[发明专利]一种基于特征增强的遥感影像超分辨率重建方法和系统

说明书

本发明涉及一种基于特征增强的遥感影像超分辨率重建方法和系统，包括以下步骤：对原始高分辨率遥感影像数据集进行压缩操作，生成低分辨率遥感影像数据集；将所述低分辨率遥感影像数据集通过TE‑AGAN模型进行影像重建，生成超分辨率遥感影像数据集；将所述超分辨率遥感影像数据集和所述原始高分辨率遥感影像数据集输入判别网络进行训练，以迭代的训练方法训练该模型，直到网络收敛，生成超分辨率遥感影像转换网络模型；将低分辨率遥感影像输入已经训练好的所述超分辨率遥感影像转换网络模型，生成超分辨率遥感影像。本发明能根据数据集学习得到损失函数，从而避免根据经验设置损失函数引入额外的误差，保证超分辨率遥感影像的质量。

技术领域

本发明涉及遥感影像处理领域，尤其涉及一种基于特征增强的遥感影像超分辨率重建方法和系统。

背景技术

现今，随着国家航天事业的蓬勃发展，遥感影像得到广泛应用，高分辨率遥感影像为各种影像解译提供数据基础。特别地，基于遥感影像进行超分辨率影像重建任务也得到了更多的关注与研究。超分辨率影像的生成在医学图像诊断、遥感观测生物信息识别等方面有着很多应用，对促进环境保护、经济建设以及智能技术发展有着重要的意义。本专利研究出了一种稳定便捷的超分辨率遥感影像重建方法，以更好服务于国家和社会建设。

近年来，越来越多的专家和学者聚焦于有监督的超分影像重建研究，当前超分影像重建研究的方法大致可分为基于插值方法、基于重建方法和基于学习方法。基于插值的方法根据估计影像帧幅间距进行插值获取原始影像采样像素值，恢复去糊降噪的影像。这种算法不能引入高频信息而难以获得超分影像锐化效果，其适普性不强；基于重建的方法旨在假定超分影像处于干扰条件来结合数据约束以及利用先验知识优化求解目标图像。这种方法过度依赖假设条件以及先验知识与实际有偏差而达不到生成超高分辨率影像的需求。基于学习方法针对训练数据，自动根据预测模型进行特征映射训练并形成损失函数，减少人为误差，依靠合适的损失函数对数据本身进行学习。

近年来，越来越多的学者也将生成对抗网络应用到遥感影像处理领域，该技术在影像处理领域取得丰硕成果，已解决了一系列传统方法恢复图像中存在的问题。本文提出一种遥感影像超分辨率重建的特征增强的注意力生成对抗网络方法，即TE-AGAN算法，针对生成超分辨率遥感影像特征与纹理权衡提取的情况，利用注意力生成对抗网络解决这一问题。其次，相较于其他超分影像生成的方法，本方法训练数据过程结合多方面损失函数来调节超分辨率遥感影像生成细节信息，利用容易获得的遥感影像进行训练，改善对训练数据集的依赖性。

超分辨遥感影像特征增强的注意力生成对抗网络，相较于其他深度的方法，能根据数据集学习得到损失函数，从而避免根据经验设置损失函数引入额外的误差，保证超分辨率遥感影像的质量。

发明内容

本发明提供了一种基于特征增强的遥感影像超分辨率重建方法和系统，解决了传统基于插值的算法不能引入高频信息而难以获得超分影像锐化效果，适普性不强；传统基于重建的算法过度依赖假设条件以及先验知识与实际有偏差而达不到生成超高分辨率影像需求的技术问题。

本发明为解决其技术问题，提供了一种基于特征增强的遥感影像超分辨率重建方法和系统包括以下步骤：

S1、对原始高分辨率遥感影像数据集进行压缩操作，生成低分辨率遥感影像数据集；

S2、将所述低分辨率遥感影像数据集通过TE-AGAN模型进行影像重建，生成超分辨率遥感影像数据集；

S3、将所述超分辨率遥感影像数据集和所述原始高分辨率遥感影像数据集输入判别网络进行训练，直到网络收敛，生成超分辨率遥感影像转换网络模型；

S4、将低分辨率遥感影像输入已经训练好的所述超分辨率遥感影像转换网络模型，生成超分辨率遥感影像。

进一步地，本发明的一种基于特征增强的遥感影像超分辨率重建方法，步骤S2中所述将所述低分辨率遥感影像数据集通过TE-AGAN模型进行影像重建的具体步骤为：