[发明专利]基于卡通纹理分解和深度学习的SAR图像超分辨方法及系统

权利要求书

1.基于卡通纹理分解和深度学习的SAR图像超分辨方法，其特征在于，包括：

获取SAR图像的高分辨率图像HR和低分辨率图像LR，构成LR-HR图像对，构建训练集和测试集；

分别对高分辨率图像HR和低分辨率图像LR进行卡通纹理分解；

构建深度学习网络模型，采用训练集对构建深度学习网络模型进行训练，包括：将LR-HR卡通图像对输入深度学习网络模型的卡通图像处理网络进行训练，将LR-HR纹理图像对输入深度学习网络模型的纹理图像处理网络进行训练，调整模型参数，直至深度学习网络模型收敛，得到训练完成后的深度学习网络模型；具体的，搭建超分辨率深度学习网络；初始化网络参数，确定损失函数；将LR-卡通、HR-卡通图像对输入卡通图像处理网络进行网络训练，将训练好的卡通图像处理网络模型进行保存；LR-纹理、HR-纹理图像对输入纹理图像处理网络进行训练，将训练好的纹理图像处理网络进行保存；

其中，初始化网络参数，包括学习率，终止学习率，超分辨率放大倍数scale，batch-size，采用Adam算法进行网络优化，损失函数为loss，确定参数后对网络分别进行训练；

式中，Y_i代表高分辨率图像中第i点的像素值，代表经过网络处理之后估计图像第i点的像素值；

纹理图像处理网络将SRResnet进行简化，包括卷积层、12个残差模块和4个上采样模块，将残差模块的BN层去掉；卡通图像处理网络对纹理图像处理网络做进一步简化处理，包括卷积层、6个残差模块和4个上采样模块；其中，残差模块包含2个3×3的卷积层，第一个卷积层后接Rule作为激活函数，上采样模块由两个3×3的卷积层和一层子像素卷积层组成；

将LR-卡通、HR-卡通图像对输入卡通图像处理网络进行网络训练，优化模型参数直至训练完成，将训练好的卡通图像处理网络模型进行保存；LR-纹理、HR-纹理图像对输入纹理图像处理网络进行训练，优化模型参数直至训练完成，将训练好的纹理图像处理网络模型进行保存；

将待处理的SAR图像输入训练后的深度学习网络模型，得到超分辨SAR图像；具体的，输入待处理SAR图像，先对SAR图像进行卡通纹理分解，卡通部分用卡通图像处理网络模型进行处理，纹理部分用纹理图像处理网络模型进行处理，将卡通图像处理网络模型和纹理图像处理网络模型的输出图像进行叠加，得到所需的超分辨率SAR图像。

2.根据权利要求1所述的基于卡通纹理分解和深度学习的SAR图像超分辨方法，其特征在于，所述低分辨率图像LR的获取包括：获取SAR图像的高分辨率图像HR，对高分辨率图像HR进行下采样，并将下采样后的图像扩展为所述高分辨率图像HR的尺寸，得到低分辨率图像LR，形成LR-HR图像对。

3.根据权利要求1所述的基于卡通纹理分解和深度学习的SAR图像超分辨方法，其特征在于，所述对高分辨率图像HR进行卡通纹理分解包括，将高分辨率图像HR分解成卡通部分和纹理部分，得到HR卡通图像和HR纹理图像。

4.根据权利要求1所述的基于卡通纹理分解和深度学习的SAR图像超分辨方法，其特征在于，所述对低分辨率图像LR进行卡通纹理分解包括，将低分辨率图像LR分解成卡通部分和纹理部分，得到LR卡通图像和LR纹理图像。