的四方向Mamba扫描所使用的四个扫描方向相同。

6.根据权利要求1所述的基于跨尺度Mamba的遥感图像超分辨率重建方法,其特征在于,所述Step4具体为:在所述跨尺度Mamba超分辨率重建模型中改进后的图像重建部分中,将浅层特征与深层特征进行逐元素相加,得到残差连接特征;

将与待重建遥感图像输入图像重建部分,其中,经过一个卷积层和PixelShuffle操作后,得到第一阶段重建结果,s为超分辨率尺度因子;

使用CABR通道注意力反向投影重建模块对第一阶段重建结果进行优化,得到超分辨率重建遥感图像,表达式为:(10);

其中,为通道注意力反向投影重建模块处理,为操作处理,为超分辨率重建遥感图像。

7.根据权利要求6所述的基于跨尺度Mamba的遥感图像超分辨率重建方法,其特征在于,所述使用CABR通道注意力反向投影重建模块对第一阶段重建结果进行优化具体为:将第一阶段重建结果经过Bicubic下采样得到,将待重建遥感图像和进行逐元素相减,得到残差:(11);

(12);

其中,表示Bicubic下采样操作;

通过一个卷积层对进行通道数扩增,使用CAB通道注意力模块对经通道数扩增后的特征图进行通道优化,再通过一个卷积层恢复特征图通道数,得到优化后的残差:(13);

将与逐元素相加,得到超分辨率重建遥感图像。