遥感影像的超分辨率模型的训练方法、处理方法及装置

摘要

本公开提供了一种遥感影像的超分辨率模型的训练方法、处理方法及装置。该方法包括获取训练集，其中，训练集包括多个第一分辨率的目标训练图像和与每个目标训练图像对应的第二分辨率的标签图像；针对每个目标训练图像，将目标训练图像输入初始分辨率调整模型的第一卷积层，输出第一特征向量；将第一特征向量输入至初始分辨率调整模型的二维通道卷积器，输出第二特征向量；将第一特征向量和第二特征向量输入初始分辨率调整模型的采样卷积器，输出第二分辨率的调整图像；将调整图像和与目标训练图像对应的标签图像输入图像判别器，输出损失结果；根据损失结果迭代地调整初始分辨率调整模型的网络参数，生成经训练的遥感影像的超分辨率模型。

说明书

技术领域

本公开涉及遥感影像技术领域，更具体地，涉及一种遥感影像的超分辨率模型的训练方法、遥感影像的超分辨率处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

背景技术

高空间分辨率光学遥感影像对地物的精准识别、分类以及精细变化监测等具有重要的意义。随着传感器生产技术的发展和进步，民用的光学卫星空间分辨率已经能够达到0.3m，在城市变化、生态监测等精细应用起着极为关键的作用。尽管国内外已经有了不少的高分辨率卫星，但由于受到传感器本身以及云雨等影响，在面对日益增加的数据应用需求时，这些卫星所产生的有效数据还远远不够，高分辨率遥感影像总体还处于十分短缺的状态。

传统方法中利用图像超分辨率技术将低分辨率(Low-Resolution，LR)图像生成高分辨率(Hign-Resolution，HR)图像，这种方法虽然能够提高分辨率，但获得的结果往往缺少细节信息，准确度较低。

发明内容

有鉴于此，本公开实施例提供了一种遥感影像的超分辨率模型的训练方法、遥感影像的超分辨率处理方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

本公开实施例的一个方面提供了一种遥感影像的超分辨率模型的训练方法，包括：

获取训练集，其中，上述训练集包括多个第一分辨率的目标训练图像和与每个上述目标训练图像对应的第二分辨率的标签图像；

针对每个上述目标训练图像，将上述目标训练图像输入初始分辨率调整模型的第一卷积层，输出第一特征向量；

将上述第一特征向量输入至上述初始分辨率调整模型的二维通道卷积器，输出第二特征向量；

将上述第一特征向量和上述第二特征向量输入上述初始分辨率调整模型的采样卷积器，输出第二分辨率的调整图像；

将上述调整图像和与上述目标训练图像对应的标签图像输入图像判别器，输出损失结果；

根据上述损失结果迭代地调整上述初始分辨率调整模型的网络参数，生成经训练的上述遥感影像的超分辨率模型。

根据本公开的实施例，在将上述调整图像和与上述目标训练图像对应的标签图像输入上述图像判别器之前，还包括：

针对每个上述目标训练图像，根据上述调整图像和上述标签图像，生成残差图，其中，上述残差图包括多个局部区域；

计算每个上述局部区域的局部方差；

根据多个上述局部方差之和，对上述初始分辨率调整模型的网络参数进行优化，得到优化后的初始分辨率调整模型，以利用上述优化后的初始分辨率调整模型生成用于优化上述初始分辨率调整模型的新的调整图像；

在迭代次数大于预设次数的情况下，将上述新的调整图像和上述标签图像输入至上述图像判别器，输出上述损失结果。

根据本公开的实施例，上述二维通道卷积器包括多个第二卷积层和二维通道注意力块；

其中，上述将上述第一特征向量输入至上述初始分辨率调整模型的二维通道卷积器，输出第二特征向量，包括：

针对任意一个第二卷积层，利用上述第二卷积层处理根据前多个第二卷积层中每一个输出的特征向量以及上述第一特征向量生成的融合向量，得到第三特征向量；

将最后一个第二卷积层输出的第三特征向量输入上述二维通道注意力块，输出上述第二特征向量。

根据本公开的实施例，上述将最后一个第二卷积层输出的第三特征向量输入上述二维通道注意力块，输出上述第二特征向量，包括：

对上述第三特征向量进行协方差计算，得到协方差矩阵；

对上述协方差矩阵做维度池化处理，得到一维的多个第四特征向量；

对上述多个第四特征向量进行采样处理，得到第五特征向量；

根据上述第五特征向量和上述第三特征向量，生成上述第二特征向量。

根据本公开的实施例，上述采样卷积器包括第三卷积层、上采样层和多个第四卷积层；

其中，上述将上述第一特征向量和上述第二特征向量输入上述初始分辨率调整模型的采样卷积器，输出调整图像，包括：

利用上述第三卷积层处理上述第二特征向量，得到第六特征向量；

利用上述上采样层对上述第六特征向量和第一特征向量进行采样处理，得到第七特征向量；

利用上述多个第四卷积层处理上述第七特征向量，得到上述调整图像。

根据本公开的实施例，上述图像判别器包括至少一个卷积-归一化组和至少一个全连接层，上述卷积-归一化组包括至少一个第五卷积层和批归一化层；

其中，上述将上述调整图像和与上述调整图像对应的标签图像输入图像判别器，输出损失结果，包括：

利用上述第五卷积层处理上述调整图像和上述标签图像，得到第八特征向量；

利用上述批归一化层处理上述第八特征向量，得到第九特征向量；

利用上述全连接层处理上述第九特征向量，得到概率值，其中，上述概率值表征上述损失结果。

根据本公开的实施例，上述训练集是通过如下方式生成的：

获取多个初始图像组合，其中，上述初始图像组合包括第一分辨率的第一图像和第二分辨率的第二图像，上述第一图像和第二图像均是针对同一个目标进行拍摄得到的；

针对每个上述初始图像组合中的任一图像，对上述图像进行波段融合处理，得到中间图像；

对上述中间图像进行几何校正处理，得到目标图像，其中，与第一图像对应的目标图像表征上述目标训练图像，与第二图像对应的目标图像表征上述标签图像；

其中，多个上述第一图像是基于预设裁剪规则对原始图像进行裁剪处理得到的。

本公开实施例的另一个方面提供了一种遥感影像的超分辨率处理方法，包括：

获取第一分辨率的初始遥感影像；

将上述初始遥感影像输入遥感影像的超分辨率模型，得到目标分辨率的目标遥感影像；

其中，上述遥感影像的超分辨率模型是基于如上所述的方法训练的。

本公开实施例的另一个方面提供了一种遥感影像的超分辨率模型的训练装置，包括：

第一获取模块，用于获取训练集，其中，上述训练集包括多个第一分辨率的目标训练图像和与每个上述目标训练图像对应的第二分辨率的标签图像；

第一卷积模块，用于针对每个上述目标训练图像，将上述目标训练图像输入初始分辨率调整模型的第一卷积层，输出第一特征向量；

第二卷积模块，用于将上述第一特征向量输入至上述初始分辨率调整模型的二维通道卷积器，输出第二特征向量；

第三卷积模块，用于将上述第一特征向量和上述第二特征向量输入上述初始分辨率调整模型的采样卷积器，输出第二分辨率的调整图像；

损失模块，用于将上述调整图像和与上述目标训练图像对应的标签图像输入图像判别器，输出损失结果；

迭代模块，用于根据上述损失结果迭代地调整上述初始分辨率调整模型的网络参数，生成经训练的上述遥感影像的超分辨率模型。

本公开实施例的另一个方面提供了一种遥感影像的超分辨率处理装置，包括：

第二获取模块，用于获取第一分辨率的初始遥感影像；

调整模块，用于将上述初始遥感影像输入遥感影像的超分辨率模型，得到目标分辨率的目标遥感影像；

其中，上述遥感影像的超分辨率模型是基于如上所述的方法训练的。

本公开实施例的另一个方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如上所述的方法。

本公开实施例的另一个方面提供了一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

本公开实施例的另一个方面提供了一种计算机程序产品，所述计算机程序产品包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。

根据本公开的实施例，通过第一卷积层、二维通道卷积器和采样卷积器构成遥感影像的超分辨率模型，能够提取到更优的特征，从而使得训练好的遥感影像的超分辨率模型在将低分辨率图像在转换为高分辨率图像时，高分辨率图像的准确度和视觉质量更高。

附图说明

通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：

图1示意性示出了根据本公开实施例的可以应用遥感影像的超分辨率模型的训练方法或遥感影像的超分辨率处理方法的示例性系统架构；

图2示意性示出了根据本公开实施例的遥感影像的超分辨率模型的训练方法的流程图；

图3示意性示出了根据本公开实施例的遥感影像的超分辨率模型的结构图；

图4示意性示出了根据本公开实施例的二维通道卷积器的结构图；

图5示意性示出了根据本公开实施例的二维通道注意力块的结构图；

图6示意性示出了根据本公开实施例的图像判别器的结构图；

图7示意性示出了根据本公开实施例的影像对比示意图；

图8示意性示出了根据本公开实施例的不同模型在不同场景下的恢复结果的对比图；

图9示意性示出了根据本公开实施例的遥感影像的超分辨率模型的训练装置的框图；

图10示意性示出了根据本公开实施例的遥感影像的超分辨率处理装置的框图；

图11示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。

具体实施方式

以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。

在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。

在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。

在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。

图像超分辨率根据使用低分辨率图像的数量，可以分为单幅低分辨率图像的超分辨率技术(SISR)和多幅低分辨率图像的超分辨率技术(MISR)，尽管多幅低分辨率图像能够提供更多的先验信息，但是对于遥感图像而言，MISR受限于气象，硬件等的限制，导致在实际应用中很难获取同一地区的多幅影像。

目前在遥感影像超分辨率的研究中，训练时使用的低分辨率图像一般是高分辨率图像经过模糊、噪声、下采样等退化过程形成的，在训练过程中模型学习低分辨率与高分辨率图像之间的映射关系，并使用学习的映射关系来进行超分辨率。对于遥感影像来说，这种方法虽然能够提高分辨率，但获得的结果往往存在着大量不可靠的信息。这主要是因为造成遥感影像分辨率不同的原因不是简单的一个或者几个退化模型可以模拟的，中间还存在着尺度、大气，传感器等方面的影响。因此必须利用真实的不同空间分辨率的数据来构建模型。同时，相较于自然图像，遥感影像拥有更复杂的结构特征以及更丰富的纹理信息，导致了现有的深度学习模型，如GAN模型，对于遥感图像中一些复杂的地物结构以及色彩难以做到准确的恢复。同时由于GAN网络本身也存在一定的局限性，即在增加细节纹理的同时也会产生一些不真实的伪影，而遥感图像的复杂性更加剧了这一现象。

有鉴于此，本公开的实施例提供了一种遥感影像的超分辨率模型的训练方法、遥感影像的超分辨率处理方法及装置。该方法包括获取训练集，其中，训练集包括多个第分辨率的目标训练图像和与每个目标训练图像对应的第二分辨率的标签图像；针对每个目标训练图像，将目标训练图像输入初始分辨率调整模型的第一卷积层，输出第一特征向量；将第一特征向量输入至初始分辨率调整模型的二维通道卷积器，输出第二特征向量；将第一特征向量和第二特征向量输入初始分辨率调整模型的采样卷积器，输出第二分辨率的调整图像；将调整图像和与目标训练图像对应的标签图像输入图像判别器，输出损失结果；根据损失结果迭代地调整初始分辨率调整模型的网络参数，生成经训练的遥感影像的超分辨率模型。

图1示意性示出了根据本公开实施例的可以应用分辨率调整模型的训练方法或遥感影像的超分辨率处理方法的示例性系统架构100。需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。

如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104、服务器105和卫星106。网络104用以在终端设备101、102、103和服务器105、卫星106之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。

卫星106可以是遥感卫星，其可以对目标区域进行拍摄图像，该图像为低分辨率图像，该图像通过遥感影像的超分辨率模型可以转换为高分辨率图像。

需要说明的是，本公开实施例所提供的遥感影像的超分辨率模型的训练方法或遥感影像的超分辨率处理方法一般可以由服务器105执行。相应地，本公开实施例所提供的遥感影像的超分辨率模型的训练装置或遥感影像的超分辨率处理装置一般可以设置于服务器105中。本公开实施例所提供的分辨率调整模型的训练方法或遥感影像的超分辨率处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的遥感影像的超分辨率模型的训练装置或遥感影像的超分辨率处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。或者，本公开实施例所提供的遥感影像的超分辨率模型的训练方法或遥感影像的超分辨率处理方法也可以由终端设备101、102、或103执行，或者也可以由不同于终端设备101、102、或103的其他终端设备执行。相应地，本公开实施例所提供的遥感影像的超分辨率模型的训练装置或遥感影像的超分辨率处理装置也可以设置于终端设备101、102、或103中，或设置于不同于终端设备101、102、或103的其他终端设备中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络、服务器和卫星。

图2示意性示出了根据本公开实施例的遥感影像的超分辨率模型的训练方法的流程图。图3示意性示出了根据本公开实施例的遥感影像的超分辨率模型的结构图。

如图2所示，遥感影像的超分辨率模型的训练方法包括操作S201～S203。

在操作S201，获取训练集，其中，训练集包括多个第一分辨率的目标训练图像和与每个目标训练图像对应的第二分辨率的标签图像。

在操作S202，针对每个目标训练图像，将目标训练图像输入初始分辨率调整模型的第一卷积层，输出第一特征向量。

在操作S203，将第一特征向量输入至初始分辨率调整模型的二维通道卷积器，输出第二特征向量。

在操作S204，将第一特征向量和第二特征向量输入初始分辨率调整模型的采样卷积器，输出第二分辨率的调整图像。

在操作S205，将调整图像和与目标训练图像对应的标签图像输入图像判别器，输出损失结果。

在操作S206，根据损失结果迭代地调整初始分辨率调整模型的网络参数，生成经训练的遥感影像的超分辨率模型。

根据本公开的实施例，分辨率可以指空间分辨率，第一分辨率低于第二分辨率，第一分辨率的目标训练图像可以是根据低分辨率卫星拍摄的图像生成的，也可以是根据高分辨率图像进行模糊、噪声、下采样等退化操作生成的。该目标训练图像上包括红波段，绿波段，蓝波段和近红外波段中的至少一个波段的数据。二维通道卷积器的数量可以为依次串联的多个，例如可以为23个。

根据本公开的实施例，在训练集中，每一个低分辨率的目标训练图像均对应与一个高分辨率的标签图像。利用如图3所示的第一卷积层对目标训练图进行卷积处理，可以的第一特征向量，将该第一特征向量输入至二维通道卷积器，，该二维通道卷积器能够增强初始分辨率调整模型的特征提取能力，从而可以得到第二特征向量。

根据本公开的实施例，将第二特征向量输入至采样卷积器，对其进行上采样以及卷积处理，可以得到第二分辨率的调整图像，第二分辨率大于第一分辨率。将调整图像和与作为标签数据的标签图像输入图像判别器，输出损失结果，从而根据损失结果迭代地调整初始分辨率调整模型的网络参数，生成经训练的遥感影像的超分辨率模型。

根据本公开的实施例，通过第一卷积层、二维通道卷积器和采样卷积器构成遥感影像的超分辨率模型，能够提取到更优的特征，从而使得训练好的遥感影像的超分辨率模型在将低分辨率图像在转换为高分辨率图像时，高分辨率图像的准确度和视觉质量更高。

根据本公开的实施例，在将调整图像和与目标训练图像对应的标签图像输入图像判别器之前，还包括如下操作：

针对每个目标训练图像，根据调整图像和标签图像，生成残差图，其中，残差图包括多个局部区域。

计算每个局部区域的局部方差。

根据多个局部方差之和，对初始分辨率调整模型的网络参数进行优化，得到优化后的初始分辨率调整模型，以利用优化后的初始分辨率调整模型生成用于优化初始分辨率调整模型的新的调整图像。

在迭代次数大于预设次数的情况下，将新的调整图像和标签图像输入至图像判别器，输出损失结果。

根据本公开的实施例，基于区域感知策略，根据调整图像和标签图像，生成残差图，根据残差图中多个局部方差之和对初始分辨率调整模型进行优化，使得优化后的初始分辨率调整模型生成的新的调整图像的新的局部方差之和尽可能小，在本公开中，迭代优化的次数由人工设置的预设次数决定，例如可以针对每个目标训练图像，可以迭代优化10次或者100次。

根据本公开的实施例，区域感知策略首先计算超分辨率图像与真实高分辨率图像间的残差，之后计算两者残差的方差，方差越大的区域，则伪影的可能性越大，因此将其作为损失函数来抑制伪影的生成，除了区域感知损失外，还使用了感知损失，L1损失，对抗损失来对网络进行优化。

根据本公开的实施例，通过在模型训练的过程中使用区域感知策略，可以抑制调整图像中一些不真实的伪影的产生，从而使得最终训练得到的遥感影像的超分辨率模型在实际使用中，能够将低分辨率的初始遥感影像转换为目标分辨率的目标遥感影像，而且该目标遥感影像上的伪影较少，进一步提高了分辨率转换的准确度和视觉质量。

图4示意性示出了根据本公开实施例的二维通道卷积器的结构图。

根据本公开的实施例，二维通道卷积器包括多个第二卷积层和二维通道注意力块。

根据本公开的实施例，将第一特征向量输入至初始分辨率调整模型的二维通道卷积器，输出第二特征向量，包括如下操作：

针对任意一个第二卷积层，利用第二卷积层处理根据前多个第二卷积层中每一个输出的特征向量以及第一特征向量生成的融合向量，得到第三特征向量；

将最后一个第二卷积层输出的第三特征向量输入二维通道注意力块，输出第二特征向量。

根据本公开的实施例，为了更清楚地描述二维通道卷积器的工作流程，本公开以五个第二卷积层进行示例性描述，例如第二卷积层A、B、C、D、E，但需要说明的是，该示例并非限制本公开的第二卷积层的数量只能为五个，其数量可以根据实际需求具体设定。

根据本公开的实施例，如图4所示，第一特征向量输入至第二卷积层A，输出第三特征向量A，将第一特征向量和第三特征向量A生成的融合向量A输入至第二卷积层B，输出第三特征向量B，将第三特征向量B、第一特征向量和第三特征向量A生成的融合向量B输入至第二卷积层C，输出第三特征向量C，将第三特征向量C、第三特征向量B、第一特征向量和第三特征向量A生成的融合向量C输入至第二卷积层D，输出第三特征向量D，将第三特征向量D、第三特征向量C、第三特征向量B、第一特征向量和第三特征向量A生成的融合向量D输入至第二卷积层E，输出第三特征向量E，最终将第三特征向量E输入二维通道注意力块，输出第二特征向量。

根据本公开的实施例，图4中“Conv

图5示意性示出了根据本公开实施例的二维通道注意力块的结构图。

根据本公开的实施例，将最后一个第二卷积层输出的第三特征向量输入二维通道注意力块，输出第二特征向量，包括如下操作：

对第三特征向量进行协方差计算，得到协方差矩阵；

对协方差矩阵做维度池化处理，得到一维的多个第四特征向量；

对多个第四特征向量进行采样处理，得到第五特征向量；

根据第五特征向量和第三特征向量，生成第二特征向量。

根据本公开的实施例，二维通道注意力块SOCA的内部结构如图5所示，其中，C

根据本公开的实施例，SOCA首先对第三特征向量进行协方差计算，并将协方差矩阵在通道维度进行池化操作，之后通过上采样层和下采样层进行通道权重的学习，最后对通道权重进行激活，从而将第五特征向量和第三特征向量进行融合，得到第二特征向量。

根据本公开的实施例，如图3所示，采样卷积器包括第三卷积层、上采样层和多个第四卷积层。

其中，将第一特征向量和第二特征向量输入初始分辨率调整模型的采样卷积器，输出调整图像，包括如下操作：

利用第三卷积层处理第二特征向量，得到第六特征向量；

利用上采样层对第六特征向量和第一特征向量进行采样处理，得到第七特征向量；

利用多个第四卷积层处理第七特征向量，得到调整图像。

根据本公开的实施例，第三卷积层和第四卷积层的数量均可以是一个或者多个，具体数量根据实际需求具体设定。

根据本公开的实施例，将第二特征向量输入至少一个第三卷积层后，得到第六特征向量，将第六特征向量和第一特征向量进行融合，将融合后的特征向量进行下采样处理，得到第七特征向量，最终利用多个第四卷积层处理第七特征向量，得到调整图像。

图6示意性示出了根据本公开实施例的图像判别器的结构图。

根据本公开的实施例，图像判别器包括至少一个卷积-归一化组和至少一个全连接层Fully-Connect，卷积-归一化组包括至少一个第五卷积层Conv

其中，将调整图像和与调整图像对应的标签图像输入图像判别器，输出损失结果，包括：

利用第五卷积层处理调整图像和标签图像，得到第八特征向量；

利用批归一化层处理第八特征向量，得到第九特征向量；

利用全连接层处理第九特征向量，得到概率值，其中，概率值表征损失结果。

根据本公开的实施例，训练集是通过如下方式生成的：

获取多个初始图像组合，其中，初始图像组合包括第一分辨率的第一图像和第二分辨率的第二图像，第一图像和第二图像均是针对同一个目标进行拍摄得到的；

针对每个初始图像组合中的任一图像，对图像进行波段融合处理，得到中间图像；

对中间图像进行几何校正处理，得到目标图像，其中，与第一图像对应的目标图像表征目标训练图像，与第二图像对应的目标图像表征标签图像；

其中，多个第一图像是基于预设裁剪规则对原始图像进行裁剪处理得到的。

根据本公开的实施例，目标可以是指某一区域，例如太空中的多个卫星对地面上的地物(例如某个工业园区)进行拍摄得到的不同分辨率的图像。

根据本公开的实施例，由于拍摄的图像中黑白色块与彩色色块之间的分辨率可能不同，因此需要对图像进行波段融合，以将彩色色块的分辨率调整到与黑白色块的分辨率大致相同。由于不同卫星拍摄的图像之间对于相同地物的经纬度可能存在一定的偏差，因此可以对波段融合之后的中间图像进行几何校正，使得第一图像和第二图像之间的经纬度大致相同，从而得到用于模型训练的目标训练图像和标签图像。

根据本公开的实施例，由于遥感影像(原始图像)通常较大，无法直接通过遥感影像的超分辨率模型进行分辨率调整，可以将遥感影像裁剪为预设尺寸(例如200*200)的大小，由于遥感影像的超分辨率模型会对图像边缘的像素进行填充，从而在影像边缘会存在明显的色彩，因此在裁剪时每次都与上一次裁剪部分保持一定的重叠部分。

根据本公开的实施例，在模型的训练过程中，可以使用如表1的训练参数：

表1

根据本公开的实施例，在遥感影像的超分辨率模型训练完成之后，还可以利用测试集对该遥感影像的超分辨率模型进行测试，该测试集中包括第一分辨率的目标测试图像和与每个目标测试图像对应的第二分辨率的标签测试图像，其中，目标测试图像、标签测试图像的生成过程与训练集中目标训练图像、标签图像的生成过程相同，在此不进行赘述。其中，训练集和测试集的比例可以按照9∶1设置。

本公开实施例的另一个方面提供了一种遥感影像的超分辨率处理方法，包括：

获取第一分辨率的初始遥感影像；

将初始遥感影像输入遥感影像的超分辨率模型，得到目标分辨率的目标遥感影像。

在一种示意性的实施例中，初始遥感影像也可以是基于预设裁剪规则对原始遥感图像进行裁剪处理得到的。在将初始遥感影像输入遥感影像的超分辨率模型，得到目标分辨率的目标遥感影像，该目标遥感影像没有经纬度，此时先去除多个目标遥感影像之间的重叠部分并进行拼接处理，将原始遥感图像的经纬度以及投影赋予拼接遥感图像，之后对赋予经纬度的拼接遥感图像进行镶嵌来得到最后的超分辨率结果，超分辨率结果可以指将低分辨率的图像转换为超分辨率的超分辨率结果。

在另一种示意性的实施例中，可以直接将原始遥感图像输入遥感影像的超分辨率模型，得到目标分辨率的目标遥感影像，将原始遥感图像的经纬度以及投影赋予目标遥感影像，之后对赋予经纬度的目标遥感影像进行镶嵌来得到最后的超分辨率结果。

根据本公开的实施例，通过第一卷积层、二维通道卷积器和采样卷积器构成遥感影像的超分辨率模型，能够提取到更优的特征，从而使得训练好的遥感影像的超分辨率模型在将低分辨率图像在转换为高分辨率图像时，高分辨率图像的准确度和视觉质量更高。

图7示意性示出了根据本公开实施例的影像对比示意图。

根据本公开的实施例，参见图7，利用遥感影像的超分辨率模型对左侧的低分辨率影像进行分辨率调整，得到图7中间的重建结果，将该重建结果与图右侧的真实高分辨率影像进行对比可知：由于传感器差异，LR(低分辨影像)-HR(真实高分辨率影像)影像间除了分辨率的差异外，在色彩，对比度，亮度上也存在这明显的区别。从重建结果上来看，尽管SR(本方法生成的超分辨率结果)结果与真实HR影像仍有一定的差距，但相较LR影像，经过SR重建后的地物的边缘更加锐利，纹理信息更加丰富，一些在LR影像中无法分辨的物体在SR结果中也清晰可辨，视觉质量得到了极大的提高，对于一些目视解译任务有着明显的帮助。

图8示意性示出了根据本公开实施例的不同模型在不同场景下的恢复结果的对比图。

根据本公开的实施例，如图8所示，通过对比其他的方法，其中包括传统的双三次插值(bicubic)，基于卷积神经网络的SRResNet、EDSR、RCAN，基于生成对抗网络的SRGAN和ESRGAN。结果如图8所示，从图8可视化的结果来看，基于GAN的模型在视觉质量上优于基于CNN的模型，基于CNN的模型重建效果过于平滑，而得益于对抗学习，GAN模型重建出了更多的细节信息。同时，利用本公开方法的重建结果也优于其他两种GAN模型，在图8(a)、图8(c)中本文的模型抑制了伪影的生成，与真实HR图像最接近；在图8(b)中，只有本公开的模型准确还原出了房屋的颜色；在图8(d)中，本公开的模型对集装箱的边缘还原最为准确。

图9示意性示出了根据本公开实施例的遥感影像的超分辨率模型的训练装置的框图。

如图9所示，遥感影像的超分辨率模型的训练装置900包括第一获取模块910、第一卷积模块920、第二卷积模块930、第三卷积模块940、损失模块950和迭代模块960。

第一获取模块910，用于获取训练集，其中，训练集包括多个第一分辨率的目标训练图像和与每个目标训练图像对应的第二分辨率的标签图像。

第一卷积模块920，用于针对每个目标训练图像，将目标训练图像输入初始分辨率调整模型的第一卷积层，输出第一特征向量。

第二卷积模块930，用于将第一特征向量输入至初始分辨率调整模型的二维通道卷积器，输出第二特征向量。

第三卷积模块940，用于将第一特征向量和第二特征向量输入初始分辨率调整模型的采样卷积器，输出第二分辨率的调整图像。

损失模块950，用于将调整图像和与目标训练图像对应的标签图像输入图像判别器，输出损失结果。

迭代模块960，用于根据损失结果迭代地调整初始分辨率调整模型的网络参数，生成经训练的遥感影像的超分辨率模型。

根据本公开的实施例，通过第一卷积层、二维通道卷积器和采样卷积器构成遥感影像的超分辨率模型，能够提取到更优的特征，从而使得训练好的遥感影像的超分辨率模型在将低分辨率图像在转换为高分辨率图像时，高分辨率图像的准确度和视觉质量更高。

根据本公开的实施例，训练装置900还包括生成模块、计算模块、优化模块和输入模块。

生成模块，用于针对每个目标训练图像，根据调整图像和标签图像，生成残差图，其中，残差图包括多个局部区域。

计算模块，用于计算每个局部区域的局部方差。

优化模块，用于根据多个局部方差之和，对初始分辨率调整模型的网络参数进行优化，得到优化后的初始分辨率调整模型，以利用优化后的初始分辨率调整模型生成用于优化初始分辨率调整模型的新的调整图像。

输入模块，用于在迭代次数大于预设次数的情况下，将新的调整图像和标签图像输入至图像判别器，输出损失结果。

根据本公开的实施例，二维通道卷积器包括多个第二卷积层和二维通道注意力块。

根据本公开的实施例，第二卷积模块930包括处理单元和注意力单元。

处理单元，用于针对任意一个第二卷积层，利用第二卷积层处理根据前多个第二卷积层中每一个输出的特征向量以及第一特征向量生成的融合向量，得到第三特征向量。

注意力单元，用于将最后一个第二卷积层输出的第三特征向量输入二维通道注意力块，输出第二特征向量。

根据本公开的实施例，注意力单元包括协方差子单元、池化子单元、采样子单元、生成子单元。

协方差子单元，用于对第三特征向量进行协方差计算，得到协方差矩阵。

池化子单元，用于对协方差矩阵做维度池化处理，得到一维的多个第四特征向量。

采样子单元，用于对多个第四特征向量进行采样处理，得到第五特征向量。

生成子单元，用于根据第五特征向量和第三特征向量，生成第二特征向量。

根据本公开的实施例，采样卷积器包括第三卷积层、上采样层和多个第四卷积层。

根据本公开的实施例，第三卷积模块940包括第一卷积单元、采样单元、第二卷积单元。

第一卷积单元，用于利用第三卷积层处理第二特征向量，得到第六特征向量。

采样单元，用于利用上采样层对第六特征向量和第一特征向量进行采样处理，得到第七特征向量。

第二卷积单元，用于利用多个第四卷积层处理第七特征向量，得到调整图像。

根据本公开的实施例，图像判别器包括至少一个卷积-归一化组和至少一个全连接层，卷积-归一化组包括至少一个第五卷积层和批归一化层。

根据本公开的实施例，损失模块940包括第三卷积单元、归一化单元、损失单元。

第三卷积单元，用于利用第五卷积层处理调整图像和标签图像，得到第八特征向量。

归一化单元，用于利用批归一化层处理第八特征向量，得到第九特征向量。

损失单元，用于利用全连接层处理第九特征向量，得到概率值，其中，概率值表征损失结果。

根据本公开的实施例，训练集是通过获取单元、融合单元、校正单元生成的。

获取单元，用于获取多个初始图像组合，其中，初始图像组合包括第一分辨率的第一图像和第二分辨率的第二图像，第一图像和第二图像均是针对同一个目标进行拍摄得到的。

融合单元，用于针对每个初始图像组合中的任一图像，对图像进行波段融合处理，得到中间图像。

校正单元，用于对中间图像进行几何校正处理，得到目标图像，其中，与第一图像对应的目标图像表征目标训练图像，与第二图像对应的目标图像表征标签图像。

其中，多个第一图像是基于预设裁剪规则对原始图像进行裁剪处理得到的。

图10示意性示出了根据本公开实施例的遥感影像的超分辨率处理装置的框图。

如图10所示，遥感影像的超分辨率处理装置1000包括第二获取模块1010和调整模块1020。

第二获取模块1010，用于获取第一分辨率的初始遥感影像。

调整模块1020，用于将初始遥感影像输入遥感影像的超分辨率模型，得到目标分辨率的目标遥感影像。

根据本公开的实施例，通过第一卷积层、二维通道卷积器和采样卷积器构成遥感影像的超分辨率模型，能够提取到更优的特征，从而使得训练好的遥感影像的超分辨率模型在将低分辨率图像在转换为高分辨率图像时，高分辨率图像的准确度和视觉质量更高。

根据本公开的实施例的模块、单元、子单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、单元、子单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、单元、子单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(Field ProgrammableGate Array，FPGA)、可编程逻辑阵列(Programmable Logic Arrays，PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(Application Specific Integrated Circuit，ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、单元、子单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

例如，第一获取模块910、第一卷积模块920、第二卷积模块930、第三卷积模块940、损失模块950和迭代模块960，或者第二获取模块1010和调整模块1020中的任意多个可以合并在一个模块/单元/子单元中实现，或者其中的任意一个模块/单元/子单元可以被拆分成多个模块/单元/子单元。或者，这些模块/单元/子单元中的一个或多个模块/单元/子单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，第一获取模块910、第一卷积模块920、第二卷积模块930、第三卷积模块940、损失模块950和迭代模块960，或者第二获取模块1010和调整模块1020中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块910、第一卷积模块920、第二卷积模块930、第三卷积模块940、损失模块950和迭代模块960，或者第二获取模块1010和调整模块1020中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

需要说明的是，本公开的实施例中遥感影像的超分辨率模型的训练装置、遥感影像的超分辨率处理装置部分与本公开的实施例中遥感影像的超分辨率模型的训练方法、遥感影像的超分辨率处理方法部分是相对应的，遥感影像的超分辨率模型的训练装置、遥感影像的超分辨率处理装置部分的描述具体参考遥感影像的超分辨率模型的训练方法、遥感影像的超分辨率处理方法部分，在此不再赘述。

图11示意性示出了根据本公开实施例的适于实现上文描述的方法的电子设备的框图。图11示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图11所示，根据本公开实施例的电子设备1100包括处理器1101，其可以根据存储在只读存储器(Read-Only Memory，ROM)1102中的程序或者从存储部分1108加载到随机访问存储器(Random Access Memory，RAM)1103中的程序而执行各种适当的动作和处理。处理器1101例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器1101还可以包括用于缓存用途的板载存储器。处理器1101可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 1103中，存储有电子设备1100操作所需的各种程序和数据。处理器1101、ROM 1102以及RAM 1103通过总线1104彼此相连。处理器1101通过执行ROM 1102和/或RAM1103中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，程序也可以存储在除ROM 1102和RAM 1103以外的一个或多个存储器中。处理器1101也可以通过执行存储在一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备1100还可以包括输入/输出(I/O)接口1105，输入/输出(I/O)接口1105也连接至总线1104。系统1100还可以包括连接至I/O接口1105的以下部件中的一项或多项：包括键盘、鼠标等的输入部分1106；包括诸如阴极射线管(CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分1107；包括硬盘等的存储部分1108；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1109。通信部分1109经由诸如因特网的网络执行通信处理。驱动器1110也根据需要连接至I/O接口1105。可拆卸介质1111，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1110上，以便于从其上读出的计算机程序根据需要被安装入存储部分1108。

根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1109从网络上被下载和安装，和/或从可拆卸介质1111被安装。在该计算机程序被处理器1101执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM(Erasable Programmable Read Only Memory，EPROM)或闪存)、便携式紧凑磁盘只读存储器(Computer Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 1102和/或RAM 1103和/或ROM 1102和RAM 1103以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行本公开实施例所提供的方法的程序代码，当计算机程序产品在电子设备上运行时，该程序代码用于使电子设备实现本公开实施例所提供的遥感影像的超分辨率模型的训练方法或遥感影像的超分辨率处理方法。

在该计算机程序被处理器1101执行时，执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分1109被下载和安装，和/或从可拆卸介质1111被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。