[发明专利]基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法

说明书

本发明公开了一种基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法。本发明在提出的卷积神经网络中引入了通道注意力机制，可以利用各特征通道间的相互依赖关系，来提高网络的特征表达能力。主要包括以下步骤：设计并搭建基于通道注意力的卷积神经网络模型；用较小的遥感数据库，构建训练样本，预训练步骤一搭建的深度卷积神经网络模型；步骤二的模型训练达到收敛时，添加更大的遥感数据库来进行精调，进一步提升网络的性能；在遥感图像重建阶段，将低分辨率图像作为输入，利用步骤三中训练出的模型来重建出最终的高分辨率图像。本发明所述的方法可以获得更好的重建效果，是一种有效的遥感图像超分辨率重建方法。

技术领域

本发明涉及遥感图像超分辨率重建技术，具体涉及一种基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法，属于数字图像处理领域。

背景技术

随着现代航天技术的快速发展，遥感图像在各个领域的应用越来越广泛，其分辨率的要求也越来越高。但是在获取遥感图像的过程中，由于大气扰动、频率的混叠，以及成像、传输等诸多因素导致遥感图像分辨率的下降。由于依靠硬件提升分辨率受到制造工艺和生产成本的限制，因此，利用软件方法提高图像的分辨率，这种方法被称为超分辨率重建技术。

当前超分辨率重建的方法分为三类：基于插值的方法、基于重建的方法和基于学习的方法。基于插值的方法运算速度快，但是容易引入模糊和锯齿效应，适用于实时性较强的应用场景。基于重建的方法依赖于降质模型和各种图像先验，先验的使用使重建图像具备了相应的自然图像统计特性。基于学习的方法通过学习利用低分辨率图像与高分辨率图像间的关系，来实现分辨率的提高。近年来，使用卷积神经网络的方法在超分辨率重建领域取得了很好的成功。然而，很多基于卷积神经网络的超分辨率重建的方法同等地对待每一个特征通道，这种处理忽视了每一个特征通道的权重，降低了网络的特征表达能力，因此用于学习的超分辨率重建网络的性能仍有提升的空间。

发明内容

本发明的目的是利用卷积神经网络中通道注意力机制的优点，充分利用各特征通道间的依赖性，来提高网络的特征表达能力，进而构建一种有效的遥感图像超分辨率重建方法。

本发明提出的基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法，主要包括以下操作步骤：

(1)设计并搭建基于通道注意力的深度卷积神经网络模型；

(2)用较小的遥感数据库，构建训练样本，预训练步骤(1)搭建的深度卷积神经网络模型；

(3)步骤(2)的模型训练达到收敛时，添加更大的遥感数据库来进行精调，进一步提升网络的性能；

(4)在遥感图像重建阶段，将低分辨率图像作为输入，利用步骤(3)中训练出的模型来重建出最终的高分辨率图像。

附图说明

图1是本发明基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法的网络框图

图2是本发明提出的残差通道注意力模块的框图

图3是本发明与另外五种方法对不同尺度因子的图像重建结果的对比图。其中，图(a)为尺度因子为3的重建结果对比图，图(b)为尺度因子为4的重建结果对比图

具体实施方式

下面结合附图对本发明作进一步说明：

图1中，基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法，具体可以分为以下几个步骤：

(1)设计并搭建基于通道注意力的深度卷积神经网络模型；

(2)用较小的遥感数据库，构建训练样本，预训练步骤(1)搭建的深度卷积神经网络模型；

(3)步骤(2)的模型训练达到收敛时，添加更大的遥感数据库来进行精调，进一步提升网络的性能；