[發明專利]小波變換域下結合深度學習的光學遙感圖像質量提升方法

有效

• 申請號: 202110285261.2
• 申請日: 2021-03-17
• 公開（公告）號: CN113012069B
• 公開（公告）日: 2023-09-05
• 發明（設計）人: 馮旭斌;謝梅林;蘇秀琴;李治國;韓俊鋒
• 申請（專利權）人: 中國科學院西安光學精密機械研究所
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T3/40;G06N3/0475;G06N3/0464;G06N3/094
• 代理公司: 西安智邦專利商標代理有限公司 61211
• 代理人: 趙逸宸

本發明公開了小波變換域下結合深度學習的光學遙感圖像質量提升方法，可用于高質量光學遙感圖像的獲取，解決了現有技術中，在對遙感圖像處理時，無法同時采用去噪或超分辨率重建技術來獲取高質量光學遙感圖像的問題。本發明方法包括：1、訓練階段，將光學遙感圖像進行小波變換、同時去噪與超分辨率重建，再進行小波逆變換，得到光學遙感重建圖像，采用相對損失函數進行判別處理，得到理想網絡參數；2、使用階段，使用理想網絡參數對系統進行初始化，將光學遙感圖像進行小波變換、去噪與超分辨率重建，再進行小波逆變換，最終得到光學遙感重建圖像，實現了對光學遙感圖像質量的進一步提升。

技術領域

本發明屬于光學遙感圖像處理領域，具體涉及一種小波變換域下結合深度學習的光學遙感圖像質量提升方法，可用于光學遙感圖像的高質量獲取。

背景技術

高質量光學遙感圖像在目標檢測、目標識別和圖像分類方面非常有用。由于受成像設備的精度和大氣環境的影響，高質量光學遙感圖像很難獲得。在現有技術中，大多采用去噪或超分辨率重建二者其一的技術來獲取高質量光學遙感圖像，如圖1所示的ESRGAN圖像處理方法(參見Wang?X,Yu?K,Wu?S,et?al.ESRGAN:Enhanced?Super-ResolutionGenerative?Adversarial?Networks[C]European?Conference?on?ComputerVision.Springer,Cham,?2018.)，基于深度學習，可實現對圖像的超分辨率重建，但無法實現對圖像進行去噪處理；如圖2所示的DnCNN圖像處理方法(參見Zhang?K,Zuo?W,Chen?Y,etal.Beyond?a?Gaussian?Denoiser:Residual?Learning?of?Deep?CNN?for?ImageDenoising[J].IEEE?Transactions?on?Image?Processing,2016,?26(7):3142-3155.)，是一個層數較深的基于深度學習的圖像去噪方法，基于殘差網絡，結合了批歸一化，實現對圖像的去噪處理，但卻無法實現對圖像的超分辨率重建；由于遙感圖像結構復雜、噪聲大，僅采用去噪或超分辨率重建方法獲得的光學遙感圖像質量并不能滿足實際中的需要，進而無法獲得更高質量的光學遙感圖像。

發明內容

本發明為解決現有技術中，對光學遙感圖像進行處理時，通常采用的方法不能同時對光學遙感圖像進行去噪和超分辨率重建的問題，提出了一種小波變換域下結合深度學習的光學遙感圖像質量提升方法，此方法可用于任意需要提升質量的圖像類型，具有可同時對光學遙感圖像進行去噪和超分辨率重建，實現了對高質量光學遙感圖像的獲取。

本發明的技術解決方案是：小波變換域下結合深度學習的光學遙感圖像質量提升方法，包括以下步驟：

步驟1、訓練階段：

1.1)將訓練集中的光學遙感圖像進行小波變換處理，得到不同頻率子帶信號；

1.2)將頻率子帶信號通過密集塊網絡同時進行去噪與超分辨率重建處理，得到頻率子帶重建信號；

1.3)將頻率子帶重建信號進行小波逆變換后得到光學遙感重建圖像；

1.4)將光學遙感重建圖像與對應的高質量真值圖像進行判別處理，經生成器模塊的相對損失與全變分損失函數運算，及判別器模塊的相對損失函數運算，得到本次循環的損失情況，本次循環結束；

1.5)重復步驟1.1)-1.4)，直至訓練集中所有光學遙感圖像循環一次后，本次迭代結束，根據本次迭代的綜合損失情況，更新網絡參數；

1.6)重復步驟1.1)-1.5)，直至迭代次數到達設定值，訓練結束，得到理想網絡參數；

步驟2、使用階段：

2.1)使用訓練階段得到的理想網絡參數對系統進行初始化；

2.2)將待提升質量的光學遙感圖像進行小波變換處理，得到不同頻率子帶信號；