[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

说明书

本发明提供一种基于深度学习的多尺度高分影像抗噪生成方法，包括：获取高分辨率遥感影像样本，并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；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；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LU1、LU2，最终得到训练完成的模型；本发明的有益效果：解决了低分噪声卫星影像生成高质量的高分辨率的影像面临的生成不同高分辨率影像模型泛化能力低、成本较高、噪声干扰问题。

技术领域

本发明涉及遥感影像处理领域，尤其涉及一种基于深度学习的多尺度高分影像抗噪生成方法。

背景技术

卫星采集影像一般是低分辨率影像，由于由于受天气、云层、距离、光线等因素的影响，原始影像还会携带大量随机噪声，这些噪声进一步妨碍了地图影像在实际发布生产中的应用。为了提升这些影像数据的使用质量与价值，需将噪声低分辨率影像处理生成高分辨率清晰影像。关于携带噪声的低分辨率图像生成高分辨率的方法，目前基于深度学习的卷积网络的一些模型方法被提出，这些方法在图像超分生成相较于传统的局部纹理统计填充、双线性插值等方法有明显的提升，生成的高分辨率图像细节更清晰、逼真，但仍存在一些不足的之处，如有些模型方法受携带随机的噪声影响生成高分辨图像时比较模糊，几乎绝大部分的模型方法只能生成相对应的训练模型时图像的放大倍数高分辨率图像，当放大倍数不匹配时，生成的图像效果较差变形失真，对放大倍数的调整泛化能力弱，需要针对不一样的分辨率独立训练模型应用成本较高。

发明内容

有鉴于此，本发明装置旨在解决低分噪声卫星影像生成高质量的高分辨率的影像面临的生成不同高分辨率影像模型泛化能力低、成本较高、噪声干扰问题。采集1000张高分辨率1024*1024的图像样本，通过图示设计的深度学习模型装置方法训练，将训练后的模型处理低分噪声卫星影像生成不同分辨率的高清影像。

本发明提供一种基于深度学习的多尺度高分影像抗噪生成方法，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。进一步地，所述前端多层卷积神经网络MLP0共十层，具体结构为：卷积核为3×3，激励函数为leakyrelu，第2-10层为具有bn操作的残差网络。

进一步地，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；