[发明专利]小波变换域下结合深度学习的光学遥感图像质量提升方法

说明书

本发明公开了小波变换域下结合深度学习的光学遥感图像质量提升方法，可用于高质量光学遥感图像的获取，解决了现有技术中，在对遥感图像处理时，无法同时采用去噪或超分辨率重建技术来获取高质量光学遥感图像的问题。本发明方法包括：1、训练阶段，将光学遥感图像进行小波变换、同时去噪与超分辨率重建，再进行小波逆变换，得到光学遥感重建图像，采用相对损失函数进行判别处理，得到理想网络参数；2、使用阶段，使用理想网络参数对系统进行初始化，将光学遥感图像进行小波变换、去噪与超分辨率重建，再进行小波逆变换，最终得到光学遥感重建图像，实现了对光学遥感图像质量的进一步提升。

技术领域

本发明属于光学遥感图像处理领域，具体涉及一种小波变换域下结合深度学习的光学遥感图像质量提升方法，可用于光学遥感图像的高质量获取。

背景技术

高质量光学遥感图像在目标检测、目标识别和图像分类方面非常有用。由于受成像设备的精度和大气环境的影响，高质量光学遥感图像很难获得。在现有技术中，大多采用去噪或超分辨率重建二者其一的技术来获取高质量光学遥感图像，如图1所示的ESRGAN图像处理方法(参见Wang X,Yu K,Wu S,et al.ESRGAN:Enhanced Super-ResolutionGenerative Adversarial Networks[C]European Conference on ComputerVision.Springer,Cham, 2018.)，基于深度学习，可实现对图像的超分辨率重建，但无法实现对图像进行去噪处理；如图2所示的DnCNN图像处理方法(参见Zhang K,Zuo W,Chen Y,etal.Beyond a Gaussian Denoiser:Residual Learning of Deep CNN for ImageDenoising[J].IEEE Transactions on Image Processing,2016, 26(7):3142-3155.)，是一个层数较深的基于深度学习的图像去噪方法，基于残差网络，结合了批归一化，实现对图像的去噪处理，但却无法实现对图像的超分辨率重建；由于遥感图像结构复杂、噪声大，仅采用去噪或超分辨率重建方法获得的光学遥感图像质量并不能满足实际中的需要，进而无法获得更高质量的光学遥感图像。

发明内容

本发明为解决现有技术中，对光学遥感图像进行处理时，通常采用的方法不能同时对光学遥感图像进行去噪和超分辨率重建的问题，提出了一种小波变换域下结合深度学习的光学遥感图像质量提升方法，此方法可用于任意需要提升质量的图像类型，具有可同时对光学遥感图像进行去噪和超分辨率重建，实现了对高质量光学遥感图像的获取。

本发明的技术解决方案是：小波变换域下结合深度学习的光学遥感图像质量提升方法，包括以下步骤：

步骤1、训练阶段：

1.1)将训练集中的光学遥感图像进行小波变换处理，得到不同频率子带信号；

1.2)将频率子带信号通过密集块网络同时进行去噪与超分辨率重建处理，得到频率子带重建信号；

1.3)将频率子带重建信号进行小波逆变换后得到光学遥感重建图像；

1.4)将光学遥感重建图像与对应的高质量真值图像进行判别处理，经生成器模块的相对损失与全变分损失函数运算，及判别器模块的相对损失函数运算，得到本次循环的损失情况，本次循环结束；

1.5)重复步骤1.1)-1.4)，直至训练集中所有光学遥感图像循环一次后，本次迭代结束，根据本次迭代的综合损失情况，更新网络参数；

1.6)重复步骤1.1)-1.5)，直至迭代次数到达设定值，训练结束，得到理想网络参数；

步骤2、使用阶段：

2.1)使用训练阶段得到的理想网络参数对系统进行初始化；

2.2)将待提升质量的光学遥感图像进行小波变换处理，得到不同频率子带信号；