遥感图像超分辨率重建方法技术

本发明专利技术提供一种遥感图像超分辨率重建方法，包括：提供原始图像；对原始图像进行特征提取得到第一特征；对第一特征进行非线性映射得到输出特征；对输出特征进行上采样操作得到重建图像

【技术实现步骤摘要】
遥感图像超分辨率重建方法


[0001]本专利技术涉及图像
，具体而言，尤其涉及一种遥感图像超分辨率重建方法
。

技术介绍

[0002]随着图像处理技术的飞速发展，利用数字图像的应用层出不穷，利用遥感图像的应用也逐渐成为研究热点
。
高分辨率遥感图像应用在很多领域，包括环境监测
、
农业产量估算
、
城市规划
、
军事侦察
、
和地质灾害检测等
。
在遥感成像过程中，由于距离远，同时受空气的抖动以及噪声等因素的影响，造成遥感图像的质量不高，无法满足现实的需求
。
超分辨率重建技术为提高遥感图像的质量提供了新的方向
。
图像超分辨率重建技术是指从观测到的低质量
、
低分辨率图像重建出相应的高质量
、
高分辨率图像
。
[0003]在遥感图像处理领域，超分辨率重建技术的发展大体上跟随自然图像处理已有的技术
。
如针对遥感图像应用的深度残差网络
(Deep Residual Network)
就是建立在
SRCNN
的基础上，较早地将深度学习应用于遥感图像超分辨率重建的方法
。
为了提高模型的性能，最简单直接的方法就是增加网络的深度或宽度，但是也会带来梯度爆炸或网络退化等问题，针对这一问题，对此，
He
等人提出了残差网络用于解决深层网络带来的梯度和退化问题<br/>。Kim
等人以
SRCNN
网络模型为基础，结合残差模型，于
2016
年，提出了
VDSR(VeryDeep CNN for SR)
网络模型，取得了优异的重建效果
。
高效亚像素卷积神经网络图像超分辨率
(ESPCN)
提出使用亚像素卷积层代替反卷积层或双三次插值上采样，亚像素卷积层对特征图进行重新排列，增强了网络的实时性
。
[0004]然而上述基于深度学习的图像超分辨率重建模型仍然存在下述问题：
[0005](1)
在低分辨率到高分辨图像的重建过程中，卷积神经网络学习的是低分辨率图像中的高频部分，对图像的特征提取不够充分
。
[0006](2)
使用单一尺寸的卷积核，无法充分利用多个尺度下的信息，可能导致对于不同大小或形状的特征不敏感，可能会限制网络在特征提取方面的表现能力
。
[0007]有鉴于此，本专利技术提出了一种遥感图像超分辨率重建方法
。

技术实现思路

[0008]根据上述提出的技术问题，而提供一种遥感图像超分辨率重建方法
。
本专利技术通过提取图像的细节部分
、
使用多尺度进行特征融合，从不同尺度提取图像特征并将之融合，更加充分的提取细节特征，有效利用了遥感图像本身的特征，增强重构遥感图像的细节部分
。
使用通道和空间注意力并采取并行的结构，将通道与空间注意结合，这样就融合了通道和空间注意的优点，它自适应地选择重要对象和区域，提升整幅遥感图像的高频信息部分的恢复，大大提升遥感图像的细节部分
。
[0009]本专利技术采用的技术手段如下：
[0010]一方面，本专利技术提供了一种遥感图像超分辨率重建方法，包括：
[0011]提供原始图像；
[0012]对所述原始图像进行特征提取得到第一特征；
[0013]对所述第一特征进行非线性映射得到输出特征；
[0014]对所述输出特征进行上采样操作得到重建图像
。
[0015]进一步地，对所述原始图像进行特征提取得到所述第一特征，包括：
[0016]采用第一卷积层对所述原始图像进行特征提取得到所述第一特征，按照以下方式得到：
[0017]X0＝
σ
(w*I
LR
+b)
；
[0018]其中，
X0为所述第一特征，
σ
为激活函数，
w
为所述第一卷积层的权重，
I
LR
为所述原始图像，
b
为所述第一卷积层的偏移量
。
[0019]进一步地，对所述第一特征进行非线性映射得到所述输出特征，包括：
[0020]分别采用第二卷积层
、
第三卷积层和第四卷积层对所述第一特征进行特征提取，对应得到第二特征
、
第三特征和第四特征，所述第二卷积层
、
所述第三卷积层和所述第四卷积层的卷积核大小不同；
[0021]对所述第二特征
、
所述第三特征和所述第四特征进行特征融合后，采用第五卷积层进行卷积操作得到第五特征；
[0022]通道注意力机制根据所述第五特征得到通道注意力特征，空间注意力机制根据所述第五特征得到空间注意力特征；
[0023]所述通道注意力特征与所述空间注意力特征相加得到第六特征；
[0024]采用第六卷积层对所述第六特征进行卷积操作后再采用第七卷积层进行卷积操作得到第七特征；
[0025]对所述第一特征进行平均池化操作后再采用第八卷积层进行卷积操作得到第八特征；
[0026]将所述第七特征和所述第八特征进行融合得到所述输出特征
。
[0027]进一步地于，分别采用所述第二卷积层
、
所述第三卷积层和所述第四卷积层对所述第一特征进行特征提取，对应得到所述第二特征
、
所述第三特征和所述第四特征，按照以下方式得到：
[0028]X
l
＝
w
l
*X0+b
l
，
l
＝2，3，4；
[0029]其中，
X
l
为第
l
特征，
w
l
为第
l
卷积层的权重，
b
l
为第
l
卷积层的偏置项，
X0为所述第一特征
。
[0030]进一步地，对所述第二特征
、
所述第三特征和所述第四特征进行特征融合后，采用所述第五卷积层进行卷积操作得到所述第五特征，按照以下方式得到：
[0031]X
d
＝
w
c
((X2+X3)+X4)+b
c
；
[0032]其中，
X
d
为所述第五特征，
X2为所述第二特征，
X3为所述第三特征，
X4为所述第四特征，
w
c
为所述第五卷积层的权重，
b
c
为所述第五卷积层的偏置项
。
[0033]进一步地本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种遥感图像超分辨率重建方法，其特征在于，包括：提供原始图像；对所述原始图像进行特征提取得到第一特征；对所述第一特征进行非线性映射得到输出特征；对所述输出特征进行上采样操作得到重建图像
。2.
根据权利要求1所述的遥感图像超分辨率重建方法，其特征在于，对所述原始图像进行特征提取得到所述第一特征，包括：采用第一卷积层对所述原始图像进行特征提取得到所述第一特征，按照以下方式得到：
X0＝
σ
(w*I
LR
+b)
；其中，
X0为所述第一特征，
σ
为激活函数，
w
为所述第一卷积层的权重，
I
LR
为所述原始图像，
b
为所述第一卷积层的偏移量
。3.
根据权利要求1所述的遥感图像超分辨率重建方法，其特征在于，对所述第一特征进行非线性映射得到所述输出特征，包括：分别采用第二卷积层
、
第三卷积层和第四卷积层对所述第一特征进行特征提取，对应得到第二特征
、
第三特征和第四特征，所述第二卷积层
、
所述第三卷积层和所述第四卷积层的卷积核大小不同；对所述第二特征
、
所述第三特征和所述第四特征进行特征融合后，采用第五卷积层进行卷积操作得到第五特征；通道注意力机制根据所述第五特征得到通道注意力特征，空间注意力机制根据所述第五特征得到空间注意力特征；所述通道注意力特征与所述空间注意力特征相加得到第六特征；采用第六卷积层对所述第六特征进行卷积操作后再采用第七卷积层进行卷积操作得到第七特征；对所述第一特征进行平均池化操作后再采用第八卷积层进行卷积操作得到第八特征；将所述第七特征和所述第八特征进行融合得到所述输出特征
。4.
根据权利要求3所述的遥感图像超分辨率重建方法，其特征在于，分别采用所述第二卷积层
、
所述第三卷积层和所述第四卷积层对所述第一特征进行特征提取，对应得到所述第二特征
、
所述第三特征和所述第四特征，按照以下方式得到：
X
l
＝
w
l
*X0+b
l
，
l
＝2，3，4；其中，
X
l
为第
l
特征，
w
l
为第
l
卷积层的权重，
b
l
为第
l
卷积层的偏置项，
X0为所述第一特征
。5.
根据权利要求3所述的遥感图像超分辨率重建方法，其特征在于，对所述第二特征
、
所述第三特征和所述第四特征进行特征融合后，采用所述第五卷积层...

【专利技术属性】
技术研发人员：史金余，黄爽，孙悦琪，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：