[发明专利]基于无人机航拍数据的遥感卫星超分辨率实现方法、装置、电子设备及存储介质

权利要求书

1.一种基于无人机航拍数据的遥感卫星超分辨率实现方法，其特征在于，包括如下步骤：

获取指定区域的遥感卫星图像和无人机航拍图像，其中，所述无人机航拍图像的分辨率高于所述遥感卫星图像的分辨率；无人机航拍镜头的拍摄角度与遥感卫星角度一致；所述无人机航拍图像由多次无人机航拍的图像拼接而成；

对所述无人机航拍图像进行分辨率降采样，获取与所述遥感卫星图像分辨率相同的低分辨率无人机航拍图像；

将所述遥感卫星图像和所述低分辨率无人机航拍图像输入风格变换模型，以训练所述风格变换模型，其中，所述风格变换模型为对抗网络模型，所述风格变换模型用于减小所述遥感卫星图像与所述低分辨率无人机航拍图像之间由于拍摄条件不同所造成的偏差；

将所述对抗网络模型输出的风格变换后的遥感卫星图像和所述无人机航拍图像输入图像分辨率提升模型，以训练所述图像分辨率提升模型，其中，所述图像分辨率提升模型用于提高所述风格变换后的遥感卫星图像的分辨率；所述图像分辨率提升模型包括分辨率提升主干网络、第三生成器Gz和第三判别器Dz，其中，所述分辨率提升主干网络用于提升风格变换后的遥感卫星图像的分辨率，所述第三生成器Gz用于将所述无人机航拍图像向所述风格变换后的遥感卫星图像转换，所述第三判别器Dz为所述无人机航拍图像数据域的判别式；所述图像分辨率提升模型的损失函数包括对抗损失函数、循环一致性约束损失函数、对等约束损失函数和总变分损失函数；

所述对抗损失函数的公式为：

所述循环一致性约束损失函数的公式为：

所述对等约束损失函数的公式为：

所述总变分损失函数的公式为：

其中，代表训练批次里的某一个降采样后的无人机航拍图像；代表高分辨率的无人机航拍图片； ∇_h代表图像水平方向上的梯度，∇_w代表图像垂直方向上的梯度；Gx为第一生成器；Gy为第二生成器；Dx为第一判别器；Dy为第二判别器；

则所述图像分辨率提升模型的损失函数的公式为：

其中，、和为权重系数；

将待测区域的低分辨率遥感卫星图像输入训练后的所述风格变换模型中，获得风格变换后待测区域的低分辨率遥感卫星图像；

将所述风格变换后待测区域的低分辨率遥感卫星图像输入训练后的图像分辨率提升模型，获得所述待测区域的高分辨率遥感卫星图像。

2.根据权利要求1所述的基于无人机航拍数据的遥感卫星超分辨率实现方法，其特征在于：

所述风格变换模型采用CycleGAN 框架，包括第一生成器Gx、第二生成器Gy、第一判别器Dx和第二判别器Dy，其中，所述第一生成器Gx用于将所述遥感卫星图像向所述低分辨率无人机航拍图像转换，所述第二生成器Gy用于将所述低分辨率无人机航拍图像向所述遥感卫星图像转换，所述第一判别器Dx为所述遥感卫星图像数据域的判别式，所述第二判别器Dy为所述无人机航拍图像数据域的判别式。

3.根据权利要求2所述的基于无人机航拍数据的遥感卫星超分辨率实现方法，其特征在于：

所述风格变换模型的损失函数包括对抗损失函数、循环一致性约束损失函数、对等约束损失函数和总变分损失函数；

所述对抗损失函数的公式为：

所述循环一致性约束损失函数的公式为：

所述对等约束损失函数的公式为：

所述总变分损失函数的公式为：

其中，代表训练批次里的某一张遥感卫星数据的切片图像；代表训练批次里的某一个降采样后的无人机航拍图像；∇_h代表图像水平方向上的梯度，∇_w代表图像垂直方向上的梯度；

则所述风格变换模型的损失函数的公式为：

其中，、和为权重系数。

4.根据权利要求1所述的基于无人机航拍数据的遥感卫星超分辨率实现方法，其特征在于：

所述提升主干网络为WDSR网络。