[发明专利]一种卫星序列影像生成对抗超分网络方法

权利要求书

1.一种卫星序列影像生成对抗超分网络方法，其特征在于，包括以下步骤：

步骤一：构建数据集，包括训练集、验证集和测试集，并对数据集进行预处理，降采样得到低分辨率图像，每一个场景包括n幅低分辨率序列影像和一幅高分辨率ground truth图像；

步骤二：采用生成对抗网络模型，将步骤一得到的卫星影像，分别输入至所述模型进行训练，得到超分模型；

步骤三：利用步骤二得到的超分模型处理测试集，测试得到的模型性能；

步骤四：对步骤三得到的超分图像与高分辨率ground truth进行对比，定量评价的评价指标采用峰值信噪比PSNR。

2.根据权利要求1所述的一种卫星序列影像生成对抗超分网络方法，其特征在于：所述步骤一中，构建数据集的内容如下：用卫星序列影像数据来训练网络，以SPOT5为例，所有的训练图像都被随机裁剪成88×88像素大小的斑块，对于测试集，使用启明星微纳卫星影像数据，为了对训练和测试数据进行预处理，使用Bicubic插值对原始序列高分辨率图像进行2倍、4倍、6倍的降采样，每一个场景包括n幅低分辨率序列影像和一幅高分辨率groundtruth图像，前者用于训练使用，后者用于跟生成的高分辨率SR影像作对比。

3.根据权利要求1所述的一种卫星序列影像生成对抗超分网络方法，其特征在于：所述步骤二中，构建生成对抗网络GAN的内容如下：

生成对抗网络由两部分构成：生成器和判别器；生成器的目的是将4通道压缩的CFA图像转换成3通道输出的全彩图像，对G使用SRGAN模型，包含4个卷积块，16个残差块(ResBlocks)和一个子像素卷积层，具体来说，使用了两个具有3×3小核和64个特征图的卷积层，然后是批量规范化层和ParametricReLU[作为激活函数，用两个训练有素的子像素卷积层提高输入图像的分辨率，此在子像素层之前引入一个跳过连接来引导输出；

鉴别器网络结构使用卷积层，然后进行批量归一化和LeakyReLU激活α＝0.2，并在整个鉴别器网络中避免最大池，它包含8个卷积层，3×3滤波核的数量不断增加，与VGG网络一样，从64核增加到512核，增加了2倍，每当特征数量增加一倍时，就会使用分层卷积来降低图像分辨率，所得的512个特征图之后是两个密集层和一个最后的sigmoid激活函数，以获得样本分类的概率；

训练生成对抗网络GAN：

将上述构建完成的训练数据集输入进生成对抗网络中，对于训练数据，网络每次随机选取一批图像进行学习，分别对判别器和生成器进行交替训练，训练过程采用随机梯度下降法SGD，利用Adam优化器进行最优化；

感知损失函数为内容损失和对抗损失的加权和，内容损失由MSE损失和VGG特征损失组成：

测试生成对抗网络GAN：

对于测试数据集，利用与训练数据同样的预处理方法，然后将含有马赛克的测试数据输入生成器中，输出的图像被认为就是去马赛克后的图像，通过计算去马赛克后的输出图像与不含马赛克的原始图像之间的峰值功率信噪比PSNR来衡量去马赛克效果；