[发明专利]基于超分辨率风格迁移网络的遥感影像超分辨率重建方法

说明书

本发明公开了基于超分辨率风格迁移网络的遥感影像超分辨率重建方法，包括以下步骤：构建超分辨率风格迁移网络模型；所述超分辨率风格迁移网络模型包括生成部分和判别部分；所述生成部分由超分辨率重建网络SSR和U‑net网络连接而成；利用训练集交替训练所述生成部分和判别部分，得到训练完成的超分辨率风格迁移网络模型；将低分辨率的遥感影像输入至所述训练完成的超分辨率风格迁移网络模型，得到超分辨率遥感影像。本发明克服了传统超分辨率网络模型泛化能力差和重建影像纹理细节丢失等缺点，能够生成清晰度和纹理特征更加接近真实高分辨率遥感图像的重建影像。

技术领域

本发明涉及遥感影像数据处理领域，尤其涉及基于超分辨率风格迁移网络的遥感影像超分辨率重建方法。

背景技术

卫星遥感影像能够快速提供地球表面的信息,但是中、低分辨率的卫星遥感影像对于提取高精度的GIS信息、地图更新、目标识别等具有一定的局限性。高分辨率的卫星遥感影像的发展使得遥感影像的深入应用成为可能,从而为GIS数据的更新、GIS的应用提供了有利的条件。对于地图更新、影像匹配、目标检测等也具有重要意义。

在遥感领域，受成像技术和拍摄设备的影响，高分辨率的遥感影像获取比较困难，往往需要无人机去进行航拍，既耗费了人力也耗费了物力，由此，从算法的角度着手，实现图像超分辨率重建的技术成为了图像处理和计算机视觉等多个领域的热点研究课题。

近年来越来越多的研究人员用深度学习的方法进行超分辨率重建，并且取得了不错的进展，但是在遥感领域，由于卫星拍摄的影像存在着压缩、融合等处理，使得得到的低分辨率遥感影像的纹理细节损失严重，由这些已有的超分辨率重建模型无法恢复卫星拍摄到的低分辨率遥感影像的纹理细节并且无法生成清晰度接近真实高清遥感影像的超分辨率重建影像。

发明内容

针对以上技术问题，因此本发明提出一种超分辨率风格迁移网络，该网络首先利用一系列的小尺寸卷积核对原始低分辨率遥感影像进行一个超分辨率重建处理，再利用风格迁移网络强大的图像到图像转换的能力，把初步超分辨率重建后的影像向真实高分辨率遥感影像转换，并学习真实高分辨率遥感影像的纹理特征，该网络克服了传统超分辨率网络模型泛化能力差和重建影像纹理细节丢失等缺点，最终可以生成清晰度和纹理特征更加接近真实高分辨率遥感图像的重建影像。

本发明提出的一种基于超分辨率风格迁移网络的遥感影像超分辨率重建方法，具体包括以下步骤：

S101：构建超分辨率风格迁移网络模型；所述超分辨率风格迁移网络模型包括生成部分和判别部分；所述生成部分由超分辨率重建网络SSR和U-net网络连接而成；

S102：利用训练集交替训练所述生成部分和判别部分，得到训练完成的超分辨率风格迁移网络模型；

S103：将低分辨率的遥感影像输入至所述训练完成的超分辨率风格迁移网络模型，得到超分辨率遥感影像。

进一步地，所述超分辨率重建网络SSR的构建过程如下：

S201：利用64个尺寸为5*5的卷积核对低分辨率遥感影像real_A进行卷积运算，并使用PRelu激活，得到低分辨率遥感影像real_A对应的原始特征图像；

S202：利用16个尺寸为1*1的卷积核对所述原始特征图像进行通道收缩，并使用PRelu激活，得到收缩后的特征图像；

S203：通过4个卷积层(每层具体由16个尺寸为3*3的卷积核和PRelu激活函数组成)对所述收缩后的特征图像进行非线性映射，得到非线性映射后的特征图像；

S204：利用64个尺寸为1*1的卷积核对所述非线性映射后的特征图像进行通道扩张，并使用PRelu激活，最后进行反卷积处理，得到相较于低分辨率遥感影像real_A放大4倍的初步超分辨率遥感影像SSR_A；初步超分辨率遥感影像SSR_A和原始高分辨率图像real_B尺寸相同。