[发明专利]一种基于深度卷积神经网络的遥感图像超分辨重建方法

权利要求书

1.一种基于深度卷积神经网络的遥感图像超分辨重建方法，其特征在于其具体步骤为：

1)令输入图像为I_LR，经过深度残差注意力网络输出图像I_DRAN；

所述深度残差注意力网络分为上采样分支和主体网络；所述上采样分支用来学习图像的全局残差信息，所述主体网络分为浅层特征提取模块、深度特征提取模块、上采样模块和重建模块；经过深度残差注意力网络输出图像I_DRAN为：

I_DRAN＝I_res+I_bicubic

其中，I_bicubic为上采样后的图像，I_res为主体网络的输出图像；

所述上采样分支用来学习图像的全局残差信息，上采样后的图像I_bicubic公式如下：

I_bicubic＝H_Bicubic(I_LR)

其中，H_Bicubic(·)为双三次插值上采样操作；

所述浅层特征提取模块的公式如下：

F₀＝H_SF(I_LR)

其中，H_SF(·)为卷积核大小为3像素×3像素的卷积操作，F₀为提取的浅层特征图像；

2)图像I_DRAN经过边缘加强网络后输出图像中边缘细节加强后的图像I_EEN；

3)令图像I_DRAN与图像I_EEN相融合获取最终的遥感图像超分辨率重建结果I_SR。

2.如权利要求1所述一种基于深度卷积神经网络的遥感图像超分辨重建方法，其特征在于在步骤1)中，所述深度采样提取模块由N个残差双注意力块组成，即RDAB块；计算公式如下：

F_b，n＝H_RDAB，n(F_b，n-1)＝H_RDAB，n(H_RDAB，n-1(···H_RDAB，1(F₀)···))

其中，H_RDAB，n(·)为第n个RDAB块操作；F_b，n-1和F_b，n分别为第n个RDAB块的输入和输出；F_b，N为F₀经过N个RDAB块操作后的输出图像；

每个RDAB块包含LFF子模块、CA子模块和SA子模块；所述LFF子模块用于提取和融合多样化的局部特征，所述CA子模块用于获取不同通道的重要特征信息，所述SA子模块用于关注带有高频信息的空间位置；

所述LFF子模块的公式如下：

F₁＝f_1，3(F_b，n-1)

F₂＝f_2，3(ReLU(F₁))

F_LLF＝f_3，1(f_Concat(F₁，F₂))

其中，f_m，n(·)为第m个卷积核大小为n像素×n像素的卷积操作，f_Concat(·)为特征图拼接操作，ReLU(·)为ReLU激活函数，F₁和F₂分别为第n个RDAB块中的第一个卷积和第二个卷积的输出，F_LLF为LFF子模块最终的输出；

所述CA子模块的计算流程如下：

定义为通道总数为C的特征图，其中单个通道的尺寸大小为H×W；对第c个通道的特征图计算全局均值池化，得到所对应的通道特征描述子计算如下：

其中，为F_LLF中第k个特征图中位置为(i，j)上的值，为F_LLF对应的通道特征描述子；定义D_channel对应的通道权重A_channel的计算如下：

A_channel＝σ(W₁(ReLU(W₀(D_channel))))

其中，σ(·)和ReLU(·)分别为Sigmoid函数和ReLU函数；W₀(·)为通道下采样率为r的卷积核大小为1像素×1像素的卷积操作；W₁(·)为通道上采样率为r的卷积核大小为1像素×1像素的卷积操作；

定义CA子模块的通道注意力图输出为则的计算如下：

其中，为特征图通道相乘操作；

所述SA子模块的计算流程如下：

定义D_{spatial，avg}和D_{spatial，max}分别为F_CA的均值池化空间特征描述子和最大值池化空间特征描述子，D_{spatial，avg}和D_{spatial，max}的计算如下：

其中，D_{spatial，avg}(i，j)和D_{spatial，avg}(i，j)分别为D_{spatial，avg}和D_{spatial，max}在位置(i，j)上的值，为F_CA中第k个特征图中位置为(i，j)上的值；对D_{spatial，avg}和D_{spatial，max}进行融合，获取F_CA的空间权重A_spatial，计算如下：

A_spatial＝σ(W₂(ReLU(f_Concat(D_{spatial，avg}，D_{spatial，max}))))

其中，σ(·)、ReLU(·)和f_Concat(·)分别为Sigmoid函数、ReLU函数和特征图拼接操作，W₂(·)为输入通道数为2、输出通道数为1、卷积核大小为7像素×7像素的卷积操作；

定义SA子模块的空间注意力图输出为则F_SA的计算如下：

其中，为特征图相乘操作；

所述RDAB块的最终输出为：

F_b，n＝F_b，n-1+F_CA+F_SA

其中，+为特征图相加操作。