[发明专利]基于模糊核分类与注意力机制的遥感图像超分辨重建方法

说明书

本发明公开了一种基于模糊核分类与注意力机制的遥感图像超分辨重建方法，首先给定某一地区对应的高、低分辨率光学遥感图像并划分测试样本和训练样本，其次对数据中所有低分辨率图像进行模糊核估计，接着使用训练集所有样本的模糊核进行K均值聚类，再利用聚类的模型对测试集高、低分辨率图像对进行分类，然后构建基于注意力机制的神经网络模型，并设定高、低分辨率图像的绝对值误差作为损失函数，根据测试集重建结果得到最优模型，最后根据该模型对输入图像进行重建，输出最终的结果图。本发明能够提升重建图像的峰值信噪比，鲁棒性强，且图像边缘细节清晰度有改善。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于模糊核分类与注意力机制的遥感图像超分辨重建方法，能够获取一幅光学遥感场景下的高分辨率图像。

背景技术

图像的超分辨率重建方法，旨在通过对单幅或者一系列输入图像进行处理，通过硬件或软件的方法得到输入低分辨率图像的高分辨率重建结果图。目前通过软件方法对输入低分辨率图像进行重建的方法大致可以分为三类，第一类是基于插值的图像重建方法，例如：最近邻插值、双线性插值、双三次插值法等；第二类是基于图像重建的方法，例如：迭代反投影、最大后验概率、凸集投影法等；以上两类方法不能较好地处理输入图像的样本集较大的情况。

目前，较多使用的是第三类的基于学习的图像重建方法，例如高斯过程回归、基于邻域嵌入、字典学习、深度学习等，这类方法利用已有的高、低分辨率图像样本对，进行高低分辨率图像间的学习映射，能够取得较好的结果，但图像的超分辨率重建结果仍有待进一步提升。

图像的模糊核估计是一类利用输入图像的结构信息估计出图像退化过程中的模糊过程的方法，例如有的方法通过利用输入图像中各图像块不同尺度的自相似性，寻找最小均方差的图像块对，利用最大后验概率迭代估计出最终的模糊核，估计出的模糊核可作为图像的先验信息，用于重构出单幅高分辨率图像。由于每幅图像的结构信息与经历的退化过程不同，因此对于不同的输入图像通常估计出的模糊核也不相同，该类方法通常适用于单样本的图像超分辨率重建。在遥感场景中，由于各图像的降质过程通常不同，虽然样本较多，但得到的模糊核仍可作为图像重建过程中的先验信息。基于注意力机制的深度学习的图像重建方法是目前该领域研究的热点，与一般的深度神经网络模型相比，注意力机制中的全局平均池化能够很好的帮助神经网络关注图像的某些特征信息，而减少对其他信息的过多关注。例如，现有的基于通道注意力机制的深度神经网络模型已应用于图像超分辨率重建任务，该方法能够充分利用卷积网络与残差结构的特性，并采用通道注意力机制模型，较为有效地提取图像中的高频特征，并将该特征应用于重建结果中。但是，该方法主要应用在自然场景的图像中，在遥感图像的超分辨率重建过程中仍然存在有一定的不足之处：首先，该方法用于超分辨率重建问题中，虽然引入了通道注意力机制，但是没有考虑到图像的空间位置特征，而不同大小的空间位置特征能够对图像的超分辨率重建结果起到关键的估计作用，其次，该方法在利用通道注意力机制时，主要考虑自然场景中的图像，而在遥感场景中由于传感器的参数、系统成像角度不同，遥感图像的退化模型也不同，而该方法没有较多的考虑到不同输入图像之间可能存在不同的退化过程。因此以上两点在一定程度上限值了遥感图像的重建结果，导致重建出的遥感图像峰值信噪比偏低，其重建质量有待提高。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于模糊核分类与注意力机制的遥感图像超分辨重建方法，旨在提高图像的重建质量提升其峰值信噪比指标。

本发明采用以下技术方案：

基于模糊核分类与注意力机制的遥感图像超分辨重建方法，包括以下步骤：

S1、给定某一地区的高分辨率光学遥感图像和对应的低分辨率光学遥感图像，其中包含不同类别的地物；

S2、对给定的图像进行划分构建训练样本和测试样本；

S3、对所有的训练集与测试集中的低分辨率图像寻找图像块间的递归相似关系，通过最大后验概率估计出低分辨率图像的模糊核；