结合深度学习的单幅遥感图像超分辨率重建

• 全文链接
• 请求原文

作   者：

李欣;  韦宏卫;  张洪群; 

作者机构：

中国科学院遥感与数字地球研究所; 

关键词：

遥感图像;  联合双边滤波;  卷积神经网络;  深度学习;  超分辨率; 

期刊名称：

中国图象图形学报

基金项目：

基于语义模型的高分辨率卫星遥感图像人造目标检测方法研究
基于语义模型的高分辨率卫星遥感图像人造目标检测方法研究

i s s n：

1006-8961

年卷期：

2018 年 23 卷 02 期

页   码：

209-218

摘   要：

目的克服传统遥感图像超分辨率重建方法依赖同一场景多时相图像序列且需预先配准等缺点,解决学习法中训练效率低和过拟合问题,同时削弱插值操作后的块效应,增强单幅遥感图像超分辨率重建效果。方法首先构造基于四层卷积的深度神经网络结构,并在结构中前三层卷积后添加参数修正线性单元层和局部响应归一化层进行优化,经过训练得到遥感图像超分辨率重建模型,其次,对多波段遥感图像的亮度空间进行双三次插值,然后使用该模型对插值结果进行重建,并在亮度空间重建结果指导下,使用联合双边滤波来提升其色度空间边缘细节。结果应用该方法对实验遥感图像进行2倍、3倍、4倍重建时在无参考指标上均优于对比方法,平均清晰度提升约2.5个单位,同时取得了较好的全参考评价结果,在2倍重建时峰值信噪比较传统插值法提升了约2 d B,且平均训练效率较其他学习法提升3倍以上,所得遥感图像重建结果在目视效果上更加细致、自然。结论实验结果表明,本文设计的网络抗过拟合能力强、训练效率高,重建时针对单幅遥感图像,无需依赖图像序列且不受波段影响,重建结果细节表现较好,具有较强的普适性。