[发明专利]一种轮船目标遥感影像的超分辨率重建方法及系统

说明书

本发明实施例提供一种轮船目标遥感影像的超分辨率重建方法及系统，该方法包括：对轮船目标遥感影像样本库中的图像进行图像分块和图像块矩阵映射，得到高‑低图像块映射矩阵；基于所述高‑低图像块映射矩阵，根据预设网络参数，利用机器学习深度卷积神经网络模型进行训练，得到超分重建卷积神经网络权重固化模型。本发明实施例通过针对特定轮船目标遥感影像样本进行训练得到超分重建卷积神经网络权重固化模型，与一般模型相比，针对轮船目标遥感影像的处理具有更高的重建精度和速度，输出图像的分辨率和清晰度得到显著提高，针对轮船目标可实现特定化处理应用。

技术领域

本发明实施例涉及图像处理及机器学习技术领域，具体涉及一种轮船目标遥感影像的超分辨率重建方法及系统。

背景技术

图像超分辨率重建技术(Super-Resolution)是一项重要的数字图像处理技术，利用一幅或多幅低分辨率图像(或运动序列)，通过相应的算法，重建出一幅高分辨率、高信息含量的图像。该技术突破了图像传感器自身的分辨率限制，可以在不改变或不提升图像采集硬件的前提下，提高图像的分辨率，改善图像质量。处理结果有利于地表目视解译、图像目标算法识别、地物类型分析、定量反演精度的提升，提高图像的信息表达能力和利用价值。并且，通过光学目标的超分辨率重建技术，能对地面目标识别、类型和数量判读以及目标自动检测应用提供技术支撑。

光学目标超分重建技术的实现方法有多种，如有基于频率域的或基于空间域的实现，也有基于单帧或多帧的实现。目前也出现一些基于深度学习的超分重建方法，如ESPCN、SRCNN、SRGAN、VDSR、FSRCNN等基于卷积神经网络技术实现的图像超分重建，用于提升图像目标的空间分辨率。

但是，目前基于深度学习的众多图像超分重建方法中都存在各自的缺点或不足，但总的来说主要问题在于未对特定目标的算法处理进行深度研究，缺乏对于特定轮船目标的方法研究，而一般的图像处理算法应用到轮船目标时效果较差。另外，众多的超分重建方法主要针对普通图像进行超分重建技术研究，对光学遥感影像轮船目标的适应性较差。在深度卷积神经网络的研究中，网络参数的设置对重建精度有很大程度的影响，众多的重建方法中并未给出适于轮船目标的参数配置，不具备针对性的实际应用价值。

发明内容

为解决现有技术中特定轮船目标遥感影像的超分辨率重建中的问题，本发明实施例提供一种轮船目标遥感影像的超分辨率重建方法及系统。

第一方面，本发明实施例提供一种轮船目标遥感影像的超分辨率重建方法，该方法包括：对轮船目标遥感影像样本库中的图像进行图像分块和图像块矩阵映射，得到高-低图像块映射矩阵；基于所述高-低图像块映射矩阵，根据预设网络参数，利用机器学习深度卷积神经网络模型进行训练，得到超分重建卷积神经网络权重固化模型。

第二方面，本发明实施例提供一种轮船目标遥感影像的超分辨率重建系统，该系统包括：样本集预处理模块，具体用于：对轮船目标遥感影像样本库中的图像进行图像分块和图像块矩阵映射，得到高-低图像块映射矩阵；超分重建模型构建模块，具体用于：基于所述高-低图像块映射矩阵，根据预设网络参数，利用机器学习深度卷积神经网络模型进行训练，得到超分重建卷积神经网络权重固化模型。

第三方面，本发明实施例提供一种电子设备，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：对轮船目标遥感影像样本库中的图像进行图像分块和图像块矩阵映射，得到高-低图像块映射矩阵；基于所述高-低图像块映射矩阵，根据预设网络参数，利用机器学习深度卷积神经网络模型进行训练，得到超分重建卷积神经网络权重固化模型。