遥感影像的处理方法及装置、电子设备和存储介质制造方法及图纸

本公开涉及一种遥感影像的处理方法及装置、电子设备和存储介质。所述方法包括：获取目标遥感影像；对所述目标遥感影像进行模糊核估计，确定所述目标遥感影像的模糊核；根据所述模糊核，对所述目标遥感影像进行去模糊处理，得到去模糊特征图；根据所述去模糊特征图，进行超分辨率处理，得到所述目标遥感影像的超分处理结果。

【技术实现步骤摘要】
遥感影像的处理方法及装置、电子设备和存储介质
本公开涉及计算机视觉领域，尤其涉及一种遥感影像的处理方法及装置、电子设备和存储介质。
技术介绍
遥感影像是记录各种地物电磁波大小的胶片或照片，主要分为航空像片和卫星相片。受限于遥感器成像系统硬件的设备质量以及成本等因素，采集的遥感影像容易跟不上遥感应用对图像空间分辨率的需求，通常需要对遥感影像进行处理以提高遥感影像的质量。因此，如何提高遥感影像的质量，成为目前一个亟待解决的问题。
技术实现思路
本公开提出了一种遥感影像的处理方案。根据本公开的一方面，提供了一种遥感影像的处理方法，包括：获取目标遥感影像；对所述目标遥感影像进行模糊核估计，确定所述目标遥感影像的模糊核；根据所述模糊核，对所述目标遥感影像进行去模糊处理，得到去模糊特征图；根据所述去模糊特征图，进行超分辨率处理，得到所述目标遥感影像的超分处理结果。在一种可能的实现方式中，所述方法通过目标神经网络实现，所述目标遥感影像通过对训练影像进行图像退化处理所得到，所述目标遥感影像的分辨率低于对应的所述训练影像的分辨率；所述方法还包括：根据所述超分处理结果和/或所述训练影像，获取所述目标神经网络的损失；根据所述损失，对所述目标神经网络进行训练。在一种可能的实现方式中，所述获取目标遥感影像，包括：通过预设模糊核，对所述训练影像进行模糊处理，得到所述训练影像的模糊处理结果，其中，所述预设模糊核包括高斯模糊核和/或运动模糊核；对所述模糊处理结果进行降采样处理和/或噪声添加，得到所述目标遥感影像。在一种可能的实现方式中，所述根据所述超分处理结果和/或所述训练影像，获取所述目标神经网络的损失，包括：根据所述超分处理结果和所述训练影像之间的误差，确定所述目标神经网络的第一损失；和/或，根据所述超分处理结果，确定所述目标神经网络的第二损失。在一种可能的实现方式中，所述第一损失包括第一像素级损失、第一感知损失以及第二像素级损失中的至少一种；所述根据所述超分处理结果和所述训练影像之间的误差，确定所述目标神经网络的第一损失，包括以下操作中的至少一种：根据所述超分处理结果的像素与所述训练影像的像素之间的距离，确定所述目标神经网络的第一像素级损失；根据所述超分处理结果与所述训练影像在特征空间中的距离，确定所述目标神经网络的第一感知损失；根据所述超分处理结果的梯度和所述训练影像的梯度之间的距离，确定所述目标神经网络的第二像素级损失。在一种可能的实现方式中，所述目标神经网络包括超分辨率子网络，所述超分辨率子网络用于根据所述去模糊特征图进行超分辨率处理，所述超分辨率子网络包括生成式对抗网络，所述生成式对抗网络包括判别器；所述第二损失包括第一对抗损失和/或第二对抗损失；所述根据所述超分处理结果，确定所述目标神经网络的第二损失，包括以下操作中的至少一种：根据所述判别器对超分处理结果的处理结果，确定所述目标神经网络的第一对抗损失；根据所述判别器对超分处理结果的梯度的处理结果，确定所述目标神经网络的第二对抗损失。在一种可能的实现方式中，所述目标神经网络包括超分辨率子网络；所述根据所述去模糊特征图，进行超分辨率处理，得到所述目标遥感影像的超分处理结果，包括：将所述去模糊特征图输入所述超分辨率子网络，得到所述目标遥感影像的第一中间超分处理结果；对所述去模糊特征图进行上采样处理，得到所述目标遥感影像的第二中间超分处理结果；将所述第一中间超分处理结果与所述第二中间超分处理结果进行融合，得到所述目标遥感影像的超分处理结果。在一种可能的实现方式中，所述根据所述超分处理结果和/或所述训练影像，获取所述目标神经网络的损失，还包括：根据所述训练影像，结合所述第二中间超分处理结果，确定所述目标神经网络的第三损失。在一种可能的实现方式中，所述第三损失包括第三像素级损失和/或第二感知损失；所述根据所述训练影像，结合所述第二中间超分处理结果，确定所述目标神经网络的第三损失，包括以下操作中的至少一种：根据所述第二中间超分处理结果的像素与所述训练影像的像素之间的距离，确定所述目标神经网络的第三像素级损失；根据所述第二中间处理结果与所述训练影像在特征空间中的距离，确定所述目标神经网络的第二感知损失。根据本公开的一方面，提供了一种遥感影像的处理装置，包括：影像获取模块，用于获取目标遥感影像；模糊核估计模块，用于对所述目标遥感影像进行模糊核估计，确定所述目标遥感影像的模糊核；去模糊模块，用于根据所述模糊核，对所述目标遥感影像进行去模糊处理，得到去模糊特征图；超分辨率处理模块，用于根据所述去模糊特征图，进行超分辨率处理，得到所述目标遥感影像的超分处理结果。在一种可能的实现方式中，所述装置通过目标神经网络实现，所述目标遥感影像通过对训练影像进行图像退化处理所得到，所述目标遥感影像的分辨率低于对应的所述训练影像的分辨率；所述装置还包括训练模块，所述训练模块用于：根据所述超分处理结果和/或所述训练影像，获取所述目标神经网络的损失；根据所述损失，对所述目标神经网络进行训练。在一种可能的实现方式中，所述影像获取模块用于：通过预设模糊核，对所述训练影像进行模糊处理，得到所述训练影像的模糊处理结果，其中，所述预设模糊核包括高斯模糊核和/或运动模糊核；对所述模糊处理结果进行降采样处理和/或噪声添加，得到所述目标遥感影像。在一种可能的实现方式中，所述训练模块进一步用于：根据所述超分处理结果和所述训练影像之间的误差，确定所述目标神经网络的第一损失；和/或，根据所述超分处理结果，确定所述目标神经网络的第二损失。在一种可能的实现方式中，所述第一损失包括第一像素级损失、第一感知损失以及第二像素级损失中的至少一种；所述训练模块进一步用于以下操作中的至少一种：根据所述超分处理结果的像素与所述训练影像的像素之间的距离，确定所述目标神经网络的第一像素级损失；根据所述超分处理结果与所述训练影像在特征空间中的距离，确定所述目标神经网络的第一感知损失；根据所述超分处理结果的梯度和所述训练影像的梯度之间的距离，确定所述目标神经网络的第二像素级损失。在一种可能的实现方式中，所述目标神经网络包括超分辨率子网络，所述超分辨率子网络用于根据所述去模糊特征图进行超分辨率处理，所述超分辨率子网络包括生成式对抗网络，所述生成式对抗网络包括判别器；所述第二损失包括第一对抗损失和/或第二对抗损失；所述训练模块进一步用于以下操作中的至少一种：根据所述判别器对超分处理结果的处理结果，确定所述目标神经网络的第一对抗损失；根据所述判别器对超分处理结果的梯度的处理结果，确定所述目标神经网络的第二对抗损失。在一种可能的实现方式中，所述目标神经网络包括超分辨率子网络；所述超分辨率处理模块用于：将所述去模糊特征图输入所述超分辨率子网络，得到所述目标遥感影像的第一中间超分处理结果；对所述去模糊特征图进行上采样处理，得到所述目标遥感影像的第二中间超分处理结果；将所述第一中间超分处理结果与所述第二中间超分处理结果进行融合，得到所述目标遥感影像的超分处理结果。本文档来自技高网...

【技术保护点】
1.一种遥感影像的处理方法，其特征在于，包括：/n获取目标遥感影像；/n对所述目标遥感影像进行模糊核估计，确定所述目标遥感影像的模糊核；/n根据所述模糊核，对所述目标遥感影像进行去模糊处理，得到去模糊特征图；/n根据所述去模糊特征图，进行超分辨率处理，得到所述目标遥感影像的超分处理结果。/n

【技术特征摘要】
1.一种遥感影像的处理方法，其特征在于，包括：
获取目标遥感影像；
对所述目标遥感影像进行模糊核估计，确定所述目标遥感影像的模糊核；
根据所述模糊核，对所述目标遥感影像进行去模糊处理，得到去模糊特征图；
根据所述去模糊特征图，进行超分辨率处理，得到所述目标遥感影像的超分处理结果。


2.根据权利要求1所述的方法，其特征在于，所述方法通过目标神经网络实现，所述目标遥感影像通过对训练影像进行图像退化处理所得到，所述目标遥感影像的分辨率低于对应的所述训练影像的分辨率；
所述方法还包括：
根据所述超分处理结果和/或所述训练影像，获取所述目标神经网络的损失；
根据所述损失，对所述目标神经网络进行训练。


3.根据权利要求2所述的方法，其特征在于，所述获取目标遥感影像，包括：
通过预设模糊核，对所述训练影像进行模糊处理，得到所述训练影像的模糊处理结果，其中，所述预设模糊核包括高斯模糊核和/或运动模糊核；
对所述模糊处理结果进行降采样处理和/或噪声添加，得到所述目标遥感影像。


4.根据权利要求2或3所述的方法，其特征在于，所述根据所述超分处理结果和/或所述训练影像，获取所述目标神经网络的损失，包括：
根据所述超分处理结果和所述训练影像之间的误差，确定所述目标神经网络的第一损失；和/或，
根据所述超分处理结果，确定所述目标神经网络的第二损失。


5.根据权利要求4所述的方法，其特征在于，所述第一损失包括第一像素级损失、第一感知损失以及第二像素级损失中的至少一种；
所述根据所述超分处理结果和所述训练影像之间的误差，确定所述目标神经网络的第一损失，包括以下操作中的至少一种：
根据所述超分处理结果的像素与所述训练影像的像素之间的距离，确定所述目标神经网络的第一像素级损失；
根据所述超分处理结果与所述训练影像在特征空间中的距离，确定所述目标神经网络的第一感知损失；
根据所述超分处理结果的梯度和所述训练影像的梯度之间的距离，确定所述目标神经网络的第二像素级损失。


6.根据权利要求4或5所述的方法，其特征在于，所述目标神经网络包括超分辨率子网络，所述超分辨率子网络用于根据所述去模糊特征图进行超分辨率处理，所述超分辨率子网络包括生成式对抗网络，所述生成式对抗网络包括判别器；所述第二损失包括第一对抗损失和/或第二对抗损失；
所述根据所述超分处理结果，确定所述目标神经网络的第...

【专利技术属性】
技术研发人员：董润敏，
申请(专利权)人：上海商汤智能科技有限公司，
类型：发明
国别省市：上海;31