论文部分内容阅读
随着硬件的发展,人们对遥感数据分辨率的要求越来越高。然而,现实中,在遥感数据的应用领域内,常常囿于图像采集工具的成本,包括遥感卫星的重量、体积、功耗等条件限制或者成像模态本身的技术瓶颈,大幅超清图像并不是每次操作都能得到的。遥感图像超分辨率重建对低分辨率图像进行分辨率重建,一定程度上提高原始图像的分辨率,生成较为清晰的重建图像。传统的超分辨率重建方法存在着图像丢失高频信息,边缘较为模糊,计算量大等问题,本文针对深度学习能够自动提取多层特征,大批量处理多维数据的特点,将标准卷积和非对称卷积应用于遥感图像超分辨率重建,同时顾及到了遥感图像的纹理特征与光谱特征,构建了相应的超分辨率重建网络。(1)考虑遥感图像的纹理特征,通过一个端到端的深度学习模型对遥感真彩色图像进行超分辨率重建。输入低分辨率的图像和对应的参考图像,利用改进的特征提取网络提取图像块的特征,用ResNeXt50代替VGG19,并比较低分辨率特征图像和参考特征图像的纹理相似性,自适应地从参考图像中转移纹理,构建纹理细节丰富的重建图像。实验结果证明,本文改进的特征提取网络与其他超分辨率重建的方法相比,有更好的视觉效果和更高的图像质量评价指标。(2)考虑遥感图像的光谱特征,利用波段间的相似性,输入多分辨率图像,输出高分辨率图像。通过使用两个卷积神经网络共同学习从所有输入波段到10米超分辨输出波段的映射,并结合ACNet中的非对称卷积,将原始的3×3卷积核替换为大小分别为3×3、1×3和3×1,然后在三层中的每一层之后都进行批量归一化处理,成为分支,并将三个分支的输出综合作为ACB的输出,强化骨架参数,以提高重建效果,提高所有波段的分辨率,更好地保留光谱特征。实验结果证明,本文引入非对称卷积的方法与原始的方法相比有更好的视觉效果和更高的图像质量评价指标。本论文有图幅38幅,表8个,参考文献102篇。