面向目标检测的双驱自适应遥感图像超分重建方法

现有光学遥感图像超分重建方法主要是生成视觉上令人满意的图像,并未考虑后续目标检测任务的特殊性,不能有效地应用到目标检测中。基于此,提出了面向目标检测的双驱动自适应多尺度光学遥感图像超分重建方法,将超分重建网络和目标检测网络结合起来,进行联合优化。针对光学遥感图像的特点设计了自适应多尺度遥感图像超分重建网络,集成选择性内核网络和自适应特征门控单元来特征提取和融合,重建出初步遥感图像。通过提出的双驱动模块,将特征先验驱动损失和任务驱动损失传到超分重建网络中,提高目标检测的性能。在UCAS-AOD和NWPU VHR-10数据集上进行实验,并与5种主流方法进行比较,所提方法的峰值信噪比和平均准确率相较于FDSR方法分别提高了1.86 dB和3.73%。实验结果表明,所提方法和光学遥感图像目标检测结合可以取得更好的效果,综合性能更佳。

自适应正则化稀疏表示的遥感图像SR重建

基于稀疏表示的单幅图像超分辨率(Super-Resolution, SR)重建近年来引起了广泛的关注,并取得了较好的效果.然而,低分辨率(Low Resolution, LR)遥感图像容易受到噪声及模糊的影响,从而导致SR重建结果会出现高频细节丢失的现象.针对这一问题,本文提出一种基于自适应正则化稀疏表示的遥感图像SR重建方法.该方法首先根据提出的步进式图像放大的方法将LR图像放大得到高分辨率(High Resolution, HR)图像的初始估计;然后,构建稀疏表示的SR重建模型,通过评估初始估计HR图像的噪声水平来自适应选择不同的正则项,即梯度直方图正则项或可控方向滤波全变分正则项,对重建图像进行约束;最后,利用迭代收缩算法对提出的模型进行求解得到稀疏编码系数,将学习的字典与稀疏编码系数相乘得到最终的HR图像.实验结果表明,本文提出的SR重建算法获得的结果无论是主观视觉效果还是客观定量评价,都优于一些主流的遥感图像SR重建方法.