[发明专利]遥感图像超分辨率方法、装置、设备及可读存储介质

说明书

本发明实施例公开了一种遥感图像超分辨率方法、装置、设备及计算机可读存储介质。其中，方法包括基于SRGAN算法预先构建超分辨图像生成模型，将待提高分辨率的遥感图像输入至超分辨率图像生成模型中，以实现遥感图像超分辨率，超分辨图像生成模型包括生成器、判别器及网络层；生成器和判别器的损失函数为基于推土机距离所得；生成器为以高分辨率遥感图像为输入图像，训练残差卷积网络所得。本申请实现了快速、高效的进行遥感图像超分辨率，将推土机距离定义为损失函数，作为反映训练状态失指标，不仅降低训练难度，还有效提高模型训练稳定性、精度和准确度。

技术领域

本发明实施例涉及超分辨图像处理技术领域，特别是涉及一种遥感图像超分辨率方法、装置、设备及计算机可读存储介质。

背景技术

图像作为获取信息最直接途径，对其所承载信息量的提升一直是人类的不懈追求，从近年来高分辨率图像的不断更新发展中可见一斑。但在很多领域如遥感、医疗、安防等，图像分辨率的提升往往受到成像传感器的硬件成本、制造工艺和信息传输条件的限制，尤其是对体积、功耗、重量要求苛刻的卫星遥感领域，加大光学系统设计所带来体积和重量的增加是无法忽视的，因此如何在不增加卫星相机体积和重量的前提下，利用多时相低分辨率图像获取更多的高频信息，也就是说，遥感图像超分辨率重构成为本领域技术人员亟待解决的问题。

长久以来，超分辨率技术的实际应用也一直受限于多时相遥感图像的获取，有效载荷为线阵推扫相机的低轨遥感卫星的重返周期较长，例如美国陆地观测卫星系列一般的重复周期为16天，如果获取同一场景的多幅图像需要很长的时间，而且在这个期间，地物的场景很极可能会发生变化，因而基于时间跨度较大的多时相数据实现超分辨率重构是不可行的。

随着地球同步轨道遥感技术、光学遥感星座组网技术和基于单星面阵CMOS相机技术的蓬勃发展，在秒级或分钟级获取多时相数据成为了可能，因而超分辨率重构技术也将很快在我国迎来新的发展机遇。

SRGAN(Super-Resolution Using a Generative Adversarial Network)为基于GAN(Generative Adversarial Networks，生成式对抗网络)方法进行训练的，包括一个生成器和一个判别器，在提升分辨率的同时还减少计算资源消耗。

但是，该方法不仅存在着训练困难、生成器和判别器的损失无法指示训练进程、生成样本缺乏多样性等问题；而且SRGAN的输入输出对象均是普通的RGB图片，与遥感图像有所区别，无法适用于遥感图像的超分辨率重构。

发明内容

本公开实施例提供了一种遥感图像超分辨率方法、装置、设备及计算机可读存储介质，实现了快速、高效的进行遥感图像超分辨率。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种遥感图像超分辨率方法，包括：

获取待处理遥感图像；

将所述待处理遥感图像输入至预先构建的超分辨图像生成模型中，得到所述待处理遥感图像的超分辨图像；

其中，所述超分辨图像生成模型基于SRGAN模型，包括生成器、判别器及网络层；所述生成器和所述判别器的损失函数为基于推土机距离所得；所述生成器为以高分辨率遥感图像为输入图像，训练残差卷积网络所得。

可选的，所述生成器的损失函数为所述判别器的损失函数为

其中，x为所述超分辨图像生成模型的输入图像，f_w为判别器网络函数，E为期望值，P_r为输入所述超分辨图像生成模型的样本分布，P_g为所述生成器产生的样本分布。

可选的，所述判别器的最后一层不包含sigmoid激活函数，且所述判别器在更新过程中的参数差异值的绝对值在预设范围内。