[发明专利]超分辨率生成与条件对抗网络遥感影像样本生成方法

权利要求书

1.一种超分辨率生成与条件对抗网络遥感影像样本生成方法，其特征在于，包括如下步骤；

步骤1、准备高、中分辨率影像数据，对目标区域数据进行样本标注，高、中分辨率影像数据匹配后，训练超分辨率优化模型；

步骤2、基于步骤1中的高、中分辨率影像数据，基于条件对抗网络进行逆向学习，生成遥感影像样本，并对生成的遥感影像样本进行质量检测，筛选出最终结果；

所述步骤2、基于步骤1中的数据，基于条件对抗网络进行逆向学习，生成遥感影像样本，并进行质量检测，其中，样本生成主要包括两个部分，即条件对抗网络生成遥感影像样本与图像质量检测，具体如下：

步骤(2.1)条件对抗网络生成遥感影像样本：基于从数据准备环节获取的标注与超分辨优化生成的高分辨率影像，获得了从标注矢量到遥感影像的映射，应用这种映射，基于对抗学习神经网络训练实现逆向学习，生成需要的遥感影像样本；

步骤(2.2)利用条件对抗网络进行图像质量检测，所述的条件对抗网络具体为：

输入为提供目标的位置，目标轮廓的位置，目标的角度，高斯随机矩阵，具体生成方式为：设定均值与方差，其中均值与方差的设定需迭代计算最佳的随机函数生成；

输出为高分辨率遥感目标图；

损失函数为：真实影像和生成影像的生成损失；

通过对抗生成网络弥补生成图像与真实图像间的差异，以达到生成标注样本的最终目的。

2.根据权利要求1所述的一种超分辨率生成与条件对抗网络遥感影像样本生成方法，其特征在于，所述步骤1、准备高、中分辨率影像数据，对目标区域数据进行样本标注，高、中分辨率影像数据匹配后用于训练超分辨率优化模型，具体包括：

步骤1.1、首先根据目标选择相应的中分辨率和高分辨率影像数据，将两种类型的影像数据做好地理匹配，对目标区域影像数据进行少量的样本标注；

步骤1.2、匹配中分辨率与高分辨率影像数据后，对影像数据进行切分，为超分辨率网络构建做准备；

步骤1.3、通过以中分辨率影像数据为输入，高分辨率影像数据为输出，训练得到超分辨率优化模型。

3.根据权利要求1所述的一种超分辨率生成与条件对抗网络遥感影像样本生成方法，其特征在于，所述步骤1中的超分辨率优化模型，具体如下：

其输入为地理配准的相同空间范围的低分辨率影像；

其输出为高分辨率影像；

其损失函数为生成的高分辨率影像与实际高分辨率影像间的差异；其过程为将中分辨率影像输入，经过低分辨率特征提取网络，得到连续的低层次特征，并且，从提取过程的多层次结构中分别获取每一级的特征，组合形成多尺度的网络特征，合并后输入高分辨率重建网络，在高分辨率重建网络中，通过转置卷积上采样，最终得到所需要的高分辨率输出结果。

4.根据权利要求1所述的一种超分辨率生成与条件对抗网络遥感影像样本生成方法，其特征在于，所述步骤2包括：

将所述标注输入到条件对抗网络中，在这个过程中，通过对目标大小及分布进行研究，拟合目标的分布函数，以标注划分的背景和前景作为输入，通过对抗训练生成高分辨率影像，并将结果与步骤1超分辨率优化模型生成的高分辨率影像比较误差，最后利用质量判别网络进行质量的把关，输出得到最终的结果。

5.根据权利要求1所述的一种超分辨率生成与条件对抗网络遥感影像样本生成方法，其特征在于，所述步骤2对生成的样本进行质量检测，包括：

第一轮自动筛选在生成影像阶段完成，选用生成分数大于阈值的结果；

第二轮采用PSNR指标，将图像与真实图像对比，通过信噪比来比较图像本身的质量；

第三轮人工筛选是在前两轮自动筛选结果之上，通过人工目视检查，剔除明显不合理的合成结果。

6.根据权利要求5所述的一种超分辨率生成与条件对抗网络遥感影像样本生成方法，其特征在于，为第三轮的人工筛选检查设置了一个图像质量检查图片分类网络，来对生成的图像进行质量筛选，其结构包括：由连续三次的卷积-卷积-池化结构进行特征提取，随后经过2层的全连接分类结构输出结果。