场景级SAR图像超分辨率方法、装置和计算机设备

本发明属于及合成孔径雷达图像处理，涉及一种场景级sar图像超分辨率方法、装置和计算机设备。

背景技术：

1、合成孔径雷达以其独特的全天候、全天成像能力，已成为现代遥感系统[1]中不可或缺的技术，在灾害评估、资源勘探、环境监测等方面发挥着不可替代的作用。在决定这些应用性能的关键因素中，图像质量起着至关重要的作用，因为更高的图像质量能带来更强的可解释性以及更优异的下游任务表现。然而，在sar图像的获取过程中，通常受到以下三类退化及其耦合效应的影响：有限空间分辨率、相干散斑噪声和散焦。这些退化主要源于成像系统固有的硬件限制、相干成像机制和非理想平台/目标运动。此外，由于场景级sar图像具有广泛的覆盖范围以及丰富多样的地物类别，因此呈现出明显的空间变化退化特征(如图1所示)。其中退化模式和严重程度在同一图像的不同空间区域之间存在显著差异，这严重挑战了现有方法普遍采用的均匀退化假设。这些复杂的退化严重损害了场景级sar图像的视觉质量，以及它们在下游任务中的性能，包括但不限于目标检测、目标识别和语义分割。

2、作为提升 sar 图像质量的关键技术之一，超分辨率(sr，super-resolution)方法旨在从低分辨率(lr)观测图像中恢复高分辨率(hr)图像。然而，现有的sr方法主要是建立在理想化的均匀退化假设上，并基于这个假设构建用于训练的lr-hr图像对。这种模式与真实场景级sar图像采集过程中遇到的空间变化耦合退化存在本质差异。

3、更关键的是，现有方法在处理场景级sar图像时面临两个基本限制：(1)对空间变化退化的建模不足:现有方法通常假设空间均匀退化，并使用单一退化核进行建模。然而，由于场景级sar观测范围广，地物类型丰富同一图像中不同空间区域的退化模式、退化程度会存在显著差异。统一的退化核不能准确刻画这种空间异质性，导致重建性能不理想。(2)逐像素退化先验估计的效率不足：为了解决空间变化的退化问题，现有方法主要估计每个像素的退化先验。虽然这种方法可以估计每个像素的独立退化核，但在处理大规模场景级sar图像时，它需要维持高维的像素级退化张量，从而导致大量的内存开销。上述问题严重限制了现有方法在场景级sar图像超分辨率任务中的有效性，进一步制约了其在下游任务中的实际应用能力。

技术实现思路

1、针对上述传统方法中存在的问题，本发明提出了一种场景级sar图像超分辨率方法、装置和计算机设备，能够自适应地处理各种耦合退化条件下的退化sar图像，包括空间变化的退化，而无需针对不同的退化情景进行模型再训练。

2、为了实现上述目的，本发明实施例采用以下技术方案：

3、一方面，提供一种场景级sar图像超分辨率方法，包括步骤：

4、步骤1：获取低分辨率的场景级sar图像。

5、步骤2：将场景级sar图像输入到训练后的空间变化退化感知的扩散模型中，得到超分辨率的sar图像；扩散模型包括稀疏退化估计模块、条件扩散u-net网络和vq-vae解码器；稀疏退化估计模块包括关键点预测网络、退化核估计网络、插值权值估计网络。

6、步骤2具体包括：

7、将场景级sar图像输入到关键点预测网络，生成关键点掩码；将场景级sar图像与关键点掩码输入到退化核估计网络中，得到关键点退化描述符；将场景级sar图像与关键点掩码输入到插值权值估计网络中，得到局部插值权重；根据关键点掩码和局部插值权重，对关键点退化描述符进行插值重建，得到稀疏退化先验。

8、将稀疏退化先验、场景级sar图像对应的潜特征、初始潜噪声输入到集成查询机制的条件扩散u-net网络中，以稀疏退化先验为指导进行反向扩散迭代，得到最终潜特征；通过vq-vae解码器对最终潜特征进行解码，得到超分辨率的sar图像；查询机制用于将u-net中每个位置的特征视为查询，从稀疏退化先验中检索对应退化信息，并生成自适应调制参数。

9、另一方面，还提供一种场景级sar图像超分辨率装置，包括：

10、场景级sar图像获取模块，用于获取低分辨率的场景级sar图像。

11、超分辨率的sar图像生成模块，用于将场景级sar图像输入到训练后的空间变化退化感知的扩散模型中，得到超分辨率的sar图像；扩散模型包括稀疏退化估计模块、条件扩散u-net网络和vq-vae解码器；稀疏退化估计模块包括关键点预测网络、退化核估计网络、插值权值估计网络，具体包括：将场景级sar图像输入到关键点预测网络，生成关键点掩码；将场景级sar图像与关键点掩码输入到退化核估计网络中，得到关键点退化描述符；将场景级sar图像与关键点掩码输入到插值权值估计网络中，得到局部插值权重；根据关键点掩码和局部插值权重，对关键点退化描述符进行插值重建，得到稀疏退化先验，将稀疏退化先验、场景级sar图像对应的潜特征、初始潜噪声输入到集成查询机制的条件扩散u-net网络中，以稀疏退化先验为指导进行反向扩散迭代，得到最终潜特征；通过vq-vae解码器对最终潜特征进行解码，得到超分辨率的sar图像；查询机制用于将u-net中每个位置的特征视为查询，从稀疏退化先验中检索对应退化信息，并生成自适应调制参数。

12、又一方面，还提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述任一场景级sar图像超分辨率方法的步骤。

13、上述技术方案中的一个技术方案具有如下优点和有益效果：

14、上述场景级sar图像超分辨率方法、装置和计算机设备，所述方法设计了空间变化退化感知的扩散模型，该模型包括稀疏退化估计模块、条件扩散u-net网络和vq-vae解码器；稀疏退化估计模块包括关键点预测网络、退化核估计网络、插值权值估计网络。其中稀疏退化估计框架通过关键点选择、退化核估计和自适应局部插值来估计关键点的退化核，并通过查询机制向条件扩散u-net网络中注入稀疏退化先验，实现逐像素自适应线性特征调制。本方法有效地缓解了与像素级先验估计相关的参数量过大和内存消耗高的问题，能够自适应地处理各种耦合退化条件下的退化sar图像，包括空间变化的退化，而无需针对不同的退化情景进行模型再训练。

1.一种场景级sar图像超分辨率方法，其特征在于，包括步骤：

2.根据权利要求1所述的场景级sar图像超分辨率方法，其特征在于，所述关键点预测网络采用由特征提取主干网络和评分网络组成的轻量级编码器-解码器架构；

3.根据权利要求1所述的场景级sar图像超分辨率方法，其特征在于，所述退化核估计网络采用基于u-net的编码器-解码器架构。

4.根据权利要求1所述的场景级sar图像超分辨率方法，其特征在于，所述插值权值估计网络采用基于u-net的编码器-解码器架构。

5.根据权利要求1所述的场景级sar图像超分辨率方法，其特征在于，sar图像的三种耦合退化包括：分辨率退化、相干散斑噪声和离焦退化；

6.根据权利要求1所述的场景级sar图像超分辨率方法，其特征在于，在所述查询机制中：

7.根据权利要求1所述的场景级sar图像超分辨率方法，其特征在于，将所述稀疏退化先验利用奇异值分解先排序 然后再对应窗口检索靠前的排名，得到候选退化先验，包括：

8.根据权利要求1所述的场景级sar图像超分辨率方法，其特征在于，根据所述关键点掩码和所述局部插值权重，对关键点退化描述符进行插值重建，得到稀疏退化先验，包括：

9.一种场景级sar图像超分辨率装置，其特征在于，包括：

10.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至8任一项所述的场景级sar图像超分辨率方法的步骤。