一种全极化合成孔径雷达影像超分辨率重建方法技术

本发明专利技术提出一种基于多尺度注意力机制的全极化孔径雷达影像超分辨率重建方法，构建了内嵌特征层上采样、空间注意力、通道注意力、多尺度注意力、自适应损失函数等模块的残差卷积神经网络，联合监督型与零投型训练机制，获得训练收敛的网络。通过训练好的网络，对待处理低分辨率合成孔径雷达影像进行超分辨率重建，得到高分辨率全极化合成孔径雷达影像，在保持影像极化信息的同时，对其空间信息进行有效重建。建。建。

【技术实现步骤摘要】
一种全极化合成孔径雷达影像超分辨率重建方法


[0001]本专利技术设计遥感影像处理以及计算机视觉领域，具体设计基于多尺度注意力机制的全极化合成孔径雷达影像超分辨率重建方法。

技术介绍

[0002]全极化合成孔径雷达能通过不同的极化方式获得单一场景中地物的多种散射信息，因而在舰船识别、地震灾后评估、土地利用分类等应用中发挥重要作用。然而，受合成孔径雷达系统信号带宽、天线尺寸等多种因素的限制，在获得多极化信息的同时，不可避免地会降低影像的空间分辨率。因此，利用超分辨率重建技术对空间分辨率进行重建，是提升全极化合成孔径雷达空间信息的重要途径。
[0003]现有全极化合成孔径雷达影像超分辨率方法主要有三类。第一类是基于傅里叶变换移位特性的频率域方法。该类方法能处理线性降质模型，但难以较好地处理全极化合成孔径雷达复杂降质模型。第二类是基于影像先验信息的空间域的方法。该类方法仅使用了影像自身的先验信息，未对外部信息进行有效利用。第三类方法是基于深度学习的方法。该类方法依赖于外部数据库，能较好地拟合复杂降质过程，但目前该类方法所使用的网络结构相对简单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种全极化合成孔径雷达影像超分辨率重建方法，其特征在于，包括以下步骤：步骤1，建立全极化合成孔径雷达影像的观测模型，该模型提供高空间分辨率全极化合成孔径雷达影像与低空间分辨率全极化合成孔径雷达影像之间的退化关系；步骤2，影像预处理，利用预处理后的影像构建训练数据集；步骤3，构建基于多尺度注意力机制的全极化合成孔径雷达影像超分辨率重建网络；所述超分辨率重建网络是以低分辨率合成孔径雷达影像为输入，通过卷积进行升维度操作，再通过特征层上采样得到高分辨率特征层；随后，将得到的高分辨率特征层输入到多尺度注意力模块中，进行多个尺度的特征提取，并对提取到的特征层进行级联操作；其中，每个尺度注意力模块均包含空间注意力模块、通道注意力模块、注意力融合模块三个内嵌模块；最后，通过卷积，对多尺度注意力模块得到的特征层进行降维度操作，得到高分辨率合成孔径雷达影像；步骤4，使用步骤2构建的训练数据集，对步骤3构建的超分辨率重建网络进行训练至收敛；步骤5，利用步骤4训练收敛的超分辨率重建网络，对低分辨率合成孔径雷达影像进行超分辨率重建，获得高分辨率全极化合成孔径雷达影像。2.如权利要求书1所述的方法，其特征在于：步骤1中的观测模型构建如下，将高分辨率全极化合成孔径雷达影像表示为x，将降质的低分辨率全极化合成孔径雷达影像表示为y，则全极化合成孔径雷达影像的观测模型表示为：y＝f
ds
(x)
ꢀꢀ
(1)其中f
ds
(.)表示降采样函数。3.如权利要求书1所述的方法，其特征在于：步骤2包括以下两个部分；步骤2.1，对影像进行预处理，包括辐射校正、地形校正、多视处理，得到校正后的影像；根据步骤1建立的观测模型，对高分辨分辨率影像进行降采样处理，得到低分辨率影像。通过裁剪得到包含相同地物的高、低分辨率全极化合成孔径雷达影像对，构建数据集；步骤2.2，对步骤2.1构建的数据集进行数据增强，得到训练数据集。4.如权利要求书1所述的方法，其特征在于：步骤3中的超分辨率重建网络具体包括；步骤3.1，构建特征层上采样模块，该模块用于从特征层层面，对卷积得到的低分辨率特征层结果进行上采样操作，以获得高分辨率特征层，该模块定义为：F
hr
＝f
us
(F
lr
)
ꢀꢀꢀ
(2)其中，F
hr
表示高分辨率特征层，F
lr
表示低分辨率特征层，f
us
(.)表示上采样函数；步骤3.2：构建空间注意力模块，该模块用于对全极化合成孔径雷达特征层的空间权重进行重赋权，用于增强全极化合成孔径雷达影像的空间分辨率；该模块定义为：其中，表示经过空间注意力模块重赋权的特征层，表示特征层的空间域，C,H
,
W分别表示特征层的通道数、高度与宽度，表示空间注意力输入特征层，表示空间注意力权重图，表示元素乘操作；空间注意力权重图计算方法如下：
其中，F
spa
表示输入特征层，σ(.)与δ(.)分别表示Sigmoid激活函数与ReLU激活函数，表示卷积操作，与分别表示空间注意力模块的两个权重项与两个偏置项；步骤3.3，构建通道注意力模块，该模块用于对全极化合成孔径雷达特征层的极化通道权重进行重赋权，用于保持各通道的极化信息；该模块定义为：其中，表示经过通道注意力模块重赋权的特征层，表示通道注意力输入特征层，表示通道注意力权重图，表示元素乘操作；通道注意力权重图计算方法如下：其中，F
cha
表示输入特征层,P
avg
(.)表示平均池化操作，与分别表示通道注意力的两个权重项与两个偏置项，其中，步骤3.4，注意力融合模块，该模块用于对步骤3.2与步骤3.3中得到空间注意力重赋权结果以及通道注意力重赋权结果进行信息融合，该模块定义为：其中，F
fus
为融合结果，Concat(.)表示特征层级联操作，W
fus
与b
fus
分别表示注意力融合模块的权重项与偏置...

【专利技术属性】
技术研发人员：沈焕锋，林镠鹏，李杰，袁强强，
申请(专利权)人：武汉大学，
类型：发明
国别省市：