基于混合随机降采样的遥感影像超分辨率重构方法和装置制造方法及图纸

本发明专利技术实施例提供一种基于混合随机降采样的遥感影像超分辨率重构方法和装置，该方法包括对待重建目标的多尺度米级分辨率的光学遥感影像进行混合随机降采样处理，得到高分辨率影像矩阵和低分辨率影像矩阵，并构建高低分辨率图像块映射矩阵；将所述高低分辨率图像块映射矩阵作为训练样本，进行深度学习训练，得到用于光学遥感影像超分辨率重构的超分辨率重构模型；基于所述超分辨率重构模型，对待重建目标光学遥感影像进行超分辨率重构。充分的考虑卫星传感器载荷的光学成像特点，采用混合随机降采样模型模拟生成光学传感器成像的低分辨率影像，增强超分重建模型的场景适应性、处理精确性和结果可靠性。

【技术实现步骤摘要】
基于混合随机降采样的遥感影像超分辨率重构方法和装置
本专利技术涉及图像处理
，更具体地，涉及基于混合随机降采样的遥感影像超分辨率重构方法和装置。
技术介绍
图像超分辨率重建技术(Super-Resolution)是一项重要的数字图像处理技术，利用一幅或多幅低分辨率图像(或运动序列)，通过相应的算法，重建出一幅高分辨率、高信息含量的图像。该技术突破了图像传感器自身的分辨率限制，可以在不改变或提升图像采集硬件的前提下，提高图像的分辨率，改善图像质量。处理结果有利于地表目视解译、图像目标算法识别、地物类型分析、定量反演精度的提升，提高遥感影像的信息表达能力和利用价值。应用中，通过光学目标的超分辨率重建技术，能对地面目标识别、类型和数量判读以及目标自动检测应用提供技术支撑。现有技术中常用的图像超分辨率重建方法，需要先利用同一相机连续拍摄同一场景图像，得到多帧图像，或是由视频得到图像序列，然后对得到的多帧图像或是图像序列进行超分辨率重建。利用这样的多帧图像或是图像序列进行超分辨率重建，帧间运动估计是一大技术难点，理论上讲，具有不同深度内容的场景，不存在一个简单的如仿射、但应类似的变换实现不同视角图像的精确配准。特别是对于动态场景，场景中存在运动物体，运动估计非常更加困难。目前基于深度学习的人工智能技术已被成熟的应用在图像目标超分重建中，如ESPCN、SRCNN、SRGAN、VDSR、FSRCNN等基于卷积神经网络技术实现的图像超分重建技术，但是现有的深度学习方法在样本构建阶段中涉及的预处理方法过于简单，对于卫星遥感影像处理的适应性和精确性较差，难以与高质量的神经网络模型相结合获取更显著的处理效果，降低超分重建技术的实际应用价值。
技术实现思路
本专利技术提供一种克服上述问题或者至少部分地解决上述问题的基于混合随机降采样的遥感影像超分辨率重构方法和装置。根据本专利技术实施例的第一个方面，提供一种基于混合随机降采样的遥感影像超分辨率重构方法，包括：对待重建目标的多尺度米级分辨率的光学遥感影像进行混合随机降采样处理，得到高分辨率影像矩阵和低分辨率影像矩阵，并构建高低分辨率图像块映射矩阵；将所述高低分辨率图像块映射矩阵作为训练样本，进行深度学习训练，得到用于光学遥感影像超分辨率重构的超分辨率重构模型；基于所述超分辨率重构模型，对待重建目标光学遥感影像进行超分辨率重构。根据本专利技术实施例的第二个方面，提供一种基于混合随机降采样的遥感影像超分辨率重构装置，包括样本库模块，用于对待重建目标的多尺度米级分辨率的光学遥感影像进行混合随机降采样处理，得到高分辨率影像矩阵和低分辨率影像矩阵，并构建高低分辨率图像块映射矩阵；超分辨率重构模型，用于将所述高低分辨率图像块映射矩阵作为训练样本，进行深度学习训练，得到用于光学遥感影像超分辨率重构的超分辨率重构模型；基于所述超分辨率重构模型，对待重建目标光学遥感影像进行超分辨率重构。根据本专利技术实施例的第三个方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如专利技术的第一个方面所述基于混合随机降采样的遥感影像超分辨率重构方法的步骤。根据本专利技术实施例的第四个方面，提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如专利技术实施例的第一个方面所述基于混合随机降采样的遥感影像超分辨率重构方法的步骤。本专利技术实施例提出一种基于混合随机降采样的遥感影像超分辨率重构方法和装置，针对深度学习超分重建技术和光学遥感影像的特定目标对象，设计标准化的样本库构建流程，并改进图像目标的预处理方法，实现目标样本库的高效构建和超分重建模型的高精度训练，总体提升遥感目标超分重建处理的高效性和精确性；为使光学遥感图像的目标处理应用具备更强的适应性，充分的考虑卫星传感器载荷的光学成像特点，采用混合随机降采样模型模拟生成光学传感器成像的低分辨率影像，增强超分重建模型的场景适应性、处理精确性和结果可靠性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为根据本专利技术实施例的基于混合随机降采样的遥感影像超分辨率重构方法框图；图2为根据本专利技术实施例的基于混合随机降采样的遥感影像超分辨率重构方法具体流程示意图；图3为根据本专利技术实施例的基于混合随机降采样的遥感影像超分辨率重构装置示意图；图4为根据本专利技术实施例的基于混合随机降采样的遥感影像超分辨率重构设备示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图像超分辨率重建技术(Super-Resolution)是一项重要的数字图像处理技术，利用一幅或多幅低分辨率图像(或运动序列)，通过相应的算法，重建出一幅高分辨率、高信息含量的图像。目前基于深度学习的人工智能技术已被成熟的应用在图像目标超分重建中，如ESPCN、SRCNN、SRGAN、VDSR、FSRCNN等基于卷积神经网络技术实现的图像超分重建技术。这些技术实现主要分为两个阶段，第一是构建特定目标的图像样本学习库；第二是设计神经网络对构建的样本库进行参数训练并实现重建处理。所以为提升图像超分重建处理的精度和效率，除了设计高质量的卷积神经网络模型结构，构建高质量、规范化的遥感光学目标样本库同样重要。但是现有技术关于基于深度学习的众多图像超分重建方法中，未对卫星影像特定目标的训练样本库的构建给出统一的标准化处理方法，并且样本构建阶段中涉及的预处理方法过于简单，对于卫星遥感影像处理的适应性和精确性较差，难以与高质量的神经网络模型相结合获取更显著的处理效果，降低超分重建技术的实际应用价值。针对上述问题，在本实施例中，提供了一种基于混合随机降采样的遥感影像超分辨率重构方法，如图1所示，包括：步骤10、对待重建目标的多尺度米级分辨率的光学遥感影像进行混合随机降采样处理，得到高分辨率影像矩阵和低分辨率影像矩阵，并构建高低分辨率图像块映射矩阵；步骤11、将上述高低分辨率图像块映射矩阵作为训练样本，进行深度学习训练，得到用于光学遥感影像超分辨率重构的超分辨率重构模型；步骤12、基于上述超分辨率重构模型，对待重建目标光学遥感影像进行超分辨率重构。在本实施例中，为有效提升影像中关键目标的分辨率，深度挖掘图像中存在的目标信息，针对现有技术中针对超分重建技术处理精度的提升，通常是设计一个更强适应性和高质量的神经网络模型的问题，提供了一条新的研究思路，即在深度学习神经网络模型不做改变的情况下，通过构建高质量的目标训练样本库，实现目标超分重建处理精度和质量的有效提升；在超分辨率重建算法应用中，为使光学遥感图像的目标处理应用具备更强的适应性，充分的考虑卫星传感器载荷的光学成像特点，采用混合随机降本文档来自技高网...

【技术保护点】
1.一种基于混合随机降采样的遥感影像超分辨率重构方法，其特征在于，包括：对待重建目标的多尺度米级分辨率的光学遥感影像进行混合随机降采样处理，得到高分辨率影像矩阵和低分辨率影像矩阵，并构建高低分辨率图像块映射矩阵；将所述高低分辨率图像块映射矩阵作为训练样本，进行深度学习训练，得到用于光学遥感影像超分辨率重构的超分辨率重构模型；基于所述超分辨率重构模型，对待重建目标光学遥感影像进行超分辨率重构。

【技术特征摘要】
1.一种基于混合随机降采样的遥感影像超分辨率重构方法，其特征在于，包括：对待重建目标的多尺度米级分辨率的光学遥感影像进行混合随机降采样处理，得到高分辨率影像矩阵和低分辨率影像矩阵，并构建高低分辨率图像块映射矩阵；将所述高低分辨率图像块映射矩阵作为训练样本，进行深度学习训练，得到用于光学遥感影像超分辨率重构的超分辨率重构模型；基于所述超分辨率重构模型，对待重建目标光学遥感影像进行超分辨率重构。2.根据权利要求1所述的基于混合随机降采样的遥感影像超分辨率重构方法，其特征在于，对待重建目标的多尺度米级分辨率的光学遥感影像进行混合随机降采样处理前，还包括：获取包含待重建目标的多尺度米级分辨率的光学遥感影像，并对所述光学遥感影像进行灰度变换和亮度拉伸；对拉伸后的光学遥感影像进行目标剪裁，得到目标影像，并基于仿射变换方法对所述目标影像进行翻转变换，得到数量增广后多个角度的目标影像。3.根据权利要求2所述的基于混合随机降采样的遥感影像超分辨率重构方法，其特征在于，获取包含待重建目标的多尺度米级分辨率的光学遥感影像具体包括：收集包括待重建目标的多尺度米级分辨率光学遥感影像，其中，收集的光学遥感影像还包括与待重建目标关联的关联目标、关联场景，所述多尺度米级分辨率包括0.7m、1m、2m、5m。4.根据权利要求2所述的基于混合随机降采样的遥感影像超分辨率重构方法，其特征在于，并对所述光学遥感影像进行灰度变换和亮度拉伸，具体包括：对所述光学遥感影像进行彩色空间变换，提取亮度波段的影像作为灰度变换影像；基于非线性Gamma拉伸方法对所述灰度变换影像进行亮度拉伸，将拉伸后的得到的8bit/16bit类型的影像转换为double类型的影像。5.根据权利要求2所述的基于混合随机降采样的遥感影像超分辨率重构方法，其特征在于，对拉伸后的光学遥感影像进行目标剪裁，具体包括：建立待重建目标的最小外界矩形，获取所述最小外界矩形的长轴两端点的像素坐标以及短轴两端点的像素坐标，并将其设为剪裁坐标；通过随机映射剪裁坐标以对所述光学遥感影像...

【专利技术属性】
技术研发人员：王玄音，王宇昊，
申请(专利权)人：北京悦图遥感科技发展有限公司，
类型：发明
国别省市：北京,11