[发明专利]非匹配遥感图像弱监督学习超分辨率重建方法及系统

说明书

本发明公开了一种非匹配遥感图像弱监督学习超分辨率重建方法及系统，包括：输入高空间分辨率图像和与高空间分辨率图像不匹配成对的低空间分辨率图像，对预设的循环生成对抗网络进行训练，结合预设的第一损失函数进行反向传播得到训练好的循环生成对抗网络；对高空间分辨率图像利用双三次插值下采样后输入至训练好的循环生成对抗网络中的第一网络，生成与高空间分辨率图像匹配的第一伪图像；根据低空间分辨率图像、第一伪图像和高空间分辨率图像对预设的超分网络进行训练，结合预设的第二损失函数进行反向传播得到训练好的超分网络；获取低空间分辨率测试图像，输入至训练好的超分网络中的超分辨率重建网络，得到重建后的超分辨率图像。

技术领域

本发明属于遥感图像处理技术领域，特别涉及一种非匹配遥感图像弱监督学习超分辨率重建方法及系统。

背景技术

遥感图像的空间分辨率越大，图像内容越丰富，能为目标分割、检测等任务提供更有用的信息。但能获取高空间分辨率遥感图像的卫星较少，通过改进卫星硬件设备提升图像的空间分辨率，需要较高的成本。图像超分辨率重建技术可以使用图像处理等软件方式提升图像的分辨率，降低了技术成本，因此遥感图像超分辨率重建具有重要的研究意义。

随着深度学习技术的发展，基于卷积神经网络的超分辨率算法取得了较好的效果。但大部分基于卷积神经网络的超分算法都需要成对匹配的高空间分辨率与低空间分辨率数据进行训练。对于遥感卫星而言，很难获取相同场景下不同空间分辨率的成对图像。现有方法通常使用双三次插值等简单的降质模型合成成对数据集，但这类降质方法并不满足包含噪声、模糊、压缩损失等复杂变化情形下真实的降质过程，在处理真实低空间分辨率遥感图像时效果不佳。

生成对抗网络的方法可以通过生成器与判别器的博弈，生成与目标域相同分布的数据，使重建图像具有良好的视觉效果。但由于缺少先验信息对生成结果进行约束，生成对抗网络的方法易产生假纹理、伪影和不真实的物体等问题，不满足遥感图像中目标的特有形态，对后续的识别、分类等任务造成不好的影响。

在自然图像超分问题中，图像域转换被用于模拟图像退化过程，进而获取匹配的训练数据，为图像超分辨率提供监督。不同于自然图像的域转换问题，由于卫星上遥感传感器设备不同以及遥感图像中主要包含的场景存在巨大差异，不同卫星图像的数据分布差异很大，图像域转换造成合成的低空间分辨率数据出现内容、颜色等偏差。因此，遥感图像域转换需要在学习真实分辨率退化过程的同时，保留输入卫星图像的风格和内容。

发明内容

针对以上技术问题，本发明提供一种非匹配遥感图像弱监督学习超分辨率重建方法及系统。

本发明解决其技术问题采用的技术方案是：

非匹配遥感图像弱监督学习超分辨率重建方法，方法包括以下步骤：

步骤S100：输入高空间分辨率图像和与高空间分辨率图像不匹配成对的低空间分辨率图像，对预设的循环生成对抗网络进行训练，得到训练后的循环生成对抗网络，结合预设的第一损失函数对训练后的循环生成对抗网络进行反向传播，更新训练后的循环生成对抗网络的网络参数并累计第一迭代次数，当第一迭代次数达到预设的第一迭代次数阈值时完成训练，得到训练好的循环生成对抗网络；

步骤S200：对高空间分辨率图像利用双三次插值下采样后输入至训练好的循环生成对抗网络中的第一网络，生成与高空间分辨率图像匹配的第一伪图像；

步骤S300：根据与高空间分辨率图像不匹配成对的低空间分辨率图像、第一伪图像和高空间分辨率图像对预设的超分网络进行训练，得到训练后的超分网络，结合预设的第二损失函数对训练后的超分网络进行反向传播，更新训练后的超分网络的网络参数并累计第二迭代次数，当第二迭代次数达到预设的第二迭代次数阈值时完成训练，得到训练好的超分网络；

步骤S400：获取低空间分辨率测试图像，将低空间分辨率测试图像输入至训练好的超分网络中的超分辨率重建网络，得到重建后的超分辨率图像。