遥感图像的重建方法、装置、处理器及电子设备制造方法及图纸

本申请公开了一种遥感图像的重建方法、装置、处理器及电子设备。涉及人工智能领域，该方法包括：获取待重建遥感图像的低分辨率图像；将低分辨率图像输入预设重建网络模型，得到待重建遥感图像的高分辨率图像，其中，预设重建网络模型包括：级联残差聚合模块和边界感知损失模块，级联残差聚合模块使用多组样本图像通过深度学习训练出的贝叶斯卷积核的权重参数，并通过贝叶斯卷积核预测低分辨率图像的缺失像素，其中，边界感知损失模块用于确定高分辨率图像的边界信息，其中，边界信息用于修改贝叶斯卷积核的权重参数。通过本申请，解决了相关技术中遥感图像的重建结果差的问题。关技术中遥感图像的重建结果差的问题。关技术中遥感图像的重建结果差的问题。

【技术实现步骤摘要】
遥感图像的重建方法、装置、处理器及电子设备


[0001]本申请涉及领域，具体而言，涉及一种遥感图像的重建方法、装置、处理器及电子设备。

技术介绍

[0002]本专利技术涉及卫星遥感与深度学习领域，针对低分辨率遥感图像的提升问题，提出一种贝叶斯深度学习与边界感知损失模块的遥感图像超分辨率重建方法。
[0003]现如今在遥感领域，一张0.75m的遥感图像要花2000
‑
10000不等的价钱来获取图像，而10m的遥感图像可以免费获取，如果有一种准确率较高的超分辨重建算法可以将10m的免费图像重建其清晰度，可以节省成本来获取高清晰的遥感图像。而现在的超分辨率重建算法主要存在如下问题：
[0004]1.很多超分辨率算法重建结果缺失细节信息，容易模糊。
[0005]2.深度学习模型具有潜在的应用前景，但其往往存在过拟合的问题，因此在面对分布之外的数据时难以进行可靠的预测。
[0006]针对相关技术中遥感图像的重建结果差的问题，目前尚未提出有效的解决方案。

技术实现思路

[0007]本申请的主本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种遥感图像的重建方法，其特征在于，包括：获取待重建遥感图像的低分辨率图像；将所述低分辨率图像输入预设重建网络模型，得到所述待重建遥感图像的高分辨率图像，其中，所述预设重建网络模型包括：级联残差聚合模块和边界感知损失模块，所述级联残差聚合模块使用多组样本图像通过深度学习训练出的贝叶斯卷积核的权重参数，并通过所述贝叶斯卷积核预测所述低分辨率图像的缺失像素，其中，所述边界感知损失模块用于确定所述高分辨率图像的边界信息，其中，所述边界信息用于修改所述贝叶斯卷积核的权重参数。2.根据权利要求1所述的方法，其特征在于，获取待重建遥感图像的低分辨率图像包括：将所述待重建遥感图像划分为多个图像块；对多个所述图像块进行双三次插值，确定得到所述低分辨率图像。3.根据权利要求1所述的方法，其特征在于，使用多组样本图像通过深度学习训练出的贝叶斯卷积核的权重参数包括：对所述样本图像进行变分推断，确定所述贝叶斯卷积核的后验分布，其中，所述后验分布为使用高斯分布的形式表示的权重；利用高斯分布的所述权重的均值，和高斯分布的所述权重的标准差，确定所述权重参数。4.根据权利要求1所述的方法，其特征在于，所述级联残差聚合模块还包括：第一残差模块、第二残差模块、第三残差模块，通过所述贝叶斯卷积核预测所述低分辨率图像的缺失像素包括：通过所述第一残差模块根据所述低分辨率图像生成第一图像特征；通过所述第二残差模块根据所述第一图像特征生成第二图像特征；通过所述第三残差模块根据所述第二图像特征生成第三图像特征；拼接所述第一图像特征、所述第二图像特征和所述第三图像特征，生成拼接图像特征；通过所述贝叶斯卷积核对所述拼接图像特征进行融合，补充缺失像素。5.根据权利要求1所述的方法，其特征在于，所述预设重建网络模型通过边界感知损失模块确定所述高分辨率图像的边界信息包括：对所述高分辨率图像进行哈尔小波变换，得到第一变换结果；对所述低分辨率...

【专利技术属性】
技术研发人员：冯如，
申请(专利权)人：中国工商银行股份有限公司，
类型：发明
国别省市：