[发明专利]一种基于改进ESRGAN的遥感影像超分重建方法

说明书

本发明提供一种基于改进ESRGAN的遥感影像超分重建方法，包括：构建改进遥感影像超分重建网络模型，包括生成网络和判别网络；生成网络由：64个尺寸为3x3的卷积核、23个RRDB模块构成的残差网络、LeakyReLU激活函数组成；判别网络包括6层，采用偶数尺寸卷积核的全卷积网络并加入BN层和LeakyReLU激活层进行构造；判别网络的第一层输入为：原始低分辨率遥感影像real_A双三次插值放大后的图像和生成网络生成的fake_B图像进行通道合并后的图像；交替训练所述生成网络和判别网络，并更新生成网络和判别网络的参数，最终得到改进的遥感影像超分重建网络模型。本发明的有益效果：可以生成清晰度和纹理特征更加接近真实高分辨率遥感图像的高清影像。

技术领域

本发明涉及遥感影像处理领域，尤其涉及一种基于改进ESRGAN的遥感影像超分重建方法。

背景技术

卫星遥感影像能够快速提供地球表面的信息，但是中、低分辨率的卫星遥感影像对于提取高精度的地物、地图更新、目标识别等具有一定的局限性。高分辨率的卫星遥感影像的发展使得遥感影像的深入应用成为可能，从而为GIS数据的更新、GIS的应用提供了有利的条件。对于地图更新、影像匹配、目标检测等也具有重要意义。

在遥感领域，受成像技术和拍摄设备的影响，高分辨率的遥感影像获取比较困难，往往需要无人机去进行航拍，既耗费了人力也耗费了物力，由此，从算法的角度着手，实现图像超分辨率重建的技术成为了图像处理和计算机视觉等多个领域的热点研究课题。

近年来越来越多的研究人员用深度学习的方法进行超分辨率重建，并且取得了不错的进展，其中最令人印象深刻的莫过于ESRGAN超分重建网络，该网络采用多层次的RRDB模块代替基础的残差网络，并且去除了生成网络中的BN模块，使得图像超分重建技术得到了一个很大的提升。但是在遥感领域，由于卫星拍摄的影像存在着压缩、融合等处理，使得得到的低分辨率遥感影像的纹理细节损失严重，原始的ESRGAN网络在重建卫星拍摄的低分辨率遥感影像中容易出现一些伪影和纹理细节失真等问题。

发明内容

有鉴于此，本发明实际要解决的技术问题是：如何生成细节纹理更加逼真的高分辨率遥感影像。针对此，本发明提出一种改进的ESRGAN遥感影像超分重建网络，该网络保留原始ESRGAN强大的生成网络架构，在判别网络方面，我们抛弃原始ESRGAN采用的VGG网络，采用偶数尺寸卷积核的全卷积网络并加入BN层和LeakyReLU激活层进行构造，最终输出一个8x8的预测矩阵，对该矩阵进行求均值完成判别。

本发明提供一种基于改进ESRGAN的遥感影像超分重建方法，包括以下步骤：

S101：构建改进遥感影像超分重建网络模型；所述改进遥感影像超分重建网络模型基于ESRGAN架构，包括生成网络net_G和判别网络net_D；生成网络生成用于欺骗判别网络的假图像fake_B；

生成网络由：64个尺寸为3x3的卷积核、23个RRDB模块构成的残差网络、LeakyReLU激活函数组成；判别网络包括6层，采用偶数尺寸卷积核的全卷积网络并加入BN层和LeakyReLU激活层进行构造，最终输出一个8x8的预测矩阵，对该矩阵进行求均值完成判别；

所述判别网络的第一层输入为：原始低分辨率遥感影像real_A双三次插值放大后的图像和生成网络生成的fake_B图像进行通道合并后的图像、原始低分辨率遥感影像real_A双三次插值放大后的图像和原始高分辨率遥感影像real_B进行通道合并后得图像；

S102：交替训练所述生成网络和判别网络：利用生成网络生成用于欺骗判别网络的假图像fake_B，并更新生成网络和判别网络的参数，最终得到改进的遥感影像超分重建网络模型。

进一步地，所述判别网络的具体结构为：

第一层：64个4x4卷积核、卷积步长为2的卷积网络；