[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

说明书

一种基于深度卷积神经网络的遥感图像超分辨重建方法，涉及数字图像处理。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，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，最后令图像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。用残差双注意力块实现特征间传递，保证信息完整性。每个残差双注意力块中加入LFF子模块，使得网络具有更强特征表达能力。引入一种注意力机制，该机制融合通道注意力和空间注意力，可更有效关注重要特征信息。提出一种边缘加强网络，进一步增强遥感图像的边缘细节恢复能力。

技术领域

本发明涉及数字图像处理，尤其是涉及一种基于深度卷积神经网络的遥感图像超分辨重建方法。

背景技术

随着现代航空航天技术的快速发展，遥感图像越来越广泛地应用在各个领域，如农林监测、军事侦察、城市规划等，对其分辨率要求越来越高。然而由于硬件条件和探测距离的限制，遥感图像的分辨率和清晰度还有很大的提高空间。考虑到从物理层面提高成像传感器的研究成本高、硬件迭代开发周期长等等因素，从算法层面将低分辨率遥感图像重建为高分辨率图像正在成为当前研究的热点之一。

单幅图像超分辨率重建(Single Image Super-Resolution，SISR)技术可以提高遥感数据的空间分辨率，同时提供低分辨率(Low-Resolution，LR)图像中没有的空间细节。近年来，随着深度学习和GPU计算能力的发展，深度卷积神经网络(DCNN)已成为图像分类、目标检测和超分辨率重建的主流方法。基于深度卷积神经网络的方法从数据中自动学习高层特征，为提高分辨率恢复性能提供一种非常可行的方法。

与自然图像相比，遥感图像具有更复杂的背景和种类繁多的地物信息，此外受到超长距离成像、大气干扰和设备噪声等因素的影响，遥感图像中地面目标物之间的纹理结构和高频细节更难复原。尽管已经提出一些基于深度卷积神经网络的算法来实现遥感图像的超分辨率重建，如文件CN109584161A公开的基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法，但该文件仅考虑注重每一个通道的权重，而忽视空间特征的权重。文件CN110136063A公开的基于生成对抗网络的遥感图像超分辨率重建方法，但基于GAN的遥感图像超分辨率重建方法存在生成图像边缘容易过渡平滑、训练过程不稳定等限制因素。

如何提供一种效果较佳的遥感图像超分辨率重建方法是本领域技术人员亟需解决的问题。

发明内容

本发明的目的是针对现有技术存在的上述技术问题，提供一种基于深度卷积神经网络的遥感图像超分辨重建方法。

本发明包括以下步骤：

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；

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。

在步骤1)中，所述深度残差注意力网络(deep residual attention network，DRAN)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，公式如下：

I_bicubic＝H_Bicubic(I_LR) (1)