[发明专利]小波变换域下结合深度学习的光学遥感图像质量提升方法

权利要求书

1.一种小波变换域下结合深度学习的光学遥感图像质量提升方法，其特征在于，包括以下步骤：

步骤1、训练阶段：

1.1)将训练集中的光学遥感图像进行小波变换处理，得到不同频率子带信号；

1.2)将频率子带信号通过密集块网络同时进行去噪与超分辨率重建处理，得到频率子带重建信号；

1.3)将频率子带重建信号进行小波逆变换后得到光学遥感重建图像；

1.4)将光学遥感重建图像与对应的高质量真值图像进行判别处理，经生成器模块的相对损失与全变分损失函数运算，及判别器模块的相对损失函数运算,得到本次循环的损失情况，本次循环结束；

1.5)重复步骤1.1)-1.4)，直至训练集中所有光学遥感图像循环一次后，本次迭代结束，根据本次迭代的综合损失情况，更新网络参数；

1.6)重复步骤1.1)-1.5)，直至迭代次数到达设定值，训练结束，得到理想网络参数；

步骤2、使用阶段：

2.1)使用训练阶段得到的理想网络参数对系统进行初始化；

2.2)将待提升质量的光学遥感图像进行小波变换处理，得到不同频率子带信号；

2.3)将频率子带信号通过密集块网络同时进行去噪与超分辨率重建处理，得到频率子带重建信号；

2.4)将频率子带重建信号进行小波逆变换后得到光学遥感重建图像。

2.根据权利要求1所述的一种小波变换域下结合深度学习的光学遥感图像质量提升方法，其特征在于：

步骤1.2和步骤2.3中，所述密集块网络采用全局残差算法、局部残差算法和密集连接算法。

3.根据权利要求2所述的一种小波变换域下结合深度学习的光学遥感图像质量提升方法，其特征在于：所述密集块网络使用瓶颈结构，包含一个1×1卷积核、一个3×3卷积核和一个1×1卷积核。

4.根据权利要求1或2或3所述的一种小波变换域下结合深度学习的光学遥感图像质量提升方法，其特征在于：

步骤1.1和步骤2.2中，所述小波变换为哈尔小波变换；

步骤1.3和步骤2.4中，所述小波逆变换为哈尔小波逆变换。

5.根据权利要求4所述的一种小波变换域下结合深度学习的光学遥感图像质量提升方法，其特征在于：

步骤1.1和步骤2.2中，所述频率子带信号为原始图像的低频子带、垂直方向的高频子带，水平方向的高频子带及对角方向的高频子带信号。

6.根据权利要求5所述的一种小波变换域下结合深度学习的光学遥感图像质量提升方法，其特征在于：

步骤1.1-1.4采用生成对抗网络或传统的卷积神经网络实现。