[发明专利]基于混合随机降采样的遥感影像超分辨率重构方法和装置

说明书

本发明实施例提供一种基于混合随机降采样的遥感影像超分辨率重构方法和装置，该方法包括对待重建目标的多尺度米级分辨率的光学遥感影像进行混合随机降采样处理，得到高分辨率影像矩阵和低分辨率影像矩阵，并构建高低分辨率图像块映射矩阵；将所述高低分辨率图像块映射矩阵作为训练样本，进行深度学习训练，得到用于光学遥感影像超分辨率重构的超分辨率重构模型；基于所述超分辨率重构模型，对待重建目标光学遥感影像进行超分辨率重构。充分的考虑卫星传感器载荷的光学成像特点，采用混合随机降采样模型模拟生成光学传感器成像的低分辨率影像，增强超分重建模型的场景适应性、处理精确性和结果可靠性。

技术领域

本发明涉及图像处理技术领域，更具体地，涉及基于混合随机降采样的遥感影像超分辨率重构方法和装置。

背景技术

图像超分辨率重建技术(Super-Resolution)是一项重要的数字图像处理技术，利用一幅或多幅低分辨率图像(或运动序列)，通过相应的算法，重建出一幅高分辨率、高信息含量的图像。该技术突破了图像传感器自身的分辨率限制，可以在不改变或提升图像采集硬件的前提下，提高图像的分辨率，改善图像质量。处理结果有利于地表目视解译、图像目标算法识别、地物类型分析、定量反演精度的提升，提高遥感影像的信息表达能力和利用价值。应用中，通过光学目标的超分辨率重建技术，能对地面目标识别、类型和数量判读以及目标自动检测应用提供技术支撑。

现有技术中常用的图像超分辨率重建方法，需要先利用同一相机连续拍摄同一场景图像，得到多帧图像，或是由视频得到图像序列，然后对得到的多帧图像或是图像序列进行超分辨率重建。利用这样的多帧图像或是图像序列进行超分辨率重建，帧间运动估计是一大技术难点，理论上讲，具有不同深度内容的场景，不存在一个简单的如仿射、但应类似的变换实现不同视角图像的精确配准。特别是对于动态场景，场景中存在运动物体，运动估计非常更加困难。

目前基于深度学习的人工智能技术已被成熟的应用在图像目标超分重建中，如ESPCN、SRCNN、SRGAN、VDSR、FSRCNN等基于卷积神经网络技术实现的图像超分重建技术，但是现有的深度学习方法在样本构建阶段中涉及的预处理方法过于简单，对于卫星遥感影像处理的适应性和精确性较差，难以与高质量的神经网络模型相结合获取更显著的处理效果，降低超分重建技术的实际应用价值。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的基于混合随机降采样的遥感影像超分辨率重构方法和装置。

根据本发明实施例的第一个方面，提供一种基于混合随机降采样的遥感影像超分辨率重构方法，包括：

对待重建目标的多尺度米级分辨率的光学遥感影像进行混合随机降采样处理，得到高分辨率影像矩阵和低分辨率影像矩阵，并构建高低分辨率图像块映射矩阵；

将所述高低分辨率图像块映射矩阵作为训练样本，进行深度学习训练，得到用于光学遥感影像超分辨率重构的超分辨率重构模型；

基于所述超分辨率重构模型，对待重建目标光学遥感影像进行超分辨率重构。

根据本发明实施例的第二个方面，提供一种基于混合随机降采样的遥感影像超分辨率重构装置，包括

样本库模块，用于对待重建目标的多尺度米级分辨率的光学遥感影像进行混合随机降采样处理，得到高分辨率影像矩阵和低分辨率影像矩阵，并构建高低分辨率图像块映射矩阵；

超分辨率重构模型，用于将所述高低分辨率图像块映射矩阵作为训练样本，进行深度学习训练，得到用于光学遥感影像超分辨率重构的超分辨率重构模型；基于所述超分辨率重构模型，对待重建目标光学遥感影像进行超分辨率重构。

根据本发明实施例的第三个方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如发明的第一个方面所述基于混合随机降采样的遥感影像超分辨率重构方法的步骤。