[发明专利]遥感图像超分辨率重建方法、处理装置及可读存储介质

权利要求书

1.一种遥感图像超分辨率重建方法，其特征在于，包括如下步骤：

步骤S1：选取图像进行预处理，得到图像训练集和图像测试集；

步骤S2：构建生成对抗网络模型；具体包括以下子步骤：

子步骤S21：搭建设计生成对抗网络模型的生成网络架构，即：使用包含残差模块的卷积神经网络作为基础模型搭建，利用亚像素卷积代替图像的上采样操作，去除残差模块的批归一化，得到用于重建图像的生成网络架构；

子步骤S22：搭建用于优化所述生成网络架构的判别网络架构，得到生成对抗网络模型；

步骤S3：利用迁移学习的方法，使用步骤S1得到的图像训练集，分别根据用于训练生成网络架构的生成网络损失函数和用于训练判别网络架构的判别网络损失函数，对生成网络架构和判别网络架构进行交替训练，得到训练后的生成对抗网络模型；

步骤S4：将需要处理的低分辨率遥感图像输入到训练后的生成对抗网络模型的生成网络架构中，输出与所述的低分辨率遥感图像相对应的超分辨率遥感图像。

2.根据权利要求1所述的方法，其特征在于：所述生成网络架构包括1个用于提取特征的卷积模块，R个残差模块和2个亚像素卷积层，其中，R为5-16的整数；

优选的，所述卷积模块包含1个卷积核大小为N×N的卷积层和1个Relu激活层，其中，N为整数3、5或9；

优选的，每个所述残差模块包含2个卷积核大小为M×M的卷积层和2个Relu激活层，去除每个残差模块中的2个批归一化，以提高重建精度，减少内存消耗，其中，M为整数3、5或9；

优选的，每个残差模块的每层包含64个特征图。

3.根据权利要求1所述的方法，其特征在于，所述步骤1中，选取的所述图像包括高分辨率自然图像和高分辨率遥感图像；

优选的，所述图像训练集包括分别含有高分辨率图像和对应低分辨率图像的自然图像训练集与遥感图像训练集；

优选的，所述图像测试集包括测试用高分辨率图像和对应低分辨率图像的遥感图像测试集；

优选的，步骤1中所述的进行预处理的步骤具体包括：对高分辨率图像进行裁剪得到高分辨率图像块，然后对高分辨率图像块进行4倍双三次降采样操作，得到相应的低分辨率图像块。

4.根据权利要求3所述的方法，其特征在于，

所述生成网络损失函数为感知损失函数，所述感知损失函数包括内容损失函数和对抗损失函数；所述内容损失函数包括传统MSE损失函数和VGG网络损失函数；具体定义如下式(1)-(5)；

感知损失函数：

内容损失函数：

传统MSE损失函数：

其中，m、n分别表示图像的宽度和高度；I^HR和I^SR分别表示原始高分辨率图像和超分辨率重建后的图像；p、q分别表示每张图像对应的像素位置；

VGG网络损失函数：

其中，W、H分别表示VGG网络卷积层特征图的维度，x、y分别表示每个特征图对应的像素位置，φ_i，j表示VGG19网络中第i个最大池化层后的第j个卷积层得到的特征；I^HR和I^LR分别表示原始高分辨率图像和输入的低分辨率图像。

对抗损失函数：

其中，表示的是判别网络架构将生成网络架构生成的图像判定为真实图像的概率；B表示图像的数量。

优选的，所述判别网络损失函数的定义如下式(6)；

其中，表示的是判别网络架构将真实图像判别为真的概率，表示判别网络架构将生成网络架构生成的图像判定为假的概率；B表示图像的数量。

5.根据权利要求4所述的方法，其特征在于：所述步骤S3具体包括：

子步骤S31：利用迁移学习的方法，根据生成网络损失函数和判别网络损失函数，使用自然图像训练集分别对生成网络架构和判别网络架构进行交替预训练；

子步骤S32：使用遥感图像训练集对预训练后的生成网络架构进行微调，得到训练后的生成对抗网络模型。