一种超分辨率方法、装置、计算机设备及存储介质制造方法及图纸

本申请实施例属于图像处理技术领域，涉及一种应用于SAR图像的超分辨率方法、装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，用户的目标超分辨率图像可存储于区块链中。本申请对传统的SAR图像超分辨率网络进行改进，引入可见光图像进行特征融合，利用可见光图像丰富的高频纹理特征引导SAR图像特征的重构，从而实现当放大倍数较大时也能很好的恢复出SAR图像原有的图像纹理特征。复出SAR图像原有的图像纹理特征。复出SAR图像原有的图像纹理特征。

【技术实现步骤摘要】
一种超分辨率方法、装置、计算机设备及存储介质


[0001]本申请涉及图像处理
，尤其涉及一种应用于SAR图像的超分辨率方法、装置、计算机设备及存储介质。

技术介绍

[0002]SAR(Synthetic Aperture Radar,SAR)是一种主动式微波对地观测的遥感成像设备，其工作原理是由机载或星载的SAR系统对地表空间进行扫描并回收纵横方向的回波信息，由此得到二维SAR图像。该系统一般由卫星、飞机或无人机等设备进行搭载然后进行拍摄。由于SAR具有全天时、全天候和一定程度的穿透能力的特点，SAR图像在军事侦察、海洋监测、农作物监测和地球资源勘测等各种遥感观测领域都有着广泛的应用。
[0003]但是，由于SAR传感器设备本身因素，SAR成像硬件系统理论上的限制无法达到期望应用的分辨率要求，在图像成像的过程中系统固有的误差和外界环境的影响因素，如系统噪声、设备相对运动形式、几何变形和模糊、大气扰动等造成图像质量的进一步退化。这些因素导致SAR图像分辨率的下降及信息的丢失，限制了其在各个领域的应用。所以如何提高SAR图像的分辨率一直是SAR图像处理领域的重要研究热点和难点问题之一。
[0004]现有一种提高SAR图像分辨率的方法，即采用基于深度学习的图像超分辨率技术来提高SAR图像的分辨率。
[0005]然而，申请人发现现有SAR图像超分辨率技术随着放大倍数的提高而性能严重退化，已经成为其发展的瓶颈。主要是因为高分辨率SAR图像降采样之后映射到高分辨率SAR图像的解空间极大，而且低分辨率SAR图像超分辨率模型性能自然受到限制，难以恢复出真实细致的纹理，由此可见，传统的提高SAR图像分辨率方法存在难以恢复出真实细致的纹理的问题。

技术实现思路

[0006]本申请实施例的目的在于提出一种应用于SAR图像的超分辨率方法、装置、计算机设备及存储介质，以解决传统的提高SAR图像分辨率方法存在难以恢复出真实细致的纹理的问题。
[0007]为了解决上述技术问题，本申请实施例提供一种应用于SAR图像的超分辨率方法，采用了如下所述的技术方案：
[0008]读取训练集数据库，在所述训练集数据库中获取由当前场景的高分辨率光学图像、与同一SAR图像相对应的低分辨率SAR图像以及高分辨率SAR图像组成的训练图像集；
[0009]根据残差学习模块对所述低分辨率SAR图像进行特征提取操作，得到SAR图像特征；
[0010]对所述高分辨率光学图像进行所述特征提取操作，得到光学图像特征，并将所述光学图像特征其映射到所述SAR图像特征；
[0011]根据所述光学图像特征、所述低分辨率SAR图像以及所述高分辨率SAR图像对待训
练的SAR图像超分辨率网络进行训练操作，得到训练好的SAR图像超分辨率网络；
[0012]接收携带有原始低分辨率SAR图像的超分辨率请求；
[0013]将所述原始低分辨率SAR图像输入至所述训练好的SAR图像超分辨率网络进行超分辨率操作，得到目标超分辨率图像。
[0014]为了解决上述技术问题，本申请实施例还提供一种应用于SAR图像的超分辨率装置，采用了如下所述的技术方案：
[0015]训练图像获取模块，用于读取训练集数据库，在所述训练集数据库中获取由当前场景的高分辨率光学图像、与同一SAR图像相对应的低分辨率SAR图像以及高分辨率SAR图像组成的训练图像集；
[0016]特征提取模块，用于根据残差学习模块对所述低分辨率SAR图像进行特征提取操作，得到SAR图像特征；
[0017]光学图像引导模块，用于对所述高分辨率光学图像进行所述特征提取操作，得到光学图像特征，并将所述光学图像特征其映射到所述SAR图像特征；
[0018]网络训练模块，用于根据所述光学图像特征、所述低分辨率SAR图像以及所述高分辨率SAR图像对待训练的SAR图像超分辨率网络进行训练操作，得到训练好的SAR图像超分辨率网络；
[0019]请求接收模块，用于接收携带有原始低分辨率SAR图像的超分辨率请求；
[0020]超分辨率模块，用于将所述原始低分辨率SAR图像输入至所述训练好的SAR图像超分辨率网络进行超分辨率操作，得到目标超分辨率图像。
[0021]为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
[0022]包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的应用于SAR图像的超分辨率方法的步骤。
[0023]为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
[0024]所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的应用于SAR图像的超分辨率方法的步骤。
[0025]与现有技术相比，本申请实施例主要有以下有益效果：
[0026]本申请提供了一种应用于SAR图像的超分辨率方法，包括：读取训练集数据库，在所述训练集数据库中获取由当前场景的高分辨率光学图像、与同一SAR图像相对应的低分辨率SAR图像以及高分辨率SAR图像组成的训练图像集；根据残差学习模块对所述低分辨率SAR图像进行特征提取操作，得到SAR图像特征；对所述高分辨率光学图像进行所述特征提取操作，得到光学图像特征，并将所述光学图像特征其映射到所述SAR图像特征；根据所述光学图像特征、所述低分辨率SAR图像以及所述高分辨率SAR图像对待训练的SAR图像超分辨率网络进行训练操作，得到训练好的SAR图像超分辨率网络；接收携带有原始低分辨率SAR图像的超分辨率请求；将所述原始低分辨率SAR图像输入至所述训练好的SAR图像超分辨率网络进行超分辨率操作，得到目标超分辨率图像。本申请对传统的SAR图像超分辨率网络进行改进，引入可见光图像进行特征融合，利用可见光图像丰富的高频纹理特征引导SAR图像特征的重构，从而实现当放大倍数较大时也能很好的恢复出SAR图像原有的图像纹理
特征。
附图说明
[0027]为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0028]图1是本申请实施例一提供的应用于SAR图像的超分辨率方法的实现流程图；
[0029]图2是本申请实施例一提供的OGRN概要图；
[0030]图3是本申请实施例一提供的OGRN网络框架图；
[0031]图4是本申请实施例二提供的应用于SAR图像的超分辨率装置的结构示意图：
[0032]图5是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
[0033]除非另有定义，本申请所使用的所有的技术和科学术语与属于本申请的
的技术人员通常理解的含义本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用于SAR图像的超分辨率方法，其特征在于，包括下述步骤：读取训练集数据库，在所述训练集数据库中获取由当前场景的高分辨率光学图像、与同一SAR图像相对应的低分辨率SAR图像以及高分辨率SAR图像组成的训练图像集；根据残差学习模块对所述低分辨率SAR图像进行特征提取操作，得到SAR图像特征；对所述高分辨率光学图像进行所述特征提取操作，得到光学图像特征，并将所述光学图像特征其映射到所述SAR图像特征；根据所述光学图像特征、所述低分辨率SAR图像以及所述高分辨率SAR图像对待训练的SAR图像超分辨率网络进行训练操作，得到训练好的SAR图像超分辨率网络；接收携带有原始低分辨率SAR图像的超分辨率请求；将所述原始低分辨率SAR图像输入至所述训练好的SAR图像超分辨率网络进行超分辨率操作，得到目标超分辨率图像。2.根据权利要求1所述的应用于SAR图像的超分辨率方法，其特征在于，所述SAR图像超分辨率网络由特征提取部分、上采样部分、光学图像引导以及超分辨率重建部分组成。3.根据权利要求1所述的应用于SAR图像的超分辨率方法，其特征在于，所述网络训练操作的训练目的表示为：其中，Θ表示SAR图像超分辨率网络的参数集，即所有的卷积层的权重和偏置矩阵；表示在光学图像引导下的将所述低分辨率SAR图像映射到所述高分辨率SAR图像的SAR图像超分辨率网络模型。4.根据权利要求1所述的应用于SAR图像的超分辨率方法，其特征在于，所述SAR图像超分辨率网络的损失函数为：其中，G
OGRN
表示所述SAR图像超分辨率网络训练时网络所学习到的映射函数；Θ表示所述网络训练操作过程要优化的网络参数，||
·
||1表示L1范数。5.根据权利要求1所述的应用于SAR图像的超分辨率方法，其特征在于，所述目标超分辨率图像表示为：I
SR
＝f
OGRN
(I
LR
|I
Op_test
；Θ)其中，f
OGRN
(I
LR
...

【专利技术属性】
技术研发人员：李岩山，胥帆，周李，陈世富，
申请(专利权)人：深圳大学，
类型：发明
国别省市：