一种基于扩散模型的微光遥感全色锐化方法及系统

摘要: 本发明涉及遥感图像处理领域,具体为一种基于扩散模型的微光遥感全色锐化方法及系统。背景技术:1、遥感全色锐化技术主要用于将低分辨率多光谱图像与高分辨率全色图像进行...
一种基于扩散模型的微光遥感全色锐化方法及系统

本发明涉及遥感图像处理领域,具体为一种基于扩散模型的微光遥感全色锐化方法及系统。

背景技术:

1、遥感全色锐化技术主要用于将低分辨率多光谱图像与高分辨率全色图像进行融合。在微光遥感场景下,受环境照度限制,获取的影像信噪比通常较低。现有的全色锐化方法在处理微光数据时,通常直接提取并融合多光谱与全色图像特征,忽略了不同模态图像在低信噪比下存在的局部响应差异。这种常规处理方式会将模态间的结构异化和局部噪声直接保留,导致异常区域的特征直接干扰后续的去噪与融合计算,降低了基础特征的结构准确度。

2、在向多光谱图像补充空间细节时,常规的融合技术多采用耦合的特征提取与注入结构。该方式未能将全色图像的高频结构细节与低频背景分量有效剥离,导致全色数据中的低频成分直接混入多光谱特征中。这种未在物理层面解耦的注入机制,往往会在提升图像空间分辨率的同时,引发多光谱数据的光谱失真问题。

3、此外,针对微光条件下的复杂噪声环境,现有的图像生成与重构模型多依赖单一的空间域像素级误差计算,缺乏多维度的网络约束机制。在应对复杂噪声的迭代去噪或生成过程中,由于未能从频域的光谱保真度和空域的边缘梯度上对重构误差进行协同限制,导致模型最终输出的融合图像在空间细节和光谱分布上均存在较大偏差,难以保证锐化结果的准确性。

技术实现思路

1、针对现有技术的不足,本发明提供了一种基于扩散模型的微光遥感全色锐化方法及系统,解决了微光遥感影像在全色锐化过程中,由于环境照度低且噪声干扰大,导致多光谱与全色图像之间存在明显跨模态特征差异与结构异化,从而造成融合图像出现空间细节模糊以及光谱失真的问题。

2、为实现以上目的,本发明通过以下技术方案予以实现:

3、本发明第一方面提供一种基于扩散模型的微光遥感全色锐化方法,包含以下步骤:

4、对接收的原始微光遥感影像进行预处理,获取降采样全色图像、全色图像输入张量、上采样多光谱图像以及目标原始多光谱图像;

5、基于全色图像输入张量与上采样多光谱图像,获取跨模态响应强度,结合跨模态响应强度执行异常特征抑制,生成全色精炼特征以及空间级有效性掩码;将全色精炼特征与上采样多光谱图像进行特征结合,输出精炼多光谱特征;

6、获取目标原始多光谱图像对应的加噪图像,基于全色精炼特征、精炼多光谱特征与加噪图像,通过条件扩散模型预测得到目标原始多光谱预估值;

7、针对目标原始多光谱预估值、上采样多光谱图像以及降采样全色图像,结合空间级有效性掩码,构建网络约束,基于网络约束计算损失梯度并反向传播,更新全体网络可训练参数,直至网络模型训练完成并固定模型参数;

8、在网络模型训练完成并固定模型参数后,基于实际采集的原始微光遥感影像提取对应的全色精炼特征与精炼多光谱特征作为条件,通过条件扩散模型执行逆向去噪,生成最终的微光遥感全色锐化图像。

9、本发明通过获取跨模态响应强度并执行异常特征抑制,减少多模态图像间的结构差异与噪声干扰,并结合扩散模型的逆向去噪与网络约束,在去噪的同时重构图像的空间细节与光谱信息。

10、本发明第二方面提供一种基于扩散模型的微光遥感全色锐化系统,包含:

11、数据预处理模块,对接收的原始微光遥感影像进行预处理,获取降采样全色图像、全色图像输入张量、上采样多光谱图像以及目标原始多光谱图像;

12、异常抑制模块,基于全色图像输入张量与上采样多光谱图像,获取跨模态响应强度,结合跨模态响应强度执行异常特征抑制,生成全色精炼特征以及空间级有效性掩码;

13、高频注入模块,将全色精炼特征与上采样多光谱图像进行特征结合,输出精炼多光谱特征;

14、扩散去噪模块,获取目标原始多光谱图像对应的加噪图像,基于全色精炼特征、精炼多光谱特征与加噪图像,通过条件扩散模型预测得到目标原始多光谱预估值;

15、损失约束模块,针对目标原始多光谱预估值、上采样多光谱图像以及降采样全色图像,结合空间级有效性掩码,构建网络约束,基于网络约束计算损失梯度并反向传播,更新全体网络可训练参数,直至网络模型训练完成并固定模型参数;

16、反向扩散采样模块,在网络模型训练完成并固定模型参数后,基于实际采集的原始微光遥感影像提取对应的全色精炼特征与精炼多光谱特征作为条件,通过条件扩散模型执行逆向去噪,生成最终的微光遥感全色锐化图像。

17、本发明提供了一种基于扩散模型的微光遥感全色锐化方法及系统。具备以下有益效果:

18、1、本发明通过计算全色与多光谱初级特征的跨模态响应强度并执行异常特征抑制,生成自适应门控向量和空间级有效性掩码。该方式能够量化不同模态特征间的局部一致性,在特征处理阶段自适应削弱微光环境下因信噪比低导致的结构异化与局部噪声响应,防止异常区域的特征干扰后续去噪过程,提高了输入特征的结构准确度。

19、2、本发明通过拉普拉斯卷积核提取全色精炼特征的高频信息,并结合空间调制器将高频注入信号以残差形式叠加至上采样多光谱图像。此结构实现了高频结构细节提取与特征注入路径的物理层面解耦,避免了全色图像中的低频背景分量直接混入多光谱数据,在补充图像空间分辨率所需细节的同时减少了光谱信息的失真。

20、3、本发明通过将精炼多光谱特征与全色精炼特征作为先验条件输入扩散模型,并结合频域低频一致性、空间域梯度选择等计算多维度网络约束。这种约束机制在逆向去噪的迭代生成阶段,分别从频域光谱保真和空域边缘细节上限制了重构误差,从而在应对微光环境复杂噪声时,保证了模型最终输出图像在空间细节与光谱分布上的准确性。

1.一种基于扩散模型的微光遥感全色锐化方法,其特征在于,包括:

2.根据权利要求1所述的基于扩散模型的微光遥感全色锐化方法,其特征在于,获取降采样全色图像、全色图像输入张量、上采样多光谱图像以及目标原始多光谱图像,包括:

3.根据权利要求1所述的基于扩散模型的微光遥感全色锐化方法,其特征在于,获取跨模态响应强度包括:

4.根据权利要求3所述的基于扩散模型的微光遥感全色锐化方法,其特征在于,生成全色精炼特征以及空间级有效性掩码,包括:

5.根据权利要求1所述的基于扩散模型的微光遥感全色锐化方法,其特征在于,输出精炼多光谱特征包括:

6.根据权利要求1所述的基于扩散模型的微光遥感全色锐化方法,其特征在于,通过条件扩散模型预测得到目标原始多光谱预估值包括:

7.根据权利要求1所述的基于扩散模型的微光遥感全色锐化方法,其特征在于,构建网络约束为计算多维度网络约束的加权总损失,加权总损失包含:去噪拟合损失、频域低频一致性损失、空间域梯度选择性约束损失、辅助光谱均值一致性损失与掩码激活正则损失;其中,计算频域低频一致性损失,包括:

8.根据权利要求7所述的基于扩散模型的微光遥感全色锐化方法,其特征在于,计算去噪拟合损失、空间域梯度选择性约束损失、辅助光谱均值一致性损失与掩码激活正则损失,包括:

9.根据权利要求1所述的基于扩散模型的微光遥感全色锐化方法,其特征在于,生成最终的微光遥感全色锐化图像包括:

10.一种基于扩散模型的微光遥感全色锐化系统,其特征在于,包括: