【技术实现步骤摘要】
基于模糊核分类与注意力机制的遥感图像超分辨重建方法
本专利技术属于图像处理
,具体涉及一种基于模糊核分类与注意力机制的遥感图像超分辨重建方法,能够获取一幅光学遥感场景下的高分辨率图像。
技术介绍
图像的超分辨率重建方法,旨在通过对单幅或者一系列输入图像进行处理,通过硬件或软件的方法得到输入低分辨率图像的高分辨率重建结果图。目前通过软件方法对输入低分辨率图像进行重建的方法大致可以分为三类,第一类是基于插值的图像重建方法,例如:最近邻插值、双线性插值、双三次插值法等;第二类是基于图像重建的方法,例如:迭代反投影、最大后验概率、凸集投影法等;以上两类方法不能较好地处理输入图像的样本集较大的情况。目前,较多使用的是第三类的基于学习的图像重建方法,例如高斯过程回归、基于邻域嵌入、字典学习、深度学习等,这类方法利用已有的高、低分辨率图像样本对,进行高低分辨率图像间的学习映射,能够取得较好的结果,但图像的超分辨率重建结果仍有待进一步提升。图像的模糊核估计是一类利用输入图像的结构信息估计出图像退化过程中的模糊过程的方法,例如有的方法通过利用输入图像中各图像块不同尺度的自相似性,寻找最小均方差的图像块对,利用最大后验概率迭代估计出最终的模糊核,估计出的模糊核可作为图像的先验信息,用于重构出单幅高分辨率图像。由于每幅图像的结构信息与经历的退化过程不同,因此对于不同的输入图像通常估计出的模糊核也不相同,该类方法通常适用于单样本的图像超分辨率重建。在遥感场景中,由于各图像的降质过程通常不同,虽然样本较多,但得到的模糊核 ...
【技术保护点】
1.基于模糊核分类与注意力机制的遥感图像超分辨重建方法,其特征在于,包括以下步骤:/nS1、给定某一地区的高分辨率光学遥感图像和对应的低分辨率光学遥感图像,其中包含不同类别的地物;/nS2、对给定的图像进行划分构建训练样本和测试样本;/nS3、对所有的训练集与测试集中的低分辨率图像寻找图像块间的递归相似关系,通过最大后验概率估计出低分辨率图像的模糊核;/nS4、根据低分辨率图像的模糊核对训练集进行聚类;/nS5、使用聚类模型对测试集图像进行分类;/nS6、基于卷积神经网络进行网络结构设计,选择残差块连接方式作为基本结构,并在其中加入可选择卷积核与通道的注意力机制,可选择卷积核部分包含通道的分离、融合与特征选择操作,构建基于注意力机制的神经网络模型;/nS7、将不同的低分辨率图像与其对应的高分辨率图像组成图像对按照划分的类别分别进行训练,损失函数设定为高、低分辨率图像对的均方误差,并在测试集中按照不同类别的图像分别进行测试,得到不同类别的模型;/nS8、对输入的低分辨率图像进行模糊核的估计、分类,并重建出高分辨率图像作为输出。/n
【技术特征摘要】
1.基于模糊核分类与注意力机制的遥感图像超分辨重建方法,其特征在于,包括以下步骤:
S1、给定某一地区的高分辨率光学遥感图像和对应的低分辨率光学遥感图像,其中包含不同类别的地物;
S2、对给定的图像进行划分构建训练样本和测试样本;
S3、对所有的训练集与测试集中的低分辨率图像寻找图像块间的递归相似关系,通过最大后验概率估计出低分辨率图像的模糊核;
S4、根据低分辨率图像的模糊核对训练集进行聚类;
S5、使用聚类模型对测试集图像进行分类;
S6、基于卷积神经网络进行网络结构设计,选择残差块连接方式作为基本结构,并在其中加入可选择卷积核与通道的注意力机制,可选择卷积核部分包含通道的分离、融合与特征选择操作,构建基于注意力机制的神经网络模型;
S7、将不同的低分辨率图像与其对应的高分辨率图像组成图像对按照划分的类别分别进行训练,损失函数设定为高、低分辨率图像对的均方误差,并在测试集中按照不同类别的图像分别进行测试,得到不同类别的模型;
S8、对输入的低分辨率图像进行模糊核的估计、分类,并重建出高分辨率图像作为输出。
2.根据权利要求1所述的基于模糊核分类与注意力机制的遥感图像超分辨重建方法,其特征在于,步骤S2中,将给定的高分辨率图像划分为M个大小为N×N的图像块,并将对应的低分辨率图像按照各自的分辨率大小进行划分,并从M个高分辨率图像块中随机选取80%以上的图像块与对应的低分辨率图像块作为训练样本,其余的作为测试样本,M≥10000,N≥500。
3.根据权利要求1所述的基于模糊核分类与注意力机制的遥感图像超分辨重建方法,其特征在于,步骤S3中,图像的模糊核为:
其中,矩阵C为约束矩阵,用于限制估计出的模糊核过于尖锐,CT为矩阵C的转置矩阵,σ表示方差值,wij为低分辨率图像块与输入图像中原有的小尺寸低分辨率图像块qi间的均方根误差,qi以向量形式表示图像块,Rj为高分辨率图像块矩阵,为矩阵Rj的转置矩阵,qi为输入图像中原有的小尺寸低分辨率图像块的向量表示。
4.根据权利要求1所述的基于模糊核分类与注意力机制的遥感图像超分辨重建方法,其特征在于,步骤S4中,将所有训练集的模糊核作为样本输入,使用K均值聚类算法将不同图像的模糊核划分为K个类,划分依据使用最小欧式距离进行衡量,聚类完成后得到K个聚类中心,并将模糊核对应的输入高、低分辨率图像对划分为K个类别。
5.根据权...
【专利技术属性】
技术研发人员:张向荣,焦李成,刘风昇,唐旭,李辰,陈璞花,侯彪,周挥宇,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西;61
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。