[发明专利]基于双路对抗生成网络的卫星遥感图像超分辨重建技术

说明书

本发明提供一种基于双路对抗生成网络的卫星遥感图像超分辨重建技术，网络包括生成器模块、判别器模块、像素损失优化模块，低分辨率图像通过生成器模块生成高分辨率图像，所述高分辨率图像再与真实图像通过判别器模块、像素损失优化模块优化损失最后生成超分辨重建图像。本发明采用双路对抗生成网络的超分辨重建技术在卫星遥感图像的线条、棱角和细节的恢复上实现了清晰重建，可以重建出更加接近人眼感知的超分辨图像提高卫星遥感成像的质量，能够为我国的卫星导航、地表观测、地图绘制及军事侦察等提供准确数据。

技术领域

本发明属于卫星遥感图像技术领域，特别涉及一种基于双路对抗生成网络的卫星遥感图像超分辨重建技术。

背景技术

卫星遥感成像是利用地物目标的辐射特性以及对电磁波的反射特性，实现对地表信息的间接获取，图像需要客观准确地的识别高山、河流、交通工具、建筑等。然而，由于卫星成像系统电路复杂，存在未知的电磁环境及硬件条件限制，再加上时常伴有恶劣的自然环境和噪声等因素干扰，会导致获取图像质量降低，给人们后续研究与精识别断带来了极大的困难。因此，卫星遥感成像需要进行降噪、超分辨等预处理，来提高图像的质量，为后期对地观测、分析识别和准确判定提供有利的数据保障。图像超分辨重建技术在卫星遥感领域有着重要的研究价值和广泛的应用前景。

深度学习是机器学习的一个分支，在语音和图像识别方面效果显著，它能够使机器模仿人类视听和思考，解决了很多复杂的模式识别难题。基于深度学习的图像超分辨率重建技术近些年取得了卓越的成就，Dong等人2014年首次提出基于深度卷积神经网络的超分辨率重建(Convolutional Neural Network for Super Resolution,SRCNN)，通过卷积操作提取图像特征，在低分辨率图像到高分辨率图像之间进行比较，经过不断训练来优化模型映射参数，开创了深度学习在图像超分辨领域的先河。随后，Dong等人提出加速版的神经网络超分辨模型(Fast SRCNN,FSRCNN)，其在网络的最后一层使用反卷积操作对图像进行上采样，可以快速的实现对不同尺度的图像进行超分辨。Kim等人提出一种深度残差网络超分辨算法(Very Deep Super-resolution Convolutional Networks,VDSR)，他引入残差学习确保了20个卷积层组合能够长距离提取图像的特征，重建效果明显。Lim等人提出一种加深卷积网络(Enhanced Deep Residual Networks,EDSR)来学习高分辨率图像和低分辨率图像之间的细节差异，对模型扩大了尺寸，除去了不必要的模块，使其得以优化。Lai等人设计了基于拉普拉斯金字塔网络的超分辨算法(Deep Laplacian pyramid Network forFast and Accurate Super Resolution,LapSRN)，该算法通过逐步上采样网络与共享特征图来探索多个尺度特征信息，并采用拉普拉斯金字塔结构，进行逐层上采样并融合残差图像特征，从而得到重构的超分辨图像。该模型采用逐级上采样的结构不需要预处理阶段插值，这大大降低了网络计算的复杂性。Ledig等人提出了生成对抗网络的超分辨算法(Generative Adversarial Networks,SRGAN)，将生成网络重建的图像和对应的高分辨率图像输入到判别网络中，判别网络用于判定真假，通过这种对抗式训练的方式不断地提升模型的超分辨重建能力。

然而现有的超分辨网络算法对卫星遥感成像的研究相对不足，恢复效果有待加强，且算法的复杂度较高，如何提高卫星遥感成像的质量，为我国的卫星导航、地表观测、地图绘制及军事侦察等方面提供准确数据，是一个客观存在的必要性研究课题。

发明内容

本发明所解决的技术问题是提供一种基于双路对抗生成网络的卫星遥感图像超分辨重建技术，弥补上述不足，解决了超分辨网络算法对卫星遥感成像的研究不足，恢复效果不佳，且算法的复杂度较高，卫星遥感成像的质量较差的问题。