【技术实现步骤摘要】
本专利技术属于图像处理，具体涉及一种遥感图像重建方法、系统、装置、介质。
技术介绍
1、遥感图像超分辨重建是一种通过使用计算机视觉算法来提高遥感图像的空间分辨率的技术。在遥感图像领域中，生成对抗网络（gan）常用于提高遥感图像的空间分辨率，从而实现遥感图像的超分辨重建。通过对遥感图像进行超分辨重建，可以生成更高质量、更丰富的图像数据，对于地理信息分析、资源管理和环境监测等领域具有重要的应用价值。
2、然而，现有的基于gan的遥感图像超分辨重建方法仍面临一些挑战。首先，训练gan需要大量的高分辨率图像数据，而获取这些数据往往是困难和昂贵的。其次，生成图像可能会出现伪影、模糊和失真等问题，这主要是由于训练不充分或模型设计不合理造成的。因此，需要研发更准确和高效的超分辨重建方法，以提高遥感图像的分辨率和质量。
技术实现思路
1、为解决
技术介绍
提出的问题，本专利技术提供一种遥感图像重建方法、系统、装置、介质。
2、本专利技术的技术方案如下：
3、本专利技术提供了一种遥感图像重建方法，包括以下步骤：
4、s1：获取遥感图像数据，分别进行不同的退化处理后，随机排列，得到低分辨率图像数据，基于低分辨率图像数据，构建低分辨率图像数据集；
5、s2：将遥感图像数据和低分辨率图像数据导至生成网络模型后，得到高分辨率图像数据，将高分辨率图像数据与遥感图像数据进行对比，根据第一损失函数，计算第一损失值，基于第一损失值，进行训练，得到第一重建图像和
6、s3：将遥感图像数据导至判别网络模型，根据第二损失函数，计算第二损失值，基于第二损失值，进行训练，得到初步训练后的判别网络模型；
7、将低分辨率图像数据导至训练后的生成网络模型，得到初步重建图像数据，将初步重建图像数据和遥感图像数据导至初步训练后的判别网络模型，根据第三损失函数，计算第三损失值，基于第三损失值，对训练后的生成网络模型进行迭代训练，直到第三损失值达到阈值，结束迭代，得到第二重建图像和生成对抗网络模型；
8、s4：基于第一重建图像和第二重建图像，根据每个像素，预设对比区域，分别计算预设对比区域内像素值的标准差，得到第一重建图像和第二重建图像预设对比区域的对比度，基于对比度，分别计算第一重建图像和第二重建图像的对比度均值，根据第一重建图像或第二重建图像的对比度均值在第一重建图像和第二重建图像的对比度均值加和中的占比，得到每个像素的融合权重，将第一重建图像和第二重建图像进行加权融合，得到重建遥感图像。
9、所述s2中，第一损失函数为l1损失函数和charbonnier损失函数的加权求和，具体为，
10、根据公式：，得到第一损失函数，
11、式中，为第一损失函数，为l1损失函数的权重，为l1损失函数，为charbonnier损失函数的权重，为charbonnier损失函数。
12、所述s2中，进行训练，具体为，
13、将高分辨率图像数据与遥感图像数据进行对比，根据第一损失函数，计算第一损失值，基于第一损失值，经反向传播算法更新生成网络模型的权重参数后，得到新的高分辨率图像数据，将新的高分辨率图像数据与遥感图像数据进行对比，根据第一损失函数，计算第一损失值，直至第一损失值达到预设条件。
14、所述s4中，得到每个像素的融合权重，具体为，
15、根据公式：，得到第一重建图像中每个像素的融合权重，
16、其中，表示第一重建图像中每个像素的融合权重，为第一重建图像的对比度值，为第二重建图像的对比度值，为第一重建图像的对比度均值，为第二重建图像的对比度均值；
17、根据公式：，得到第二重建图像中每个像素的融合权重，
18、其中，表示第一重建图像中每个像素的融合权重。
19、所述s3中，第二损失函数为l1损失函数、vgg感知损失函数和patchgan损失函数的加权求和，具体为，
20、根据公式：，得到第二损失函数，
21、式中，l为第二损失函数，为l1损失函数的权重，为l1损失函数，为vgg感知损失函数的权重，为patchgan损失函数的权重，为patchgan损失函数。
22、所述s1中，分别进行不同的退化处理后，随机排列，得到低分辨率图像数据，具体为，
23、将遥感图像数据分别进行模糊处理、下采样和添加随机噪声，得到退化处理后的遥感图像数据，对退化处理后的遥感图像数据进行随机排列，得到低分辨率图像数据。
24、所述s4中，还包括对第一重建图像和第二重建图像进行预处理，包括：
25、将第一重建图像和第二重建图像分别进行灰度化处理后，进行高斯模糊处理。
26、本专利技术还提供一种遥感图像重建系统，包括：
27、低分辨率图像数据集构建模块：用于获取遥感图像数据，分别进行不同的退化处理后，随机排列，得到低分辨率图像数据，基于低分辨率图像数据，构建低分辨率图像数据集；
28、生成网络模型训练模块：用于将遥感图像数据和低分辨率图像数据导至生成网络模型后，得到高分辨率图像数据，将高分辨率图像数据与遥感图像数据进行对比，根据第一损失函数，计算第一损失值，基于第一损失值，进行训练，得到第一重建图像和训练后的生成网络模型；
29、生成对抗网络模型训练模块：用于将遥感图像数据导至判别网络模型，根据第二损失函数，计算第二损失值，基于第二损失值，进行训练，得到初步训练后的判别网络模型；
30、将低分辨率图像数据导至训练后的生成网络模型，得到初步重建图像数据，将初步重建图像数据和遥感图像数据导至初步训练后的判别网络模型，根据第三损失函数，计算第三损失值，基于第三损失值，对训练后的生成网络模型进行迭代训练，直到第三损失值达到阈值，结束迭代，得到第二重建图像和生成对抗网络模型；
31、遥感图像重建模块：基于第一重建图像和第二重建图像，根据每个像素，预设对比区域，分别计算预设对比区域内像素值的标准差，得到第一重建图像和第二重建图像预设对比区域的对比度，基于对比度，分别计算第一重建图像和第二重建图像的对比度均值，根据第一重建图像或第二重建图像的对比度均值在第一重建图像和第二重建图像的对比度均值加和中的占比，得到每个像素的融合权重，将第一重建图像和第二重建图像进行加权融合，得到重建遥感图像。
32、本专利技术还提供一种遥感图像重建装置，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现所述的遥感图像重建方法。
33、本专利技术还提供一种遥感图像重建介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现所述的遥感图像重建方法。
34、有益效果：本专利技术首先通过模拟实际遥感图像的退化情况来增强数据的真实性、复杂性，然后对遥感图像分别进行两次重建，并根据对比度进行自适应融合以整合不同分辨率的图像信息，从而本文档来自技高网...
【技术保护点】
1.一种遥感图像重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的遥感图像重建方法，其特征在于，
3.根据权利要求1所述的遥感图像重建方法，其特征在于，
4.根据权利要求1所述的遥感图像重建方法，其特征在于，
5.根据权利要求1所述的遥感图像重建方法，其特征在于，
6.根据权利要求1所述的遥感图像重建方法，其特征在于，
7.根据权利要求1所述的遥感图像重建方法，其特征在于，
8.一种遥感图像重建系统，其特征在于，包括：
9.一种遥感图像重建装置，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1-7中任一项所述的遥感图像重建方法。
10.一种遥感图像重建介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的遥感图像重建方法。
【技术特征摘要】
1.一种遥感图像重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的遥感图像重建方法，其特征在于，
3.根据权利要求1所述的遥感图像重建方法，其特征在于，
4.根据权利要求1所述的遥感图像重建方法，其特征在于，
5.根据权利要求1所述的遥感图像重建方法，其特征在于，
6.根据权利要求1所述的遥感图像重建方法，其特征在于，
7.根据权利要求1所...
【专利技术属性】
技术研发人员：宋永超，孙丽俊，王璇，刘兆伟，李湘南，毕季平，王莹洁，徐金东，阎维青，
申请(专利权)人：烟台大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。