【技术实现步骤摘要】
本专利技术涉及计算机视觉领域，尤其涉及一种基于扩散模型的遥感图像超分辨率重建方法及系统。
技术介绍
1、遥感图像包含丰富的地物目标，尺度大、范围广，拥有丰富的细节信息和感知信息，能够有效的进行场景感知与环境分析。因此遥感图像在很多领域都得到广泛的应用。目前基本采用基于深度学习的方法进行超分辨率重建，基于深度学习的方法包括有三类，第一种为psnr(峰值信噪比)导向的方法，但是该方法会导致图像过度平滑和高频信息丢失；第二种为gan(生成对抗网络)方法，虽然该方法突破性地解决了过度平滑的问题，容易陷入模式崩溃，导致生成的sr样本缺乏多样性；srflow(使用规范化流的超分辨率)模型，但该模型的逆过程通过噪声预测期迭代去噪，但是该预测期依赖于低分辨率信息。
2、现有基于深度学习的方法通常是采用互联网通用图像进行训练，在逆过程重建超分辨率图像的过程中，上述的方法无法获得多样化有准确的高分辨率图像，同时由于遥感图像的视距长、视野宽，现有基于深度学习的方法不适用于遥感图像，导致重建的超分辨率图像效果差。
技术实现思路
1、本专利技术提供了一种基于扩散模型的遥感图像超分辨率重建方法，以解决的重建的超分辨率图像效果差技术问题。
2、为了解决上述技术问题，本专利技术实施例提供了一种基于扩散模型的遥感图像超分辨率重建方法，所述方法包括：
3、采集高分辨率遥感图像并将其汇总形成遥感图像数据集；
4、获取预设的单图像超分辨率扩散模型；
5、对所述高
6、根据所述遥感图像配对数据集对所述单图像超分辨率扩散模型进行重训练；
7、基于完成重训练的所述单图像超分辨率扩散模型对所述遥感图像进行超分辨率重建。
8、进一步地，所述对所述高分辨率遥感图像进行模糊化处理，构建高分辨率与低分辨率图像对的遥感图像配对数据集的具体步骤包括：
9、所述高分辨率遥感图像采用降质去噪模型生成对应的低分辨率遥感图像，并配对得到所述高分辨率与低分辨率图像对；
10、将所述高分辨率与低分辨率图像对汇总得到所述遥感图像配对数据集。
11、进一步地，所述单图像超分辨率扩散模型包括有两个过程，分别为扩散过程和逆扩散过程；
12、所述扩散过程通过逐步添加高斯噪声将残差图像转换为高斯分布中的潜变量；
13、所述逆扩散过程通过使用低分辨率编码器d从低分辨率图像编码的隐藏状态条件化地使用所述条件噪声预测器对所述潜变量进行有限步t的迭代去噪，将其转换为残差图像，将生成的残差图像添加到上采样的低分辨率图像中，重建高分辨率图像。
14、进一步地，所述使用所述条件噪声预测器对所述潜变量进行有限步t的迭代去噪的具体步骤包括：
15、采集高分辨率互联网通用图像并将其汇总形成通用图像数据集；
16、所述条件噪声预测器通过通用图像数据集，学习在给定当前噪声图像和原始的低分辨率图像的条件下预测每个逆扩散步骤中应去除的噪声量。
17、本专利技术实施例还提供了一种基于扩散模型的遥感图像超分辨率重建系统，所述系统包括：
18、遥感图像数据获取模块，用于采集高分辨率遥感图像并将其汇总形成遥感图像数据集和获取预设的单图像超分辨率扩散模型；
19、数据集构建模块，用于对所述高分辨率遥感图像进行模糊化处理，构建高分辨率与低分辨率图像对的遥感图像配对数据集；
20、模型训练模块，用于根据所述遥感图像配对数据集对所述单图像超分辨率扩散模型进行重训练；
21、模型应用模块，用于基于完成重训练的所述单图像超分辨率扩散模型对所述遥感图像进行超分辨率重建。
22、进一步地，所述获取模块中用于所述对所述高分辨率遥感图像进行模糊化处理，构建高分辨率与低分辨率图像对的遥感图像配对数据集的具体步骤包括：
23、所述高分辨率遥感图像采用降质去噪模型生成对应的低分辨率遥感图像，并配对得到所述高分辨率与低分辨率图像对；
24、将所述高分辨率与低分辨率图像对汇总得到所述遥感图像配对数据集。
25、进一步地，所述单图像超分辨率扩散模型包括有两个过程，分别为扩散过程和逆扩散过程；
26、所述逆扩散过程由一个具有基于密集链接残差块的低分辨率编码器d的条件噪声预测器确定；
27、所述逆扩散过程通过使用所述低分辨率编码器d从低分辨率图像编码的隐藏状态条件化地使用所述条件噪声预测器对潜变量进行有限步t的迭代去噪，将其转换为残差图像，将生成的残差图像添加到上采样的低分辨率图像中，重建高分辨率图像。
28、进一步地，所述使用所述条件噪声预测器对所述潜变量进行有限步t的迭代去噪的具体步骤包括：
29、采集高分辨率互联网通用图像并将其汇总形成通用图像数据集；
30、所述条件噪声预测器通过通用图像数据集，学习在给定当前噪声图像和原始的低分辨率图像的条件下预测每个逆扩散步骤中应去除的噪声量。
31、本专利技术实施例还提供了一种计算机设备，包括：
32、一个或多个处理器；
33、存储装置，用于存储一个或多个程序；
34、当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述任一项所述的方法。
35、本专利技术实施例还提供了一种计算机可读存储介质，其存储有计算机程序，该程序被处理器执行时实现上述任一项所述的方法。
36、本专利技术实施例的有益效果：
37、本专利技术中在现有的单图像超分辨率扩散模型中输入遥感图像进行重训练，实现微调，不仅无需购买大量的遥感图像进行训练，降低了成本，还使用经过微调后的单图像超分辨率扩散模型应用于遥感图像，提高了单图像超分辨率扩散模型的超分辨率重建的图像质量的准确性，使得超分辨率重建效果更好。
本文档来自技高网...【技术保护点】
1.一种基于扩散模型的遥感图像超分辨率重建方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于扩散模型的遥感图像超分辨率重建方法，其特征在于，所述对所述高分辨率遥感图像进行模糊化处理，构建高分辨率与低分辨率图像对的遥感图像配对数据集的具体步骤包括：
3.如权利要求1所述的一种基于扩散模型的遥感图像超分辨率重建方法，其特征在于，所述单图像超分辨率扩散模型包括有两个过程，分别为扩散过程和逆扩散过程；
4.如权利要求3所述的一种基于扩散模型的遥感图像超分辨率重建方法，其特征在于，所述使用条件噪声预测器对所述潜变量进行有限步T的迭代去噪的具体步骤包括：
5.一种基于扩散模型的遥感图像超分辨率重建系统，其特征在于，所述系统包括：
6.如权利要求5所述的一种基于扩散模型的遥感图像超分辨率重建系统，其特征在于，所述获取模块中用于所述对所述高分辨率遥感图像进行模糊化处理，构建高分辨率与低分辨率图像对的遥感图像配对数据集的具体步骤包括：
7.如权利要求5所述的一种基于扩散模型的遥感图像超分辨率重建系统，其特征在于，
8.如权利要求7所述的一种基于扩散模型的遥感图像超分辨率重建系统，其特征在于，所述使用条件噪声预测器对所述潜变量进行有限步T的迭代去噪的具体步骤包括：
9.一种计算机设备，其特征在于，包括：
10.一种计算机可读存储介质，其存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
...【技术特征摘要】
1.一种基于扩散模型的遥感图像超分辨率重建方法，其特征在于，所述方法包括：
2.如权利要求1所述的一种基于扩散模型的遥感图像超分辨率重建方法，其特征在于，所述对所述高分辨率遥感图像进行模糊化处理，构建高分辨率与低分辨率图像对的遥感图像配对数据集的具体步骤包括：
3.如权利要求1所述的一种基于扩散模型的遥感图像超分辨率重建方法，其特征在于，所述单图像超分辨率扩散模型包括有两个过程，分别为扩散过程和逆扩散过程；
4.如权利要求3所述的一种基于扩散模型的遥感图像超分辨率重建方法，其特征在于，所述使用条件噪声预测器对所述潜变量进行有限步t的迭代去噪的具体步骤包括：
5.一种基于扩散模型的遥感图像超分辨率重建系统，其特征在于，所述系统包括：
6.如权...
【专利技术属性】
技术研发人员：陈嘉翊，方桃，刘明鑫，段文超，周欣桐，
申请(专利权)人：国网雄安金融科技集团有限公司，
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。