[发明专利]一种对抗网络结合航拍图像先验的卫星图像超分辨方法

权利要求书

1.一种对抗网络结合航拍图像先验的卫星图像超分辨方法，其特征在于，使用16级含噪声图像与其对应的16级不含噪声图像构成图像对训练去噪模型，然后利用航拍数据训练图像超分辨模型；采用航拍图像构建GMM模型外部先验字典，并引导内部不清晰的卫星图像进行重建，完成对生成的超分辨图像的后处理，然后使用高斯滤波的方式进行图像锐化，最终得到原卫星图像的高分辨图像，实现在原卫星图像基础上的图像视觉质量提升，包括以下步骤：

S1、定义生成对抗网络中的生成器，判决器和多尺度的感知损失网络，生成对抗网络中的生成器定义为：使用一个残差网络作为生成器，残差网络中包含16个残差模块，每个残差模块中包含三个卷积层；

判决器结构定义为：使用一个10层的卷积神经网络作为判决器，卷积神经网络的卷积层使用空洞卷积；

多尺度的感知损失定义为：使用在IMAGENET1000类分类数据库上预训练过的VGG19网络作为感知损失网络，通过使用conv2_2，conv3_4，conv4_4，多层中的多尺度特征图，构建多尺度感知损失；

S2、利用现有卫星数据中从18级开始提取的图像下采样至16级，设获得的16级卫星图像作为去噪的目标I_{D_H}，从16级提取的卫星数据作为带噪图像I_{D_L}构成图像对，设生成的不含噪卫星图像为I_{D_GH}；

S3、以步骤S2中构成的图像对，对去噪模型中的生成器进行初始化训练，在初始化训练中，以均方误差作为损失函数，计算生成器生成的图像与其对应的目标图像间的像素的均方误差得到MSE生成器损失函数loss_MSE，计算梯度并回传调整模型参数；

S4、经过100个epoch的初始化训练以后，进行完整模型训练，计算出损失及对应梯度并回传调整生成器与判决器中的参数模型，感知损失网络VGG19不调整参数，模型训练时，将生成器损失函数中的MSE生成器损失函数loss_MSE，感知损失函数loss_vgg和对抗损失函数loss_GAN加权相加后构成整体训练时的生成器损失函数如下：

loss_G＝loss_MSE+loss_vgg+loss_GAN；

S5、训练200个epoch达到收敛，保存模型，训练的生成器用于去噪处理使用，获得的去噪后的图像为I_{D_GH}作为图像超分辨的输入，定义图像超分辨模型，超分辨模型包括生成器，感知模型和判决器，感知模型和判决器与去噪模型中使用的结构相同，定义图像超分辨模型中的生成器如下：

通过构建残差模块然后多个残差模块叠构成网络结构主体，通过亚像素卷积层实现对图像的放大使用；

S6、重复步骤S3～S5，完成超分辨网络训练过程与去噪模型，然后生成超分辨图像I_{SR_GH}，采用高斯混合模型构建外部先验字典；

S7、构建GMM外部先验字典，将清晰的航拍17级图像分成15*15的小块，然后根据欧式距离进行初步分组；

S8、根据重建的内部图形块分组重建卫星图，对重建的卫星图进行图像锐化操作，获得最终的结果图。

2.根据权利要求1所述的一种对抗网络结合航拍图像先验的卫星图像超分辨方法，其特征在于，步骤S3中，MSE生成器损失函数loss_MSE如下：

loss_MSE＝MSE(I_{D_GH},I_{D_H})。