【技术实现步骤摘要】
本专利技术涉及图像压缩与恢复，特别是一种星载边端图像重建方法。
技术介绍
1、卫星平台观测任务的日益复杂和探测器制造水平的不断提升，为在轨使用大视场、高帧频、高分辨的光学载荷对地进行观测成为可能。然而，光学卫星图像视场大、帧率高、数据量大，现行成熟的星地通信传输实际带宽仅为百兆量级，采集到的海量原始卫星图像无法实时下传。因此，必须要求在星上完成高可靠实时处理，获得所需感兴趣的目标信息，在传输之前对原始大尺寸光学图像进行压缩是图像实时回传的必要步骤，并且要求能够在地面接收之后实现高质量复原。
2、目前，现有对地观测卫星大多数是将观测图像数据先存储于星上，然后慢慢下传至地面后进行感兴趣目标的提取、识别等处理，这一模式相对成熟可靠，但它要求星上固存容量足够大、探测器不能长时间开机，地面在接受到星上下传的图像数据后处理往往会延时小时量级，无法适用于全天时监视和高时敏目标情报信息获取任务。也有少部分对地观测卫星具有星上图像处理能力，但受空间辐照环境、设备功耗体积等因素限制仅实现了星上图像压缩、盲元剔除等预处理以及单帧目标备选点检测处理，且算法软件不支持在轨快速上注重构，与实际需求存在一定差距。现有的图像压缩方法均是基于编码的，编码后的图像文件体积明显减小。解码后的图像尺寸与压缩前尺寸一致，在星上做预处理时，图像的尺寸并未减小。霍夫曼编码的无损压缩特性使得压缩比较低，变换编码的高压缩率特性易导致图像关键像素丢失，基于编码的方法无法减少像素数量。光学卫星图像数据量大，采集到的海量原始卫星图像难以全部实时下传，传统的压缩技术无法同时
技术实现思路
1、本专利技术所要解决的技术问题是，针对现有技术不足，提供一种星载边端图像重建方法，在适应星上抗辐照环境条件下，提高图像压缩能力，具备地面可良好恢复的能力，并保证恢复后的图像细节、目标可接受，可实现大尺寸光学图像的逆超分、图像超分辨率恢复。
2、为解决上述技术问题，本专利技术所采用的技术方案是：一种星载边端图像重建方法，包括以下步骤：
3、s1、获取星载边端低分辨率图像；
4、s2、将所述低分辨率图像输入退化编码网络，得到退化表示向量；
5、s3、将所述低分辨率图像和退化表示向量输入退化感知的超分辨网络，得到恢复后的图像；
6、其中，所述退化编码网络包括多个级联的卷积层，最后一个卷积层接全局池化层；
7、所述退化感知的超分辨网络包括多个级联的残差组，每个所述残差组包括多个级联的退化感知模块，所有的退化感知模块均通过一全连接层接所述全局池化层；第一个残差组的输入侧与一输入卷积层连接，所述输入卷积层的输出与最后一个残差组的输出拼接后输入上采样层。
8、现有的基于编码的方法无法减少像素数量，采取插值法进行图像像素点的抽取，在数据源端减少像素数量。经插值法获取的星载边端低分辨率图像虽然减少了图像像素，但无法确保插值过程种不会损失重要像素信息、后期能恢复重要像素信息。本专利技术基于退化表示学习的图像超分辨率网络能较好地恢复低分辨率图像，确保重要像素点信息正确地恢复。基于退化表示学习的图像超分辨率网络包含退化编码网络和退化感知超分辨率网络两部分，其中退化编码网络从输入的低分辨率图像中学习退化表示，将低分辨率图像处理成退化表示向量。退化感知超分辨率网络将低分辨率图像送入卷积、残差组、退化感知模块、上采样层进行超分辨率重建，得到最终的超分辨结果。此过程中利用一层全连接层对退化表示向量进行处理后送入退化感知模块以提供隐式的退化信息，从而完成图像重建。本专利技术的优势是可以从数据源头减少像素点，同时，经过学习后的网络无需再训练，一劳永逸地进行图像重构任务，且具有较强的鲁棒性。
9、本专利技术中，所述退化编码网络的损失函数表示为：
10、；
11、其中，为负样本的数量，为温度参数，表示向量的点乘，是利用多层感知机进一步将退化表示映射到某一特征空间下得到的退化表示向量，表示与具有相同退化特征的向量，表示与具有不同退化特征的向量。
12、本专利技术中，所述退化感知的超分辨网络中，相邻两个残差组之间通过一卷积层连接，最后一个残差组的输出与一输出卷积层连接。
13、本专利技术中，所述退化感知模块包括多个级联的卷积层。
14、本专利技术中，所述残差组数量为5个。
15、本专利技术中，每个所述残差组包括5个退化感知模块。
16、本专利技术中，所述退化编码网络和退化感知的超分辨网络的训练过程包括：获取真值图像-压缩图像数据对，将所述压缩图像作为退化编码网络和退化感知的超分辨网络的输入，将所述真值图像作为退化编码网络和退化感知的超分辨网络的输出，训练所述退化编码网络和退化感知的超分辨网络，得到训练后的退化编码网络和退化感知的超分辨网络。
17、作为一个专利技术构思，本专利技术还提供了一种星载边端图像重建系统，包括：
18、发送端，用于将低分辨率图像输入退化编码网络，得到退化表示向量；
19、接收端，用于将所述低分辨率图像和退化表示向量输入退化感知的超分辨网络，得到恢复后的图像。
20、与现有技术相比，本专利技术所具有的有益效果为：本专利技术利用大量数据对深度信息模型进行训练，利用海量数据中的分布规律，学习低分辨率图像到高分辨率图像的非线性映射，实现信息增量，完成对图像的恢复，该方法利用大量样本中分布规律作为信息增量，所形成的人工神经网络有利于对图像中关键信息的保留与恢复。本专利技术中，在发送端，原始图像经压缩算法处理后可减少文件尺寸，方便加快信道传输速度，减少通信延时。接收端收到压缩图像后，执行图像恢复任务，将压缩图像损失的信息尽可能还原。
本文档来自技高网...【技术保护点】
1.一种星载边端图像重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的星载边端图像重建方法，其特征在于，所述退化编码网络的损失函数表示为：
3.根据权利要求1所述的星载边端图像重建方法，其特征在于，所述退化感知的超分辨网络中，相邻两个残差组之间通过一卷积层连接，最后一个残差组的输出与一输出卷积层连接。
4.根据权利要求1所述的星载边端图像重建方法，其特征在于，所述退化感知模块包括多个级联的卷积层。
5.根据权利要求1所述的星载边端图像重建方法，其特征在于，所述残差组数量为5个。
6.根据权利要求1所述的星载边端图像重建方法，其特征在于，每个所述残差组包括5个退化感知模块。
7.根据权利要求1～6之一所述的星载边端图像重建方法，其特征在于，所述退化编码网络和退化感知的超分辨网络的训练过程包括：
【技术特征摘要】
1.一种星载边端图像重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的星载边端图像重建方法，其特征在于，所述退化编码网络的损失函数表示为：
3.根据权利要求1所述的星载边端图像重建方法，其特征在于，所述退化感知的超分辨网络中，相邻两个残差组之间通过一卷积层连接，最后一个残差组的输出与一输出卷积层连接。
4.根据权利要求1所述的星载边端图像重建...
【专利技术属性】
技术研发人员：陈军，李振，安成锦，李卫星，曲蓬勃，
申请(专利权)人：中国人民解放军国防科技大学，
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。