【技术实现步骤摘要】
本专利技术涉及图像处理，尤其涉及一种基于多尺度特征增强的合成孔径光学图像复原方法。
技术介绍
1、随着科技的进步，人类对于大气观测、环境监测等光学成像系统的分辨率要求日益提高。传统光学系统的单个物理孔径大小不能无限增大，因此传统光学成像系统的分辨率通常无法随意改变，灵活性低。合成孔径光学系统通过一定的空间方式将独立的子孔径排列并组合处理小孔径的信号，获得和单一大孔径成像等效的分辨率。伴随合成孔径光学系统的广泛应用，其自身问题也逐渐显现，其中最大的问题是多孔成像带来的降质模糊，影响成像的细节和分辨率，导致图像模糊并产生伪影，严重时甚至无法成像。
2、针对于合成孔径光学系统成像模糊的问题，fienup等(fienup j r，griffith dk,harrington l,et al.comparison of reconstruction algorithms for imagesfromsparse aperture systems[j].proceedings of spie,2002,4792:1-8)基于信噪比理论，利用维纳滤波对模糊的合成孔径图像进行复原。但传统的复原算法过于依赖光学系统的点扩散函数，且自适应差，难以同时处理多类合成孔径光学系统产生的成像。
3、深度学习的发展有力促进了图像复原技术的提升，针对传统模糊图像，tao等(taox,gao h y,wang y,et al.scale-recurrent network for deep image deblurring[j].2018
技术实现思路
1、专利技术目的：本专利技术的目的是提供一种基于多尺度特征增强的合成孔径光学图像复原方法，能有效关注图像的真实结构信息，改善合成孔径光学图像复原效果。
2、技术方案：本专利技术基于多尺度特征增强的合成孔径光学图像复原方法，包括步骤如下：
3、s1，根据真实光学系统测得的点扩散函数对遥感数据集进行仿真退化实验，获得遥感数据集的退化图像，将遥感数据集和退化图像预处理后按设定的比例划分为训练集、验证集和测试集；
4、s2，搭建基于多尺度特征增强的合成孔径光学图像复原网络，包括生成器、判别器、多尺度特征融合模块、特征增强模块和基于自注意力的混合域注意力模块；
5、s3，将训练集和验证集输入合成孔径光学图像复原网络中训练，计算损失函数并进行反向传播，更新网络参数，获取最佳的参数模型；
6、s4，将测试集输入到步骤s3获得的最佳参数模型中，输出合成孔径光学系统的复原图像。
7、进一步，步骤s1中，获得遥感数据集的退化图像具体为：通过测量实际合成孔径光学系统参数，获取实际合成孔径光学系统的点扩散函数，保存为txt格式；再利用pycharm软件读取点扩散函数后与遥感数据集进行卷积，获得仿真退化的模糊图像；
8、数据集预处理具体为：将遥感数据集和退化图像分别进行缩放为256x256大小的图像，然后一一对应为输入图像和目标图像；
9、划分数据集具体为：将预处理后的遥感数据集和退化图像随机分为三个部分，其中训练集占80％，验证集占10％，测试集占10％。
10、进一步，所述生成器主要由编码模块和解码模块共同构成；所述编码模块采用激活层、卷积层和归一化层组成的下采样模块构成；其中第一层仅为单独卷积层、第二到第七层为下采样模块,第八层为编码网络和解码网络的连接层，由leakyrelu激活层、卷积层、relu激活层、解卷积和归一化层组成；所述卷积层进行卷积核大小为4×4，步长为2的卷积操作；所述激活层在编码区域采用leakyrelu激活函数进行激活化操作；所述归一化层采用batchnorm2d进行归一化操作；
11、所述编码模块，将退化图像作为第一层的输入，首先将缺失区域图像通过4x4的卷积变成64通道，使特征图分辨率大小为原始输入图像的1/2；再经过第二层到第七层分别得到为原始图像分辨率1/4、1/8、1/16、1/32、1/64、1/128的多尺度特征图像，再经过第八层，与解码区域连接，最终编码网络的输出特征图为原始输入图像分辨率的1/128；其中在原始图像1/16和1/32分辨率中间插入基于自注意力的混合域注意力机制模块；
12、所述解码模块采用激活层、解卷积层、归一化层组成上采样模块构成，其中第一层到第七层均与编码模块相对应层数进行拼接操作后再传入下一层；所述解卷积层进行卷积核大小为4×4，步长为2的解卷积操作；所述激活层采用relu激活函数进行激活化操作；所述归一化层采用batchnorm2d进行归一化操作；
13、将编码模块第八层的输出作为解码模块输入，将其经过第一层上采样模块后得到为原始图像分辨率1/64的特征图，并与多尺度特征融合模块中输出的对应尺度大小的特征图像进行拼接操作，再经过第二层得到为原始图像分辨率1/32的特征图，并与多尺度特征融合模块中输出的对应尺度大小的特征图像进行拼接操作，依次进行下去，直到第七层获得了为原始图像分辨率1/2的特征图，最终得到复原的合成孔径光学系统图像。
14、进一步，所述判别器包括由卷积层、归一化层和激活层组成的特征提取层，所述卷积层进行卷积核大小为5x5，步长为2的卷积操作；所述激活层采用relu激活函数进行激活化操作；所述归一化层本文档来自技高网...
【技术保护点】
1.一种基于多尺度特征增强的合成孔径光学图像复原方法，其特征在于，包括步骤如下：
2.根据权利要求1所述基于多尺度特征增强的合成孔径光学图像复原方法，其特征在于，步骤S1中，获得遥感数据集的退化图像具体为：通过测量实际合成孔径光学系统参数，获取实际合成孔径光学系统的点扩散函数，保存为txt格式；再利用pycharm软件读取点扩散函数后与遥感数据集进行卷积，获得仿真退化的模糊图像；
3.根据权利要求1所述基于多尺度特征增强的合成孔径光学图像复原方法，其特征在于，所述生成器主要由编码模块和解码模块共同构成；所述编码模块采用激活层、卷积层和归一化层组成的下采样模块构成；其中第一层仅为单独卷积层、第二到第七层为下采样模块,第八层为编码网络和解码网络的连接层，由Leakyrelu激活层、卷积层、relu激活层、解卷积和归一化层组成；所述卷积层进行卷积核大小为4×4，步长为2的卷积操作；所述激活层在编码区域采用Leakyrelu激活函数进行激活化操作；所述归一化层采用BatchNorm2d进行归一化操作；
4.根据权利要求1所述基于多尺度特征增强的合成孔径
5.根据权利要求1所述基于多尺度特征增强的合成孔径光学图像复原方法，其特征在于，所述多尺度特征融合模块包括第一多尺度特征融合模块和第二多尺度特征融合模块；
6.根据权利要求1所述基于多尺度特征增强的合成孔径光学图像复原方法，其特征在于，所述特征增强模块由最大池化层、平均池化层、卷积层、相乘操作、相加操作组成；所述最大池化层为选择目标区域中最大值作为该区域池化后的新值；所述平均池化层为选择目标区域中所有值的平均值作为该区域池化后的新值；所述卷积层为卷积核为3x3,步长为1，填充为1的卷积操作；所述相乘操作为两个特征图对应相乘；所述相加操作为两个特征图在元素上进行相加操作；
7.根据权利要求1所述基于多尺度特征增强的合成孔径光学图像复原方法，其特征在于，所述混合域注意力模块主要由卷积层、归一化层、转置操作、add模块组成；所述卷积层进行卷积核大小为3×3，步长为1的卷积操作；所述归一化层采用BatchNorm2d进行归一化操作；所述转置操作将得到的矩阵进行转置操作；所述Add模块将矩阵通过对应元素之和的方式进行融合。
8.根据权利要求1所述基于多尺度特征增强的合成孔径光学图像复原方法，其特征在于，步骤S2中，搭建基于多尺度特征增强的合成孔径光学图像复原网络的实现步骤如下：
9.根据权利要求1所述基于多尺度特征增强的合成孔径光学图像复原方法，其特征在于，步骤S3中，获取最佳的参数模型的具体包括步骤如下：
...【技术特征摘要】
1.一种基于多尺度特征增强的合成孔径光学图像复原方法，其特征在于，包括步骤如下：
2.根据权利要求1所述基于多尺度特征增强的合成孔径光学图像复原方法，其特征在于，步骤s1中，获得遥感数据集的退化图像具体为：通过测量实际合成孔径光学系统参数，获取实际合成孔径光学系统的点扩散函数，保存为txt格式；再利用pycharm软件读取点扩散函数后与遥感数据集进行卷积，获得仿真退化的模糊图像；
3.根据权利要求1所述基于多尺度特征增强的合成孔径光学图像复原方法，其特征在于，所述生成器主要由编码模块和解码模块共同构成；所述编码模块采用激活层、卷积层和归一化层组成的下采样模块构成；其中第一层仅为单独卷积层、第二到第七层为下采样模块,第八层为编码网络和解码网络的连接层，由leakyrelu激活层、卷积层、relu激活层、解卷积和归一化层组成；所述卷积层进行卷积核大小为4×4，步长为2的卷积操作；所述激活层在编码区域采用leakyrelu激活函数进行激活化操作；所述归一化层采用batchnorm2d进行归一化操作；
4.根据权利要求1所述基于多尺度特征增强的合成孔径光学图像复原方法，其特征在于，所述判别器包括由卷积层、归一化层和激活层组成的特征提取层，所述卷积层进行卷积核大小为5x5，步长为2的卷积操作；所述激活层采用relu激活函数进行激活化操作；所述归一化层采用batchnorm2d进行归一化操作。
5.根据...
【专利技术属性】
技术研发人员：童俊毅，张银胜，何秉坤，张培琰，孟祥源，张雁皓，李长帅，
申请(专利权)人：无锡学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。