[发明专利]一种基于深度学习的多尺度高分影像抗噪生成方法

权利要求书

1.一种基于深度学习的多尺度高分影像抗噪生成方法，其特征在于：具体包括以下步骤：

S101：获取高分辨率遥感影像样本，并将高分辨率遥感影像样本进行不同级别的下采样，得到不同分辨率的遥感影像样本集；

S102：构建多尺度高分影像抗噪模型；所述模型包括：前端多层卷积神经网络MLP0、图像边缘形状注意力网络、循环上采样网络LU1、循环上采样网络LU2和内容特征扩展网络；

S103：利用不同分辨率的遥感影像样本集，分两阶段训练所述模型；一阶段训练优化所述前端多层卷积神经网络MLP0、图像边缘形状注意力网络和内容特征扩展网络；二阶段训练在一阶段的基础上，优化循环上采样网络LU1、循环上采样网络LU2，最终得到训练完成的多尺度高分影像抗噪模型；

S104：利用训练完成的多尺度高分影像抗噪模型实现高分影像的生成；

步骤S103中，一阶段训练优化的具体过程为：

S201：从不同分辨率的遥感影像样本集中选取最低分辨率的遥感影像L，并从遥感影像L中随机选择一块尺寸区域，添加人工噪声，形成局部携带噪声的遥感影像Ls；

S202：将遥感影像Ls输入至前端多层卷积神经网络MLP0，得到MLP0输出的卷积特征；

S203：将MLP0输出的卷积特征分为两个支路进行输入；其中第一支路输入至图像边缘形状注意力网络，并得到图像边缘形状注意力网络的输出特征；第二支路输入至内容特征扩展网络；

S204：图像边缘形状注意力网络的输出特征又为两个子支路进行输入；其中第一子支路输入至内容特征扩展网络；第二子支路输入至一个3×3卷积核、输出通道为3、激励函数为relu的卷积层，得到rgb归一化的图像梯度边缘分布EI；获取遥感影像L的图像边缘梯度分布En；利用EI和En得到一阶段训练的一部分优化损失函数L1loss(EI,En)；

S205：将第二支路输入至内容特征扩展网络的MLP0输出的卷积特征和第一子支路输入至内容特征扩展网络的图像边缘形状注意力网络的输出特征进行融合，得到内容特征扩展网络的输出特征；

S206：将内容特征扩展网络的输出特征依次经过一个1×1的卷积核、多层卷积网络MLP3、一个3×3，输出通道为3、激励函数为relu的卷积核后，得到rgb归一化的生成图像Gn；利用生成图像Gn和遥感影像L得到一阶段训练的另一部分优化损失函数L1loss(Gn，L)；

S207：利用一阶段训练的优化损失函数Loss1＝L1loss(EI,En)+L1loss(Gn，L)，完成一阶段优化训练，得到前端多层卷积神经网络MLP0、图像边缘形状注意力网络和内容特征扩展网络的权重参数；

步骤S103中，二阶段训练具体过程为：

S301：从不同分辨率的遥感影像样本集中再次随机选取最低分辨率的遥感影像L2；将遥感影像L2输入至前端多层卷积神经网络MLP0得到输出特征；

S302：将MLP0输出的卷积特征分为两个支路进行输入；第一分支的卷积特征通过图像边缘注意力网络进行特征提取，再通过循环上采样网络LU1输出特征；第二分支的卷积特征进入循环上采样网络LU2；

S303：循环上采样网络LU1的输出特征，根据预设的放大倍数k再次循环输入至LU1，直至分别生成2、4、8…2k倍的尺寸特征；

S304：将不同的尺寸特征生成对应的rgb梯度分布EI₂₁、EI₂₂、…、EI_2k；获取遥感影像L2对应的原始高分影像的原始梯度边缘分布E₂₁、E₂₂、…、E_2k；同时获取遥感影像L2对应的原始影像的边缘形状特征即图像边缘注意力网络提取的特征F₁₀，并将F10输入至1倍的循环上采样网络LU1，得到输出特征F₁₁；

S305：循环上采样网络LU1的损失函数即为：

Loss₂＝W_f*L1Loss(F₁₁，F₁₀)+L1Loss(EI₂₁，E₂₁)+L1Loss(EI₂₂，E₂₂)+…+L1Loss(EI_2k，E_2k)

其中W_f为预设值；

S306：与步骤S303相同，循环上采样网络LU2的输出特征根据预设的放大倍数k再次循环输入至LU2，直至分别生成2、4、8...2k倍的尺寸特征；

S307：循环上采样网络LU1的不同尺寸特征和循环上采样网络LU2的不同尺寸特征经过内容特征扩展网络融合，并依次经过一个1×1的卷积核、多层卷积网络MLP3、一个3×3，输出通道为3、激励函数为relu的卷积核后，得到rgb归一化的生成图像G₂₁、G₂₂、...、G_2k；生成图像G₂₁、G₂₂、...、G_2k对应的原始高分辨率图像为H₂₁、H₂₂、...、H_2k；

S308：循环上采样网络LU2的损失函数即为：

Loss₃＝L1Loss(G₂₁，H₂₁)+L1Loss(G₂₂，H₂₂)+…+L1Loss(G_2k，H_2k)。