论文部分内容阅读
本文提出将生成对抗网络首次应用于遥感图像超分辨率中。生成对抗网络是近年来非常热门的一种生成模型,基本原理是假设样本数据服从某种分布的前提下,估计它的概率分布的参数,并借鉴了“零和博弈”的思想,建立了两个在相互对抗中提升自己“能力”的子模型。实质上,它通过选择不同的度量方法,最小化两个样本概率分布函数的距离,常用的度量方法有Kullback–Leibler散度、JensenShannon散度以及Wasserstein距离。首先回顾了超分辨率自提出以来至今的发展历程,尤其是以遥感图像为对象,都有那些方法对其做了研究。包括通过图像插值、统计分析、统计学习以及重建来获得高分辨率图像四种方法。深度学习的基本原理是局部感知和权值共享,这也是深度学习在诸多领域取得巨大成功的主要原因之一,主要体现在图像、语音、视频、文本等任务中。本文对近年来比较热门的深度学习框架作了较为完整的介绍,这类框架是做好深度学习研究的首选工具包。然后本文详细介绍了近年来涌现出的基于生成对抗模型思想所出现的各类经典模型,并就各自存在的优点和缺点做了解释和说明,并对生成对抗网络在人脸数据集上进行了图像生成的实验,取得了不错的生成效果。还说明了从超分辨率的角度,解释了生成对抗网络在超分辨率中的具体思想。当模型生成的高分辨率图像和训练集中的高分辨率图像接近时,二者之间的概率分布是接近的。最后从实验的角度做了两组实验,一个是基于卷积神经网络在遥感图像和非遥感图像超分辨率的实验,一个是生成对抗网络在遥感图像和非遥感图像超分辨率的实验,目的是为了横向和纵向对比生成对抗网络在遥感图像超分辨率的效果。本文使用的开发语言是Python,基于TensorFlow深度学习框架,开发了SRCNN模型和SRGAN两个模型。采用的度量指标包括PSNR,SSIM以及RMSD用来评价超分辨率的效果。另外,从生成的图像也可以直观的观察出效果的好坏。