论文部分内容阅读
遥感技术的日益进步极大的促进了光学遥感影像的获取。光学遥感影像具有很高的研究和实用价值,尤其是高质量的光学遥感影像,具有高分辨率、低噪声的特点,可广泛应用于农林监测、城市规划、军事侦察等领域,因此提升光学遥感影像质量的方法具有很高的研究价值和应用前景。然而,通过升级硬件直接提升遥感影像质量的方法需要的成本高昂、工艺水平高且时间周期长。因此,如何经济、方便和高效地提升光学遥感影像的质量成为遥感领域的一个重大挑战。针对这一挑战,本文采用了基于深度学习的图像处理算法,通过对单幅低质量的图像进行去噪和超分辨率重建,达到了提高其质量的目的。本文循序渐进的开展了多项基于深度学习的光学遥感图像去噪和超分辨率重建研究工作,旨在为后续研究奠定理论与技术基础,加快基于深度学习技术的光学遥感图像去噪与超分辨率算法工程化应用进程。本文的主要研究成果为:(1)提出了一种基于深度卷积神经网络的空间目标图像去噪与超分辨率重建方法。本方法主要利用了残差网络思想,结合了局部残差网络和全局残差网络,实现了对空间目标图像进行2倍、3倍和4倍超分辨重建的同时还可以去除宇宙线噪声。实验数据表明本方法比其他所有对比的方法在峰值信噪比(Peak signal-to-noise ratio,PSNR)和人类视觉系统(Human visual system,HVS)等评价标准上,分别提高了0.08～3.1d B和3.1～7.1d B。(2)针对基于非生成对抗网络(Generative adversiral netword,GAN)在对光学遥感图像去噪和超分辨率重建方法会导致图像细节趋于平滑的问题,提出了一种在小波变换域下的基于生成对抗网络的光学遥感图像去噪与超分辨率重建算法。首先,为了重建更多的细节信息,采用了生成对抗网络的架构;然后为了使最终重建的图像能在PSNR和结构相似度(Structural similarity,SSIM)等客观评价指标上有良好的表现,在其生成部分结合了残差网络(局部残差网络和全局残差网络)。在损失函数方面,生成部分的损失函数结合了全变分(Total variation,TV)损失,进一步增强了重建的细节信息;判别部分使用了相对损失来代替传统的判别损失计算方法,目的是为了使整个网络更好的收敛。最后本算法执行在小波变换域下。实验数据表明本方法可以对光学遥感图像进行4倍超分辨率重建的同时去除高斯噪声或椒盐噪声。在PSNR和SSIM方面比基于GAN的SRGAN、ESRGAN等算法高出0.01～0.56d B和0.04～0.07。从视觉效果看,在所有实验对比的算法中,本方法处理过的图像细节都更加丰富,且在平均主观得分(Mean opinion score,MOS)和感知指数(Perceptual index,PI)等评价标准上,比其他对比方法高出0.2～2和0.07～4.7。(3)为了进一步获得比数据集本身质量还高的光学遥感图像,提出了一种基于不成对图像的无监督学习光学遥感图像去噪与超分辨率重建算法。首先,为了获取更高的质量的图像,采用循环生成对抗架构,将本身质量就很高的自然图像数据集作为输入的一部分,共同训练网络;其次在计算对抗损失和循环一致性损失时,分别使用相对损失和感知损失,使整个网络更好的收敛。实验数据表明本方法可以对光学遥感图像进行无监督4倍超分辨率重建的同时去除高斯噪声。在PSNR和SSIM指标方面,比基于GAN的RRDGAN和Cin CGAN等算法高出0.92～2.18d B和0.07～0.14。视觉效果上本方法生成的图像细节更加丰富,且在PI评价标准上,比实验中对比的所有算法高出0.01～4.86。综上所述,本文以深度学习技术为基础,提出了三种新的光学遥感图像去噪与超分辨率重建算法,可以在提升光学遥感图像分辨率的同时去除相应的噪声,有效的解决了现有方法中的一些不足,取得了较理想的效果。为获取更高质量光学遥感图像问题提供了新的途径。