面向单幅遥感图像的生成对抗网络超分辨率重建

利用低分辨率图像生成高分辨率图像的过程称为图像超分辨率,目的是得到一张清晰的影像。随着人工智能的蓬勃发展,在遥感、辅助文本识别等诸多领域,图像超分辨率的应用愈加广泛。本文利用生成对抗网络的深度学习模型进行单图像超分重建,SRGAN模型相较于传统方法,提出了新的感知损失函数,由对抗损失和内容损失组成。对抗损失通过训练判别器网络结构区分生成图像和实际高分辨率图像,而内容损失则利用预训练的VGG19网络模型计算图像特征的感知相似度,而不是在像素空间上的相似度。试验证明,利用SRGAN获得的高分辨率图片,MOS指标高于传统方法。本文围绕SRGAN的原理、效果、应用等进行了阐述。     

基于非局部总变差的消除不规则采样遥感图像复原方法

提出一种消除不规则采样的遥感图像复原方法,该方法结合了ACT算法和总变差（TV）图像复原模型以达到同时去除多种图像退化因素的目的,并且结合非局部均值（NLM）算子给出了基于NLTV的消除不规则采样遥感图像复原模型,最后使用算子分裂与扩展的坎贝尔投影算法求解模型。实验结果表明,该方法能够有效减少复原图像的阶梯效应并提高复原图像的纹理细节信息。     

多时相遥感图像复原方法的研究

为了充分利用卫星所获得的对同一地区多次观测图像来进行清晰化,选择了多时相遥感图像复原技术,利用各观测图像间相似但又有差异的信息,重建出反降晰图像以获得更多的细节.论文建立了多时相遥感图像复原的数学模型,估计出观测图像与参考图像之间的相对运动,选择约束最小二乘法对解进行规整化,获得复原结果.运用该算法对卫星拍摄的多时相遥感图像进行处理,并选择三种衡量标准对复原结果进行定量分析,验证了算法的有效性和实用性.     

基于生成对抗网络的无人机图像去模糊方法

提出一种基于加权感知损失的生成对抗网络(GAN)用于无人机图像去模糊。实验中采用具有跳跃连接结构的网络作为生成器,并对生成器使用加权感知损失进行约束,在生成器和判别器进行对抗式训练过程中,生成器不断学习并优化模糊图像到对应清晰图像的映射函数。另外,由于PSNR、SSIM图像质量客观评价指标的局限性,提出使用感知损失作为监控网络优化过程和模型选择的评价指标,最后使用感知损失选择的生成器模型对模糊图像进行盲去模糊。实验表明,该方法可快速有效地恢复出细节清晰的图像。     

一种离焦模糊遥感图像盲复原方法

由于发射过程中的超重和复杂的工作环境,遥感卫星的光学系统常发生像面离焦,直接影响了成像质量,降低了图像的空间分辨率。本文提出了一种大尺寸离焦模糊遥感图像的盲复原方法,用于提高这种图像的分辨率。该方法采用微分自相关法估计离焦半径,采用适用于大尺寸图像复原的连续Hopfield神经网络次优算法实现复原,结合能保留图像细节信息的调和模型,能较好地提高大尺寸离焦遥感图像的清晰度。仿真结果证实了方法的有效性。     

一种改进U-Net的遥感影像建筑物提取方法

针对高分辨率遥感影像信息复杂浅层网络难以对其目标物特征信息充分学习,图像因裁剪导致边缘信息损失使得模型对图像边缘预测效果较差的问题,该文将U-Net收缩路径加深以增强网络对特征信息的学习能力,并加入随机失活函数(Dropout)层抑制过拟合现象的发生,扩张路径中加入批量归一化层以提高网络训练速度,并将忽略边缘交叉熵函数与骰子函数结合构建联合损失函数作为本文模型的损失函数以提高模型对图像边缘的预测效果。实验结果表明：该文方法对建筑物边缘能够进行有效预测;对建筑物轮廓以及较小建筑物的提取较之SVM、主干网络为VGG的U-Net提取效果有所提高;并在应用扩展研究数据集中有着较好的表现。     

结合残差编解码网络和边缘增强的遥感图像去噪

高分辨率遥感图像去噪对于提高后续图像分析、识别等问题的准确性具有重要意义。目前的去噪算法普遍存在去噪结果边缘信息模糊、易产生视觉伪影导致遥感信息丢失的缺点,针对以上问题本文提出了一个基于边缘增强的残差编解码去噪网络用于高分辨率遥感影像去噪。该方法首先将噪声图片通过低通滤波器分解成高频层和低频层,然后将含噪声信息的高频层输入到带残差模块的编解码网络中,通过采样运算在多尺度空间上学习残差映射生成残差图像,最后使用跳跃连接得到完整的去噪结果。其损失函数由逐像素和感知损失两部分组成,逐像素损失使用传统的均方根误差学习像素级信息,感知损失学习语义特征上的差异可以保留更多边缘信息,最终得到更清晰的结果,其中感知损失是由级联在后的语义分割网络提取的特征图定义的。本文对不同测试数据做去噪实验并与几个经典方法对比证明本文模型的去噪结果优于其他方法,不仅提高图像的峰值信噪比,得到最高的平均梯度值,还在视觉上取得了最清晰的结果。实验结果表明,本文提出的基于边缘增强的深层编解码卷积网络在去噪的同时可以改善边缘细节被模糊的问题,保留更多遥感地物信息,提高图像视觉效果。     

各向异性正则化的多帧遥感图像盲复原算法

在大气湍流较强时,一般的遥感图像复原算法难以取得较好的复原效果.针对这种情况,提出了一种基于各向异性约束的多帧遥感图像盲复原算法.该算法不需要成像过程的先验信息,仅根据图像及点扩散函数的非负约束和支持域约束,即可得到较好的复原结果;同时该算法能够自适应地调整正则化参数,在实现图像复原的同时,保持边缘并抑制噪声.试验结果...     

各向异性正则化的多帧遥感图像盲复原算法

在大气湍流较强时,一般的遥感图像复原算法难以取得较好的复原效果。针对这种情况,提出了一种基于各向异性约束的多帧遥感图像盲复原算法。该算法不需要成像过程的先验信息,仅根据图像及点扩散函数的非负约束和支持域约束,即可得到较好的复原结果;同时该算法能够自适应地调整正则化参数,在实现图像复原的同时,保持边缘并抑制噪声。试验结果验证了该算法的良好性能,复原后图像的质量得到较大提高。     

空间感知残差网络的遥感图像超分辨率重建

为了提升遥感图像超分辨率重建算法纹理细节信息还原能力,该文提出了一种基于特征空间感知损失深度残差网络的遥感图像超分辨率重建算法。该算法增加了深度残差网络中的残差块数量,在网络末端采用了亚像素卷积的方法,并在损失函数中增加了特征空间感知损失。在UCMerced_LandUse数据集上进行了训练,并在UCMerced_LandUse数据集和Draper Satellite Image Chronology数据集上进行了测试。测试结果证实了该算法与其他算法相比在峰值信噪比和结构相似性指数上均有一定的提高,证实了该算法较好的超分辨率重建效果与还原遥感图像纹理细节信息的能力。     

多通道正则化图像复原方法研究

基于一种先验知识的图像超分辨率复原技术能将低分辨率影像重建出高分辨率、细节信息更丰富的图像。本文分析了图像的退化模型和图像复原的病态特征,从正则化方法数学理论入手,利用正则化复原技术解决图像复原的病态问题,然后利用卫星图像进行了复原仿真实验,计算结果表明这种方法可有效复原图像,在客观标准评价和主观视觉效果方面都有明显改善。     

新型语义分割D-UNet的建筑物提取

高分辨率遥感图像语义分割在航空图像分析领域中具有重要的理论价值和应用价值。但由于高分辨率遥感图像中建筑物语义的丰富性和图像背景的复杂性,以往的分割方法往往容易产生边缘模糊、细节信息丢失和分辨率低等缺点。为了解决高分辨率卫星图像语义分割边界模糊和信息丢失的问题,本文提出一种端到端的卷积神经网络Dilated-UNet (D-UNet)。首先,通过改进U-Net网络结构,采用Dilation技术拓展四通道的多尺度空洞卷积模块,每个通道采用不同的卷积扩张率来识别多尺度语义信息,从而提取更丰富的细节信息。其次,设计了一种交叉熵和Dice系数的联合损失函数,更好的训练模型以达到预期分割效果。最后,在Inria航空图像数据集上进行综合评估与检验。实验结果表明,本文提出的遥感图像分割方法能够有效地从高分辨率遥感图像中进行像素级城市建筑物的分割,与其他方法相比,分割精度更高,具有较高的实际应用价值。     

基于调和模型的连续Hopfield神经网络次优图像复原

本文提出了一种基于调和模型的连续Hopfield神经网络正则化次优图像复原算法。针对传统正则化图像复原由于"模糊矩阵"和"高通滤波器"规模庞大而带来的复原过程中占用存储资源多的问题,提出了一种基于部分图像信息的次优复原算法,该算法能在性能下降不大的前提下,较好地解决传统复原资源消耗问题。同时算法采用由梯度算子生成的调和模型作为正则项,能在复原的同时保留图像边缘。仿真结果表明了算法的有效性。     

基于Sentinel-2卫星遥感影像的去云方法研究

在光学遥感卫星图像中,云是普遍存在的现象,它严重降低了图像的质量,因此,去云处理就是一个必不可少的步骤.深度神经网络在许多图像处理任务中取得了成功,但是利用该方法针对遥感图像的去云研究较少.本文采用GAN来解决遥感图像去云问题,首先训练生成模型生成无云影像,同时训练判别模型使生成的模型更加真实和清晰,最终达到从被云覆盖的卫星图像中恢复并增强这些区域的信息,生成质量更好的无云图像的目的.基于人工智能标注的Sentinel-2卫星遥感影像数据集的试验表明,与传统的小波变换基准相比,提出的生成对抗网络模型在去云处理方面效果有明显提升.     

先验引导的多降质特征“珞珈一号”夜光遥感影像质量提升方法EI北大核心CSCD

珞珈一号夜光(NTL)遥感影像存在云雾、辉光、分辨率降低等多种复杂的降质现象,现有的深度学习影像质量提升网络往往只针对某一种类型的降质问题,且没有充分利用影像的先验信息,训练和学习过程的可解释性差,去除的降质类型单一。因此,针对含有多种复杂降质的影像质量提升问题,提出一种可解释性先验引导的多降质特征夜光影像质量提升方法。分析降质过程和降质表现,推导出了辉光、云雾噪声和空间分辨率下降的综合降质模型,并以该模型作为先验引导构建了云雾、辉光、分辨率3类数据集。在网络结构方面,针对3类降质设计了包含通道注意力模块和像素注意力模块的残差密连卷积神经网络,并用比值稀疏约束损失函数进一步提高影像的清晰度。利用珞珈一号夜光遥感影像进行了试验,结果表明,本文方法可有效去除云雾、辉光等的影响,处理后影像中的灯光边缘信息更加清晰,空间分辨率提高,影像质量提升明显。     

27°斜模式采样及其遥感图像复原研究

针对不能确定斜模式采样的倾斜角度,与后期纠正处理带来的锯齿、混叠等效应,以及斜模式采样在采样过程中产生的混叠等问题,设计并实现了27°斜模式采样方式以降低采样后处理产生的锯齿等降质效应,通过分析线阵CCD采样过程中混叠的成因,将倒易晶胞应用于复原实际斜采样的遥感图像中。截止频率评价图像的分辨率证明:本文方法复原的图像较常规采样图像的分辨率提高了2.26倍。27°斜模式采样与倒易晶胞的复原方法可以应用到无高分辨率参考图像的遥感图像复原中,并可以减少混叠,使复原图像有更好的效果。     

多时相遥感影像语义分割色彩一致性对抗网络

利用深度卷积神经网络智能化地提取遥感图像中的建筑物对于数字城市构建、灾害侦查、土地管理等具有重要意义。多时相遥感图像之间的色彩差异会导致建筑物语义分割模型泛化能力下降。针对此,本文提出了注意力引导的色彩一致生成对抗网络（attention-guided color consistency adversarial network,ACGAN）。该算法以参考色彩风格图像及相同区域、不同时相的待纠正图像作为训练集,采用加入了U型注意力机制的循环一致生成对抗网络训练得到色彩一致模型。在预测阶段,该模型将待纠正图像的色调转换为参考色彩风格图像的色调,这一阶段基于深度学习模型的推理能力,而不再需要相应的参考色彩风格图像。为了验证算法的有效性,首先,将本文算法与传统的图像处理算法及其他循环一致生成对抗网络做了对比试验。结果表明,ACGAN色彩一致后的图像与参考色彩风格图像的色调更加相似。其次,将以上不同的色彩一致性算法处理后的结果图像进行建筑物语义分割试验,证明本文方法更加有利于多时相遥感图像语义分割模型泛化能力的提升。     

结合帧选及配准的多帧超分辨率盲复原

传统的图像复原技术不仅无法恢复截止频率之外的信息,而且没有考虑不良帧及帧间运动对复原图像质量的影响。通过对传统多帧图像盲复原模型加入运动和降采样因子进行超分辨率扩展得到一个超分辨率盲复原模型,在此基础上,首先以平均梯度和信息熵作为帧选标准,其次结合金字塔光流法对帧选后的图像进行配准,最后利用该模型进行超分辨率盲复原。实验证明,结合帧选和配准的复原方法可以抑制噪声放大及由目标空间位置偏移造成的边缘模糊。该模型是一个有效的超分辨率盲复原模型,复原图像质量优于样条插值和传统多帧盲解卷积算法。     

顾及模糊核连通性的无人机图像半盲复原方法

模糊航空图像复原不仅能够改善图像的细节与特征,而且可以提高目标的识别能力以及定位精度。在无参数条件下利用已有航空图像建立模糊核估计模型,提出了顾及模糊核连通性的无人机图像半盲复原方法。首先建立梯度筛选,筛选出模糊图像与已有清晰图像梯度域的公共地物,构建保真项;然后利用模糊核梯度八邻域描述模糊核的连通性度量,并将其作为正则项缩小解空间与构建模型;最后重建图像,根据图像金字塔结构对模糊核进行分层估计,并通过分裂Bregman算法解卷积重建图像。对比实验从模糊类型、公共地物、方法对比、方法适用性4个方面进行分析,结果表明,在公共地物达到35%以上时,模糊航片具有良好的复原效果,所提方法具有较强实际应用价值。     

行列式点过程采样的文本生成图像方法

近年来,虽然基于生成对抗网络(generative adversarial networks, GAN)的文本生成图像问题取得了很大的突破,它可以根据文本的语义信息生成相应的图像,但是生成的图像结果通常缺乏具体的纹理细节,并且经常出现模式崩塌、缺乏多样性等问题。针对以上问题,提出一种针对生成对抗网络的行列式点过程(determinant point process for generative adversarial networks, GAN-DPP)方法来提高模型生成样本的质量,并使用StackGAN++、ControlGAN两种基线模型对GAN-DPP进行实现。在训练过程中,该方法使用行列式点过程核矩阵对真实数据和合成数据的多样性进行建模,并通过引入无监督惩罚损失来鼓励生成器生成与真实数据相似的多样性数据,从而提高生成样本的清晰度及多样性,减轻模型崩塌等问题,并且无需增加额外的训练过程。在CUB和Oxford-102数据集上,通过Inception Score、Fréchet Inception Distance分数、Human Rank这3种指标的定量评估,证明了GAN-DPP...