【技术实现步骤摘要】
一种基于生成对抗网络的遥感图像超分辨重建方法
本专利技术涉及计算机图像处理
，具体涉及一种基于生成对抗网络的遥感图像超分辨重建方法。
技术介绍
遥感图像的分辨率是影响遥感图像解译的重要因素，高分辨率遥感图像包含更多细节，也更有利于遥感图像分类和目标检测等解译任务，所以更期望能获得更高分辨率的遥感图像。由于传感器等硬件成本和工艺的限制，高分辨率遥感图像的获取一直存在难度大、成本高的问题，这严重地限制了遥感图像的应用。超分辨(Super-Resolution，RS)重建可以利用计算机软件从一幅或多幅低分辨率图像生成对应的高分辨率图像，是一种灵活经济的提高图像分辨率的技术，可获得更高分辨率的遥感图像、提高遥感图像场景分类和目标检测等任务的精度、扩大遥感技术的应用领域。现有图像超分辨率重建方法根据重建时使用低分辨率图像的数量一般可分为两类：单图像超分辨重建和多图像超分辨重建。单图像超分辨率重建用线性或非线性映射以及图像先验使用低分辨率(LR)图像作为输入产生令人满意的高分辨率图像。单图像超分辨重建方法通常分为基于模型的...
【技术保护点】
1.一种基于生成对抗网络的遥感图像超分辨重建方法，包括步骤1：预处理遥感图像数据集，制作高、低分辨率遥感图像及对应的标签作为训练数据集；步骤4：将待处理的低分辨率遥感图像和标签输入到训练好的生成模型，获得超分辨率重建的高分辨率遥感图像；/n其特征在于：还包括，步骤2：使用稠密块构建用于训练的生成对抗网络模型，在生成网络中引入场景约束子网络、边增强子网络和噪声抑制子网络，在判别网络中引入谱归一化，损失函数中引入条件对抗损失，引入内容保真度；步骤3：将步骤1得到的低、高分辨率遥感图像和对应标签作为训练集输入到生成对抗网络中进行模型训练，训练过程中设定一个阈值作为训练是否结束的判...
【技术特征摘要】
1.一种基于生成对抗网络的遥感图像超分辨重建方法，包括步骤1：预处理遥感图像数据集，制作高、低分辨率遥感图像及对应的标签作为训练数据集；步骤4：将待处理的低分辨率遥感图像和标签输入到训练好的生成模型，获得超分辨率重建的高分辨率遥感图像；
其特征在于：还包括，步骤2：使用稠密块构建用于训练的生成对抗网络模型，在生成网络中引入场景约束子网络、边增强子网络和噪声抑制子网络，在判别网络中引入谱归一化，损失函数中引入条件对抗损失，引入内容保真度；步骤3：将步骤1得到的低、高分辨率遥感图像和对应标签作为训练集输入到生成对抗网络中进行模型训练，训练过程中设定一个阈值作为训练是否结束的判断条件，如果前后两次损失差连续多次小于该阈值说明对抗生成结束，自动终止训练。
2.根据权利要求1所述的基于生成对抗网络的遥感图像超分辨重建方法，其特征在于：步骤1中训练集制作过程为：(1)从遥感图像数据集和辅助标签集随机采样一批高分辨率图像和标签，作为高分辨率图像训练集；(2)对高分辨率遥感图像训练集中图像进行双三次插值下采样(下采样比例为r，r＝2n，n＝0，1，2，3……)，获得的低分辨率遥感图像和对应标签作为低分辨率图像训练集。
3.根据权利要求2所述的基于生成对抗网络的遥感图像超分辨重建方法，其特征在于：步骤2中，采用集成Denseblock构建生成对抗网络模型。
4.根据权利要求3所述的基于生成对抗网络的遥感图像超分辨重建方法，其特征在于：步骤2中，生成网络中引入辅助标签构建场景约束子网络。
5.根据权利要求4所述的基于生成对抗网络的遥感图像超分辨重建方法，其特征在于：步骤2中，生成网络中引入边增强子网络：
通过拉普拉斯算子对初步超分辨率图像进行边缘检测，抽取边缘信息，如下式；
E(x,y)表示抽取的边，L(x,y)表示拉普拉斯算子，I(x,y)表示初步超分辨率图像；
利用Denseblock提取边缘图并将其同时转换为LR空间，同时使用一个mask(掩码)分支来学习要检测的图像mask；随后通过子像素卷积操作将增强的边缘图投影到HR空间上，如下式；
其中B(·)是双三次下采样算子，E(·)表示边缘增强部分中的密集子网络，用于特征提取和融合，M(·)代表mask分支，以学习图像掩码以抑制噪声和虚假边缘；PS(·)是带有子像素卷积的上采样操作，用于将边缘图转换为HR空间；是生成网络输出的初步超分辨率遥感图像，而不是最终的SR图像。
6.根据权利要求5所述的基于生成对抗网络的遥感图像超分辨重建方法，其特征在于：步骤2中，生成网络中引入噪音抑制网络，使用全变分损失(TV)：
基于TV的优化算法如下式...
【专利技术属性】
技术研发人员：郭东恩，雷蕾，宋薇，陈浩，王绪宛，徐黎明，
申请(专利权)人：南阳理工学院，
类型：发明
国别省市：河南;41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。