[发明专利]多尺度纹理转移残差网络的遥感卫星超分辨率方法及装置

说明书

本发明公开了一种多尺度纹理转移残差网络的遥感卫星超分辨率方法及装置，属于遥感卫星图像超分辨率领域，该方法包括：将下采样后的目标低分辨率图像通过深度残差网络进行特征提取，对提取出的特征图进行两次上采样操作，使其与原高分辨率卫星图像大小一致；由多尺度残差模块内使用不同卷积的残差块提取特征图特征信息，使用交叉的方式实现特征信息共享，残差模块外使用跳跃连接的方式实现多尺度特征信息融合；通过特征融合来更新目标低分辨率卫星图像的特征图以生成最终的高分辨率卫星图像；利用判别器对生成的高分辨率图像与原始的高分辨率图像进行对比。本发明所提出的网络优于其他最新的遥感卫星图像超分辨率算法，能生成更高质量的卫星图像。

技术领域

本发明属于遥感卫星图像超分辨率技术领域，更具体地，涉及一种多尺度纹理转移残差网络的遥感卫星超分辨率方法及装置。

背景技术

遥感卫星(Remote Sensing Satellites)是近年来发展迅速的重要地面探测方法。由于它们具有覆盖范围广，实时性强和不受地形等环境限制的独特优势，被用于灾难检测和预警，资源勘探和土地覆盖分类。在环境测试及其他领域具有广阔的应用前景。

由于高质量卫星图像在应用场景中的特殊价值，用于遥感卫星图像的单图像超分辨率(Single Image Super-Resolution，SISR)方法近来引起了越来越多的关注。除了从先进的硬件设备寻求帮助外，图像超分辨(Super-Resolution，SR)方法还提供了一种提高卫星图像质量的有效方法。近年来，随着卷积神经网络的迅速普及，为了获得高质量的图像，通过学习低分辨率(Low Resolution，LR)和高分辨率(High Resolution，HR)图像对之间的映射函数，建立了各种SR模型。

目前常用的卷积神经网络方法有：基于卷积神经网络(Convolutional NeuralNetworks,CNN)的网络框架来学习遥感图像的局部细节和全局先验信息(Super-resolution for remote sensing images via local–global combined network)；通过使用深度存储器将遥感图像的图像细节与环境信息相结合，有效改善了遥感图像的重建性能(High quality remote sensing image super-resolution using deep memoryconnected network)；多尺度残差神经网络方法，该方法提取不同大小的图像块作为多尺度信息，然后融合多尺度高频信息以重建遥感图像(Satellite image super-resolutionvia multi-scale residual deep neural network)；基于边缘增强的生成式对抗网络(Generative Adversarial Networks，GAN)，该网络利用网络提取的边缘细节信息来增强遥感图像的重建(Edge-enhanced gan for remote sensing image super-resolution)；通过使用增强的残差块和残差信道注意模块获得遥感特征的多级信息(Transferredmulti-perception attention networks for remote sensing image super-resolution)。