[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

本申請公開了一種遙感圖像的重建方法、裝置、處理器及電子設備。涉及人工智能領域，該方法包括：獲取待重建遙感圖像的低分辨率圖像；將低分辨率圖像輸入預設重建網絡模型，得到待重建遙感圖像的高分辨率圖像，其中，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，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，并通過貝葉斯卷積核預測低分辨率圖像的缺失像素，其中，邊界感知損失模塊用于確定高分辨率圖像的邊界信息，其中，邊界信息用于修改貝葉斯卷積核的權重參數。通過本申請，解決了相關技術中遙感圖像的重建結果差的問題。

技術領域

本申請涉及領域，具體而言，涉及一種遙感圖像的重建方法、裝置、處理器及電子設備。

背景技術

本發明涉及衛星遙感與深度學習領域，針對低分辨率遙感圖像的提升問題，提出一種貝葉斯深度學習與邊界感知損失模塊的遙感圖像超分辨率重建方法。

現如今在遙感領域，一張0.75m的遙感圖像要花2000-10000不等的價錢來獲取圖像，而10m的遙感圖像可以免費獲取，如果有一種準確率較高的超分辨重建算法可以將10m的免費圖像重建其清晰度，可以節省成本來獲取高清晰的遙感圖像。而現在的超分辨率重建算法主要存在如下問題：

1.很多超分辨率算法重建結果缺失細節信息，容易模糊。

2.深度學習模型具有潛在的應用前景，但其往往存在過擬合的問題，因此在面對分布之外的數據時難以進行可靠的預測。

針對相關技術中遙感圖像的重建結果差的問題，目前尚未提出有效的解決方案。

發明內容

本申請的主要目的在于提供一種遙感圖像的重建方法、裝置、處理器及電子設備，以解決相關技術中遙感圖像的重建結果差的問題。

為了實現上述目的，根據本申請的一個方面，提供了一種遙感圖像的重建方法。該方法包括：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。

可選地，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。

可選地，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。

可選地，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。

可選地，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。