基于深度学习的单幅遥感图像超分辨率算法研究

作     者：李自红 

作者单位：宁夏大学 

学位级别：硕士

导师姓名：王博

授予年度：2023年

学科分类：0810[工学-信息与通信工程] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 081002[工学-信号与信息处理] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：遥感图像 超分辨率重建 深度学习 多尺度特征 局部-全局特征 

摘      要：遥感图像的空间分辨率是影响遥感应用效果的重要因素之一。由于遥感成像技术的限制,远距离、低光照、大气干扰等因素都会导致遥感图像的空间分辨率降低。因此,超分辨率重建技术成为提高遥感图像空间分辨率的一种重要手段。近年来,随着深度学习技术的发展,基于深度学习的超分辨率重建技术已经成为研究热点之一,并在实际应用中取得了显著效果。值得注意的是,超分辨率重建技术虽然能够提高遥感图像的空间分辨率,但也存在尺度单一和特征信息利用不充分等问题。针对以上问题,本文提出了两种基于深度学习的遥感图像超分辨率重建方法,具体研究内容如下:(1)针对单一尺度问题,提出了一种基于多尺度注意力增强的遥感图像超分辨率算法。首先,使用不同扩张率的空洞卷积提取图像特征信息,使特征感受野增大,从而获得与原始图像不同尺度的上下文信息,再对不同尺度的信息进行交叉融合以获取互补的特征信息。然后,利用通道注意力选取有用的通道来适应复杂的遥感图像,以提升有用信息的比例。最后,利用亚像素卷积对特征信息进行上采样处理来实现图像的重建。实验结果表明,在两个数据集上重建图像的质量和精度都有了一定的提升。(2)针对图像的局部和全局特征信息利用不充分问题,提出了一种基于Transformer的局部-全局遥感图像超分辨率算法。以Swin Transformer主干网络提取遥感图像的局部信息,通过大核注意力机制获取全局依赖,利用两者的互补优势,得到图像的局部特征和全局特征。此外,为了获得更具代表性的特征信息,添加了大核注意力尾部模块来有效地聚集有用信息,提高图像的重建质量。最后,在两个数据集的实验表明,重建的结果在峰值信噪比和结构相似性两个指标上都有了一定的提升。