[发明专利]基于轻量化生成模型的遥感图像超分辨率重建方法

说明书

本发明属于图像生成技术领域，公开了一种基于轻量化生成模型的遥感图像超分辨率重建方法，构建基于遥感图像的生成对抗超分辨率网络总模型，包括生成网络和判别网络，通过生成网络与判别网络持续的训练对抗，来生成与真实图像更为相近的超分辨率图像；所述生成网络融合了注意力的显著性机制，将不同通道特征重新进行权重分配，使得模型能够自适应的学习遥感图像的特征分布，通过损失函数和优化器不断迭代优化两个网络模型参数，以期达到两者间的动态平衡，使得生成图像的概率分布与真实图像的数据分布近似相同，以缓解图像超分辨重建的不适定问题。

技术领域

本发明属于图像生成技术领域，涉及遥感图像生成方法，特别涉及基于轻量化生成模型的遥感图像超分辨率重建方法。

背景技术

由于遥感图像多为远距离成像，一个像元往往能够覆盖几平米甚至上千平米的地表范围，因而获得的图像具有地物类型复杂，目标元素模糊等特点，这对后期地物提取、判读解释等都造成了较大困难，导致图像在相关领域研究应用中存在一定的局限性。因此，生成与真实图像相近的遥感图像是克服这一局限的关键。

目前实现图像超分辨率重建方法是使用深度残差卷积生成对抗网络，生成网络大多使用多个残差模块串联的结构，生成的图像与自然真实图像作为判别器的输入。通过生成网络与判别网络不断的训练对抗，使得生成网络生成的图像越来越逼近真实图像。除此之外，目前也存在基于不同结构的卷积神经网络超分重建方法，如基于残差结构的方法通过学习高分辨率图像与拉伸放大后的低分辨率图像间的残差，来重建图像高频细节信息；如基于稠密结构的方法通过将前面每层网络特征拼接作为后续网络的输入，使得图像特征得到充分传递，实现高效的网络训练；如基于递归结构的方法通过学习低分辨率图像与高分辨率图像之间的各级残差，然后与原始的低分辨率图像加和得到各级相应的重构结果，并对此结果进行加权计算得到最终的超分辨率图像。

现阶段，基于深度残差卷积生成对抗网络的超分辨率重建方法，大多数都是在普通图像的基础上开展的，对于遥感图像的超分辨率研究还存在一些挑战。具体来说，遥感图像地表信息丰富、地面物体特征以及目标对象纹理比较明显，而且由于遥感图像多为远距离成像，空间尺度较大，容易存在图像分辨率低、图像变形大等问题。这使得普通图像的超分辨率方法难以直接应用于遥感图像上。因而针对遥感图像，需提出新的网络模型来提高图像的分辨率。

由于遥感图像与普通图像相比，存在图像尺度和空间分辨率差异，而且本身具有纹理特征丰富、自相关性强等特点，因此重建高清晰度遥感图像难度较大。同时，从研究现状来看，图像精度越高，网络层数相对越多、训练越难。因此，在保证图像准确率的基础上，思考如何解决网络参数量大、训练较难等问题也成为一大挑战。

对此，本发明从建立网络模型，调整相关学习策略、合理规划数据集等方面进行设计，以精准地提取遥感图像特征，达到恢复图像边缘纹理、提高感知质量的目标，并且在保证精度不变的情况下，改进网络结构减少参数量，实现轻量化设计。

发明内容

针对现有技术存在的不足，本发明提供一种基于轻量化生成模型的遥感图像超分辨率重建方法，设计一种基于遥感图像的生成对抗超分辨率网络总模型，由生成网络和判别网络组成，通过生成网络与判别网络持续的训练对抗，来生成与真实图像更为相近的超分辨率图像。此生成网络融合了注意力的显著性机制，命名为注意力生成网络AGN，将不同通道特征重新进行权重分配，充分考虑了不同通道间的相互依赖性，采取不同重要程度不同对待的方法，使得模型能够自适应的学习遥感图像的特征分布，通过损失函数和优化器不断迭代优化两个网络模型参数，以期达到两者间的动态平衡，使得生成图像的概率分布与真实图像的数据分布近似相同，以缓解图像超分辨重建的不适定问题。另外，充分利用深度可分离卷积和残差网络各自的优势，实现图像特征学习并减少网络冗余，实现网络轻量化设计，解决大多基于深度学习的超分辨重建方法网络层数多、参数量大等问题。

为了解决上述技术问题，本发明采用的技术方案是：

基于轻量化生成模型的遥感图像超分辨率重建方法，包括以下步骤：