[發明專利]遙感圖像的重建方法、裝置、處理器及電子設備

在審

• 申請號: 202210563915.8
• 申請日: 2022-05-23
• 公開（公告）號: CN114881860A
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 馮如
• 申請（專利權）人: 中國工商銀行股份有限公司
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06N3/04;G06T5/10;G06V10/80;G06V10/82
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 周春枚

1.一種遙感圖像的重建方法，其特征在于，包括：

獲取待重建遙感圖像的低分辨率圖像；

將所述低分辨率圖像輸入預設重建網絡模型，得到所述待重建遙感圖像的高分辨率圖像，其中，所述預設重建網絡模型包括：級聯殘差聚合模塊和邊界感知損失模塊，所述級聯殘差聚合模塊使用多組樣本圖像通過深度學習訓練出的貝葉斯卷積核的權重參數，并通過所述貝葉斯卷積核預測所述低分辨率圖像的缺失像素，其中，所述邊界感知損失模塊用于確定所述高分辨率圖像的邊界信息，其中，所述邊界信息用于修改所述貝葉斯卷積核的權重參數。

2.根據權利要求1所述的方法，其特征在于，獲取待重建遙感圖像的低分辨率圖像包括：

將所述待重建遙感圖像劃分為多個圖像塊；

對多個所述圖像塊進行雙三次插值，確定得到所述低分辨率圖像。

3.根據權利要求1所述的方法，其特征在于，使用多組樣本圖像通過深度學習訓練出的貝葉斯卷積核的權重參數包括：

對所述樣本圖像進行變分推斷，確定所述貝葉斯卷積核的后驗分布，其中，所述后驗分布為使用高斯分布的形式表示的權重；

利用高斯分布的所述權重的均值，和高斯分布的所述權重的標準差，確定所述權重參數。

4.根據權利要求1所述的方法，其特征在于，所述級聯殘差聚合模塊還包括：第一殘差模塊、第二殘差模塊、第三殘差模塊，通過所述貝葉斯卷積核預測所述低分辨率圖像的缺失像素包括：

通過所述第一殘差模塊根據所述低分辨率圖像生成第一圖像特征；

通過所述第二殘差模塊根據所述第一圖像特征生成第二圖像特征；

通過所述第三殘差模塊根據所述第二圖像特征生成第三圖像特征；

拼接所述第一圖像特征、所述第二圖像特征和所述第三圖像特征，生成拼接圖像特征；

通過所述貝葉斯卷積核對所述拼接圖像特征進行融合，補充缺失像素。

5.根據權利要求1所述的方法，其特征在于，所述預設重建網絡模型通過邊界感知損失模塊確定所述高分辨率圖像的邊界信息包括：

對所述高分辨率圖像進行哈爾小波變換，得到第一變換結果；

對所述低分辨率圖像進行哈爾小波變換，得到第二變換結果；

對比所述第一變換結果和所述第二變換結果，得到邊界信息。

6.根據權利要求1所述的方法，其特征在于，在將所述低分辨率圖像輸入預設重建網絡模型，得到所述待重建遙感圖像的高分辨率圖像之后，所述方法還包括：

獲取所述高分辨率圖像在預定位置的第一像素值；

獲取所述低分辨率圖像在預定位置的第二像素值；

確定所述第一像素值和所述第二像素值的像素差值；

根據所述像素差值與所述高分辨率圖像的最大像素值，評估所述高分辨率圖像。

7.根據權利要求1所述的方法，其特征在于，在將所述低分辨率圖像輸入預設重建網絡模型，得到所述待重建遙感圖像的高分辨率圖像之后，所述方法還包括：

確定所述低分辨率圖像和所述高分辨率圖像的結構損失、亮度損失和對比度損失；

根據所述結構損失、所述亮度損失和所述對比度損失，評估所述高分辨率圖像。

8.一種遙感圖像的重建裝置，其特征在于，包括：

獲取單元，用于獲取待重建遙感圖像的低分辨率圖像；

重建單元，用于將所述低分辨率圖像輸入預設重建網絡模型，得到所述待重建遙感圖像的高分辨率圖像，其中，所述預設重建網絡模型包括：級聯殘差聚合模塊和邊界感知損失模塊，所述級聯殘差聚合模塊使用多組樣本圖像通過深度學習訓練出的貝葉斯卷積核的權重參數，并通過所述貝葉斯卷積核預測所述低分辨率圖像的缺失像素，其中，所述邊界感知損失模塊用于確定所述高分辨率圖像的邊界信息，其中，所述邊界信息用于修改所述貝葉斯卷積核的權重參數。

9.一種處理器，其特征在于，所述處理器用于運行程序，其中，所述程序運行時執行權利要求1至7中任意一項所述的遙感圖像的重建方法。

10.一種電子設備，其特征在于，包括一個或多個處理器和存儲器，所述存儲器用于存儲一個或多個程序，其中，當所述一個或多個程序被所述一個或多個處理器執行時，使得所述一個或多個處理器實現權利要求1至7中任意一項所述的遙感圖像的重建方法。