【技术实现步骤摘要】
本专利技术涉及图像处理领域，尤其是一种基于两阶段生成对抗网络的图像超分辨率方法及装置。
技术介绍
1、随着遥感技术的快速发展，获取高分辨率的遥感图像对于地理信息系统、城市规划、环境监测等领域变得越来越重要。然而，由于传感器的限制、成本的考量以及数据传输的带宽限制，直接获取高分辨率图像存在一定的挑战。为了解决这一问题，图像超分辨率技术应运而生，其核心目标是通过算法提升低分辨率图像的空间分辨率，以逼近或达到高分辨率图像的质量。
2、传统的图像超分辨率技术主要依赖于插值方法，如最近邻插值、双线性插值和双三次插值等。这些方法虽然实现简单，但往往无法有效恢复图像的细节信息，且容易引入不自然的伪影。随着深度学习技术的发展，基于卷积神经网络（cnn）的超分辨率方法展现出了显著的性能提升。然而，这些方法通常需要成对的高分辨率和低分辨率图像进行训练，这在实际应用中往往难以获得。此外，现有的基于深度学习的超分辨率方法大多采用端到端的网络结构，直接从低分辨率图像预测高分辨率图像，但这种方法往往忽视了图像降质过程中的细节丢失和噪声问题，导致生成的高...
【技术保护点】
1.一种基于两阶段生成对抗网络的图像超分辨率方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述第一生成器由卷积模块、残差级联模块、卷积模块按照首尾顺序依次连接。
3.根据权利要求1所述的方法，其特征在于，所述第二生成器由卷积模块、残差级联模块、卷积模块以及上采样模块按照首尾顺序依次连接。
4.根据权利要求3所述的方法，其特征在于，所述上采样模块包括一个卷积层、一个PixelShuffle层、一个卷积层和一个PixelShuffle层并依次连接。
5.根据权利要求2或3所述的方法，其特征在于，所述残差...
【技术特征摘要】
1.一种基于两阶段生成对抗网络的图像超分辨率方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述第一生成器由卷积模块、残差级联模块、卷积模块按照首尾顺序依次连接。
3.根据权利要求1所述的方法，其特征在于，所述第二生成器由卷积模块、残差级联模块、卷积模块以及上采样模块按照首尾顺序依次连接。
4.根据权利要求3所述的方法，其特征在于，所述上采样模块包括一个卷积层、一个pixelshuffle层、一个卷积层和一个pixelshuffle层并依次连接。
5.根据权利要求2或3所述的方法，其特征在于，所述残差级联模块由若干残差块首尾连接构成，所述残差块包含若干个多尺度残差注意力块与一个卷积神经网络。
6.根据权利要求5所述的方法，其特征在于，所述多尺度残差注意力块包括大尺度残差注意力块、中尺度残差注意力块和小尺度残差注意力块；所述大尺度...
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。