基于非成对的光学遥感图像质量提升方法与流程

技术特征：
1.基于非成对的光学遥感图像质量提升方法，其特征在于，包括训练阶段和使用阶段，所述训练阶段采用生成对抗网络学习方法进行训练；包括以下步骤：步骤1、训练阶段1.1)第一层循环：1.1.1)将带噪声低分辨率的光学遥感图像a经过第一生成器模块g1，进行去噪处理得到去噪光学遥感图像a’；随后将去噪光学遥感图像a’通过第二生成器模块g2，进行加噪处理得到含有噪声的低分辨率光学遥感图像a”；1.1.2)将无噪声低分辨率自然图像b经过第二生成器模块g2，进行加噪处理得到含有噪声的自然图像b’；随后将含有噪声的自然图像b’通过第一生成器模块g1，进行去噪处理得到去噪的低分辨率自然图像b”；1.1.3)将a、a’、a”、b、b’及b”分别经过第一生成器模块g1、第二生成器模块g2及第一判别器模块d1、第二判别器模块d2的损失函数运算，得到本次循环的参数变化情况；1.1.4)返回1.1.1)，直至训练集中所有图像都被处理过一次，完成一次迭代，更新g1、g2、d1、d2的参数；经过指定次数的迭代后，得到第一生成器模块g1、第二生成器模块g2、第一判别器模块d1及第二判别器模块d2网络参数；1.2)第二层循环：1.2.1)将带噪声低分辨率光学遥感图像a经过第一生成器模块g1、第三生成器模块g3，进行去噪与超分辨率重建处理得到去噪高分辨率光学遥感图像随后将去噪高分辨率光学遥感图像通过第四生成器模块g4、第二生成器模块g2，进行降采样和加噪处理得到带噪声低分辨率的光学遥感图像a”；1.2.2)将无噪声高分辨率的自然图像经过第四生成器模块g4、第二生成器模块g2，进行降采样和加噪处理得到带噪声低分辨率的自然图像b’；随后将带噪声低分辨率的自然图像b’通过第一生成器模块g1、第三生成器模块g3，进行去噪与超分辨率重建处理得到无噪声高分辨率的自然图像1.2.3)将a、a”、b’及分别经过第一生成器模块g1、第二生成器模块g2、第三生成器模块g3、第四生成器模块g4、第三判别器模块d3及第四判别器模块d4的损失函数运算，得到本次循环的参数变化情况；1.2.4)返回1.2.1)，直至训练集中所有图像都被处理过一次，完成一次迭代，更新g3、g4、d3、d4的网络参数；经过指定次数的迭代后，得到第三生成器模块g3、第四生成器模块g4、第三判别器模块d3及第四判别器模块d4网络参数；步骤2、使用阶段使用训练阶段得到的第一生成器模块g1网络参数和第三生成器模块g3网络参数进行参数初始化，输入待提升质量的光学遥感图像，经过第一生成器模块g1去噪和第三生成器模块g3图像超分辨率重建网络处理后，完成对光学遥感图像的质量提升。2.根据权利要求1所述的基于非成对的光学遥感图像质量提升方法，其特征在于：
所述无噪声高分辨率图像与带噪声低分辨率图像a为不同类型图像；所述无噪声高分辨率图像的图像质量高于带噪声低分辨率图像a。3.根据权利要求2所述的基于非成对的光学遥感图像质量提升方法，其特征在于：步骤1.1.3)和步骤1.2.3)中，所述损失函数运算包括生成对抗损失、双边循环一致性损失、双边恒等损失和全变分损失运算。4.根据权利要求3所述的基于非成对的光学遥感图像质量提升方法，其特征在于，在所述步骤1.2.4)中，经过指定次数的迭代后，还包括对步骤1.1.4)中得到的第一生成器模块g1与第二生成器模块g2的网络参数进行微调优化的步骤。5.根据权利要求4所述的基于非成对的光学遥感图像质量提升方法，其特征在于：步骤1.2)和步骤2中，所述超分辨率重建为任意可以进行图像超分辨率重建的卷积神经网络。6.根据权利要求1
‑
5任一所述的基于非成对的光学遥感图像质量提升方法，其特征在于：所述生成对抗网络学习方法包括生成器模块和判别器模块，生成器模块和判别器模块均为卷积神经网络。7.根据权利要求6所述的基于非成对的光学遥感图像质量提升方法，其特征在于：所述第一判别器模块d1、第二判别器模块d2、第三判别器模块d3及第四判别器模块d4为深度卷积神经网络vgg
‑
net；第一生成器模块g1和第二生成器模块g2与cyclegan网络的生成部分一致。

技术总结
本发明公开了基于非成对的光学遥感图像质量提升方法，可用于任意类型的图像高质量光学遥感图像的获取，解决了现有技术中，对遥感图像处理时，无法在去除噪声的同时，重建比数据集本身分辨率更高图像的问题。本发明采用双循环结构结合一系列针对性的损失函数，对没有交集的任意图像类型光学遥感图像既可提升图像分辨率，也可去除噪声，无须建立训练数据间一对一的映射，便可实现高质量光学遥感图像的获取。获取。


技术研发人员：冯旭斌 谢梅林 苏秀琴 李治国 韩俊锋
受保护的技术使用者：中国科学院西安光学精密机械研究所
技术研发日：2021.04.12
技术公布日：2021/10/18