基于生成对抗网络的SAR图像超分辨率重建算法研究

作     者：闵锐 

作者单位：合肥工业大学 

学位级别：硕士

导师姓名：董张玉;陈鲸

授予年度：2021年

学科分类：080904[工学-电磁场与微波技术] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081104[工学-模式识别与智能系统] 0811[工学-控制科学与工程] 

主      题：SAR图像 超分辨率重建 生成对抗网络 结构相似性 多尺度感受野 

摘      要：高分辨率SAR(Synthetic Aperture Radar)图像在卫星遥感、灾害监测等领域具有重要实际研究应用价值,但实际SAR成像分辨率往往难以满足应用需求。传统SAR图像超分辨率重建方法对模型和先验知识要求较高,重建效果往往不理想;无监督式生成对抗网络模型通过训练学习高低分辨率图像之间映射关系,减少先验知识依赖,重建图像效果明显优于传统方法,但博弈对抗式训练方法往往会使重建图像产生“伪影现象,导致重建图像与参考图像结构内容不一致,同时重建图像边缘纹理等细节信息不足,难以满足SAR图像实际应用需求。针对上述问题,为提高基于生成对抗网络模型重建SAR图像分辨率,本文所做研究工作如下:(1)针对采用生成对抗网络模型重建SAR图像存在的“伪影现象以及内容结构不一致问题,提出一种基于双采样机制结构保持型SAR图像重建算法。该算法首先采用小尺度卷积层对输入SAR图像进行低层次特征提取;然后采用级联残差密集块(Residual-in-Residual Dense Block,RRDB)对输入特征进行提取;最后交替使用最近邻插值(Nearest Neighbor Interpolation,NNI)和亚像素卷积(Sub-Pixel Convolution,SPC)方法对特征进行放大重建,研究表明这种交替双采样机制有利于特征信息交互融合,提升重建效果。同时结合结构相似性(Structural Similarity,SSIM)质量评价指标引入结构损失函数,以保持重建图像与参考图像结构内容一致性,缓解图像“伪影现象。(2)针对重建SAR图像边缘细节信息不足的问题,在保持重建SAR图像结构内容信息基本一致前提下,进一步提出一种提升重建图像细节信息的算法。该算法在原模型基础上引入多尺度感受野模块,多尺度卷积核多分支并联方式增强了不同大小范围特征信息融合效果。此外,为减少计算量加快模型重建速度,采用多种小尺度卷积核级联代替大尺度卷积核策略,该策略不仅减少了网络参数,小尺度卷积同样有助于增强网络细节特征提取。为检验算法有效性,将本文算法模型在Sentinel-1数据集上进行训练,并采用高分辨率Terra-SAR图像进行测试。实验结果表明:相较于传统插值算法以及经典深度学习方法,本文算法在视觉效果和客观评价指标上均有显著提升,重建图像结构内容保持一致,细节信息更为突出。