[發明專利]一種GF-1 WFV衛星影像超分辨率方法、系統及應用

有效

• 申請號: 202210195032.6
• 申請日: 2022-03-02
• 公開（公告）號: CN114254715B
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 劉榮杰;肖艷芳
• 申請（專利權）人: 自然資源部第一海洋研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/08;G06V20/10;G06V10/82
• 代理公司: 北京云嘉湃富知識產權代理有限公司 11678
• 代理人: 阮文

1.一種GF-1WFV衛星影像超分辨率方法，其特征在于，所述GF-1WFV衛星影像超分辨率方法包括：

基于時空同步的GF-1PMS和WFV影像，進行GF-1WFV影像超分辨率分析，構建基于深層殘差卷積神經網絡的GF-1WFV影像超分辨率模型；

所述基于深層殘差卷積神經網絡的GF-1WFV影像超分辨率模型在殘差模塊中引入坐標注意力機制，用于捕獲影像中長距離依賴關系，挖掘影像空間特征；將峰值信噪比PSNR用于網絡的損失計算，以實現超分過程中的影像光譜特征保持；在損失函數中引入SSIM，以實現地物細節信息的保持；在網絡深層特征提取后添加自適應多尺度空間注意力模塊AMSA，以融合不同尺度特征；

其中，所述長距離依賴關系包括地物空間結構和邊緣；

所述GF-1WFV衛星影像超分辨率方法包括以下步驟：

步驟一，構建面向GF-1WFV影像的超分辨率深層卷積網絡GFRCAN；面向GF-1WFV影像的超分辨率深層卷積網絡GFRCAN由淺層特征提取層、深度特征提取層、上采樣層以及多尺度特征重構層組成；其中，所述淺層特征提取層由一個3×3的卷積組成；所述深度特征提取層由若干殘差組以及長跳躍連接組成；每個殘差組包含若干個殘差坐標注意力模塊RCOAB以及一個短跳躍連接組成；經過深度特征提取后，特征圖由一個上采樣模塊生成初步的超分辨率特征圖；經過自適應多尺度空間注意力注意模塊AMSA以及一個3×3的卷積生成最終的超分辨率重構圖；

步驟二，設計殘差坐標注意力模塊RCOAB；

步驟三，提出自適應多尺度空間注意力模塊AMSA；

步驟四，將結構相似性SSIM和峰值信噪比PSNR用于網絡的損失計算；

其中，所述步驟三中的提出自適應多尺度空間注意力模塊AMSA包括：所述自適應多尺度空間注意力模塊采用不同感受野的空洞卷積獲取不同尺度的特征圖，并通過網絡自學習動態調整不同感受野特征圖的權重，將重新加權的特征圖進行拼接；通過空間注意力模塊SAM發現有效信息豐富的區域，利用空間注意力得到的權重和空洞卷積提取的多尺度特征圖對輸入特征圖進行信息增強；

公式表達如下：

F_i＝λ_i·f_i(F_in)；i＝0,1,2,3；

F_C＝[F₀,F₁,F₂,F₃]；

F_out＝F_in+F_C⊙H_SAM(F_C)；

式中，F_in表示AMSA模塊的輸入，f_i表示不同擴張率的空洞卷積；λ_i表示自適應權重，初始設為0.25，在反向傳播過程中進行更新；F_i表示不同感受野的加權特征圖，F_C表示拼接后的特征圖，H_SAM表示空間注意力模塊，⊙表示特征圖逐像元相乘，F_out表示AMSA模塊的輸出；

所述步驟四中的將SSIM、PSNR用于網絡的損失計算包括：

對于具有N個低分-高分樣本的訓練集，損失函數表達如下：

其中，T、Ψ是常數，分別為60、100；λ、γ分別是SSIM和PSNR損失權重，設為1；i表示訓練集中的第i個訓練樣本；和分別表示第i個訓練樣本的SSIM和PSNR損失計算結果；SSIM_i和PSNR_i分別表示第i個訓練樣本的SSIM和PSNR計算結果。