一种滑坡遥感影像集超分辨率重建方法和系统技术方案

本发明专利技术涉及一种滑坡遥感影像集超分辨率重建方法和系统，该方法包括：收集大量卫星遥感影像数据集与无人机遥感影像数据集；对收集的上述数据集进行整理重组，获得初步训练样本集与迁移学习样本集；构建基于ESRGAN的滑坡遥感影像超分辨率重建模型；进行初步训练，获取超分辨率重建模型初步训练权重；以上述初步训练权重作为初始训练权重，基于ESRGAN的滑坡遥感影像超分辨率重建模型进行迁移学习训练，获取超分辨率重建模型最终权重，建立训练完成的超分辨率重建模型。本发明专利技术利用已有公开遥感影像数据集中的低分辨率滑坡遥感影像，实现低分辨率滑坡遥感影像分辨率提升，缓解滑坡遥感影像集分辨率不足与样本集数量过少的问题。像集分辨率不足与样本集数量过少的问题。像集分辨率不足与样本集数量过少的问题。

【技术实现步骤摘要】
一种滑坡遥感影像集超分辨率重建方法和系统


[0001]本专利技术属于交通灾害预警领域，涉及一种滑坡遥感影像集超分辨率重建方法和系统。

技术介绍

[0002]近年来，滑坡灾害已成为我国最主要的自然灾害之一，由于受到滑坡灾害的影响，每年都会遭受大量的人员伤亡与巨大的经济损失。随着我国对地观测技术的进步，高分辨率遥感影像获取难度逐渐降低，滑坡识别技术自动化水平也在逐步提升。
[0003]目前，基于深度学习的滑坡识别方法已得到了广泛的应用，但这类方法普遍高度依赖大量的高质量滑坡遥感影像数据集。通常情况下，获取滑坡识别遥感样本集的方法有3种，第一种方法是在目标检测区域的同一景遥感影像或相邻遥感影像内进行采集；第二种方法是在不同传感器获取的目标检测区域附近进行样本采集；第三种方法是采用具有相似滑坡特征的公共样本集。
[0004]第一种方法中，同一景遥感影像提取的样本集会与目标区域特征高度相似，但这种方法无法解决数据集数量过少的问题，从而导致特征学习不完全或出现过拟合情况。
[0005]另外两种方法由于不同传感器具备不同传感元件的原因，获取的遥感影像集会包含不同分辨率遥感影像，比目标识别区域分辨率更高的样本集遥感影像具备更丰富的遥感影像特征，但是比目标识别区域分辨率更低的样本集遥感影像却不具备足够的特征用于特征学习。
[0006]因此，如何解决为低分辨率样本集遥感影像提供更丰富的细节，有效拓宽高分辨率滑坡数据集获取的路径，实现更多数据资源被充分利用，是本领域亟待解决的问题。

技术实现思路
r/>[0007]为解决上述问题，本专利技术的目的在于提供一种滑坡遥感影像集超分辨率重建方法和系统，对滑坡遥感影像集进行超分辨率重建处理，该方法可以充分利用已有公开遥感影像数据集中的低分辨率滑坡遥感影像，实现低分辨率滑坡遥感影像分辨率提升，缓解滑坡遥感影像集分辨率不足与样本集数量过少的问题。
[0008]本专利技术具体方案如下：一种滑坡遥感影像集超分辨率重建方法，包括如下步骤：步骤（1）收集大量卫星遥感影像数据集与无人机遥感影像数据集；步骤（2）对收集的上述数据集进行整理重组，获得初步训练样本集与迁移学习样本集；步骤（3）构建基于ESRGAN的滑坡遥感影像超分辨率重建模型；步骤（4）基于步骤（3）的模型进行初步训练，获取超分辨率重建模型初步训练权重；步骤（5）以上述初步训练权重作为初始训练权重，基于ESRGAN的滑坡遥感影像超
分辨率重建模型进行迁移学习训练，获取超分辨率重建模型最终权重，建立训练完成的超分辨率重建模型；步骤（6）将待处理的影像输入到步骤（3）的滑坡遥感影像超分辨率重建模型中，滑坡遥感影像超分辨率重建模型加载步骤（5）的最终训练权重，获取超分辨率重建后影像，实现超分辨率重建。
[0009]充分利用已有公开遥感影像数据集中的低分辨率滑坡遥感影像，实现低分辨率滑坡遥感影像分辨率提升，为低分辨率样本集遥感影像提供更丰富的细节，有效拓宽高分辨率滑坡数据集获取的路径，实现更多数据资源被充分利用。
[0010]进一步地，步骤（1）中，部分数据进行遥感影像预处理与样本制作，具体为：对遥感影像进行辐射校正、几何校正、正射校正、几何配准、影像融合的预处理，以及滑坡区域影像裁剪的样本制作。
[0011]进一步地，步骤（2）中，根据数据集自身数据量情况进行数据集扩增，对数据集样本量情况进行分析，针对数据量过少的数据集进行数据扩增，数据扩增的方式包括亮度增强、亮度抑制、对比度增强、影像旋转、影像翻转。
[0012]进一步地，步骤（3）中，构建生成器、判别器、损失函数和内插模型，通过生成器进行浅层特征提取，进一步采用多层残差密集块结构进行密集特征提取，对尺度统一后的深层特征提取结果与浅层特征提取结果进行特征融合；判别器采用相对平均判别器，提取经过生成器输出的伪影像与真实影像的影像特征，并比较相似程度，判别经过生成器输出的伪影像是否能达到真实影像的程度；通过损失函数将网络优化方向反馈给生成器与判别器。
[0013]进一步地，步骤（3）中，深层特征提取通过深层特征提取网络进行，深层特征提取网络中，N组基础模块包括多层残差密集块结构，密集块结构中的残差结构通过将输入信息或前一层卷积模块的输出信息分别叠加到当前特征提取网络后续的每一层卷积模块输入信息中，实现充分利用影像多层特征信息。
[0014]进一步地，步骤（4）中，以步骤（2）中所述初步训练样本集作为训练样本集，将训练样本集影像输入模型中，进行下采样操作，获取低分辨率训练集，将低分辨率训练集输入生成器中生成伪影像，通过判别器判断伪影像与真实影像的相似程度，每经过一个迭代，都会产生生成器与判别器的损失值，以损失值作为参考，以Adam作为优化器，实现模型内部参数优化；经过大量迭代，交替训练生成器和判别器，得到超分辨率重建模型初步训练权重。
[0015]进一步地，步骤（4）中，初步训练分为两个阶段，第一阶段面向PSNR的模型训练，第二阶段ESRGAN的训练模型，每个阶段具体包括以下步骤：（4.1）将训练样本集进行下采样操作，获得低分辨率训练样本集，将低分辨率训练样本集输入滑坡遥感影像超分辨率重建模型的生成器中，生成伪影像；（4.2）将伪影像输入至判别器中，通过VGG
‑
19网络分别对伪影像与原始训练样本集对应影像进行特征信息提取；（4.3）分别计算两阶段中生成器与判别器的损失；（4.4）通过Adam优化器分析损失值，确定网络内权重优化方向，实现网络权重优化；（4.5）重复上述步骤，直至到达迭代次数上限，获得初步训练权重。
[0016]进一步地，步骤（5）中，以步骤（2）中所述迁移学习训练样本集作为训练样本集，对步骤（4）中获得的初步训练权重进行微调，具体包括以下步骤：（5.1）将训练样本集进行下采样操作，获得低分辨率训练样本集，将低分辨率训练样本集输入滑坡遥感影像超分辨率重建模型的生成器中，生成伪影像；（5.2）将伪影像输入至判别器中，通过VGG
‑
19网络分别对伪影像与原始训练样本集对应影像进行特征信息提取；（5.3）分别计算生成器与判别器的损失；（5.4）通过Adam优化器分析损失值，确定网络内权重优化方向，实现网络权重优化；（5.5）重复上述步骤，直至到达迭代次数上限，获得最终训练权重。
[0017]另一方面，本专利技术还涉及一种滑坡遥感影像集超分辨率重建系统，包括采集器和处理器；采集器收集大量卫星遥感影像数据集与无人机遥感影像数据集，处理器进行如下处理：对收集的所述数据集进行整理重组，获得初步训练样本集与迁移学习样本集；构建基于ESRGAN的滑坡遥感影像超分辨率重建模型；基于构建的模型进行初步训练，获取超分辨率重建模型初步训练权重；以上述初步训练权重作为初始训练权重，基于ESRGAN的滑坡遥感影像超分辨率重建模型进行迁移学习训练，获取超分辨率重建模型最终权重，建立训练完成的超分辨率重建模型；将待处理低分辨率滑坡遥感影像集输入上述超分辨率重建模型中，实现滑坡遥感影像集超分辨率重建。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滑坡遥感影像集超分辨率重建方法，其特征在于：包括如下步骤：步骤（1）收集大量卫星遥感影像数据集与无人机遥感影像数据集；步骤（2）对收集的上述数据集进行整理重组，获得初步训练样本集与迁移学习样本集；步骤（3）构建基于ESRGAN的滑坡遥感影像超分辨率重建模型；步骤（4）基于步骤（3）的模型进行初步训练，获取超分辨率重建模型初步训练权重；步骤（5）以上述初步训练权重作为初始训练权重，基于ESRGAN的滑坡遥感影像超分辨率重建模型进行迁移学习训练，获取超分辨率重建模型最终权重，建立训练完成的超分辨率重建模型；步骤（6）将待处理的影像输入到步骤（3）的滑坡遥感影像超分辨率重建模型中，滑坡遥感影像超分辨率重建模型加载步骤（5）的最终训练权重，获取超分辨率重建后影像，实现超分辨率重建。2.根据权利要求1所述的方法，其特征在于：步骤（1）中，部分数据进行遥感影像预处理与样本制作，具体为：对遥感影像进行辐射校正、几何校正、正射校正、几何配准、影像融合的预处理，以及滑坡区域影像裁剪的样本制作。3.根据权利要求1所述的方法，其特征在于：步骤（2）中，根据数据集自身数据量情况进行数据集扩增，对数据集样本量情况进行分析，针对数据量过少的数据集进行数据扩增，数据扩增的方式包括亮度增强、亮度抑制、对比度增强、影像旋转、影像翻转。4.根据权利要求1所述的方法，其特征在于：步骤（3）中，构建生成器、判别器、损失函数和内插模型，通过生成器进行浅层特征提取，进一步采用多层残差密集块结构进行密集特征提取，对尺度统一后的深层特征提取结果与浅层特征提取结果进行特征融合；判别器采用相对平均判别器，提取经过生成器输出的伪影像与真实影像的影像特征，并比较相似程度，判别经过生成器输出的伪影像是否能达到真实影像的程度；通过损失函数将网络优化方向反馈给生成器与判别器。5.根据权利要求4所述的方法，其特征在于：步骤（3）中，深层特征提取通过深层特征提取网络进行，深层特征提取网络中，N组基础模块包括多层残差密集块结构，密集块结构中的残差结构通过将输入信息或前一层卷积模块的输出信息分别叠加到当前特征提取网络后续的每一层卷积模块输入信息中，实现充分利用影像多层特征信息。6.根据权利要求1所述的方法，其特征在于：步骤（4）中，以步骤（2）中所述初步训练样本集作为训练样本集，将训练样本集影像输入模型中，进行下采样操作，获取低分辨率训练集，将低分辨率训练集输入生成器中生成伪影像，通过判别器判断伪影像与真实影像的相似程度，每经过一个迭代，都会产生生成器与判别器的损失值，以损失值作为参考，...

【专利技术属性】
技术研发人员：方留杨，刘天逸，蒲佳曦，李果，房锐，胡澄宇，李春晓，赵鑫，吴昊，李文，曾珍，贾志文，陈贺，叶咸，桂瑶俊，段兴铭，杜飞翔，
申请(专利权)人：云南省交通规划设计研究院有限公司，
类型：发明
国别省市：