[发明专利]基于深度卷积神经网络的火星图像超分辨方法

权利要求书

1.一种基于深度卷积神经网络的火星图像超分辨方法，其特征在于包括，

模糊核估计：对HR火星图像进行目标区域的裁剪得到目标区域块，对目标区域块赋标签为真；HR火星图像为高分辨率火星图像；

同时采用深度线性卷积神经网络对HR火星图像进行降采样得到降采样后火星图像，对降采样后火星图像进行目标区域的裁剪得到降采样区域块，对降采样区域块赋标签为假；

采用判别网络对目标区域块和降采样区域块进行判别，获得D-map热图，由D-map热图进行模糊核估计，获得的降采样核作为模糊核输入至模糊核库中；

获取噪声块：采用噪声提取算法由含有相同噪声类型的真实高分辨率火星图像中提取平滑噪声块，再采用卷积神经网络学习平滑噪声块的分布，获得具有相似噪声分布的噪声样板块，存入噪声库中；

超分辨率图像的生成：对随机从模糊核库中选择的模糊核与随机从噪声库中选择的噪声样板块进行处理，获得LR火星图像；将LR火星图像与对应的HR火星图像配对获得图像对，采用图像对训练基于区域块判别的上采样网络，获得训练后上采样网络，LR火星图像再经训练后上采样网络进行超分辨，获得最终的超分辨率火星图像；LR火星图像为低分辨率火星图像；

获得LR火星图像的方法包括：对随机选择的模糊核进行评估得到初级低分辨率火星图像，再将随机选择的噪声样板块注入所述初级低分辨率火星图像中，获得LR火星图像。

2.根据权利要求1所述的基于深度卷积神经网络的火星图像超分辨方法，其特征在于，

基于区域块判别的上采样网络获得最终的超分辨率火星图像的过程包括：

采用全卷积判别网络的生成器由LR火星图像获得初级超分辨率火星图像；

将初级超分辨率火星图像和选定模糊核对应的HR火星图像分别经全卷积判别网络的判别器映射成N×N矩阵，N为正整数；使N×N矩阵的每个元素代表相应火星图像中一个区域块来自真实图像的可能性，并获得矩阵真假标签；

将获得的矩阵真假标签与对应输入火星图像相应区域块的真假标签进行比较计算损失函数，直到损失函数满足预测阈值，完成全卷积判别网络的训练获得训练后上采样网络；采用训练后上采样网络对LR火星图像进行超分辨，获得最终的超分辨率火星图像。

3.根据权利要求2所述的基于深度卷积神经网络的火星图像超分辨方法，其特征在于，

所述损失函数由像素损失、感知损失和对抗损失三部分计算获得；

其中像素损失为距离特征，感知损失为VGG-19网络的激活特征，对抗损失为纹理细节特征。

4.根据权利要求3所述的基于深度卷积神经网络的火星图像超分辨方法，其特征在于，

损失函数的计算方法包括：

L_total＝λ₁·L₁+λ_per·L_per+λ_adv·L_adv，

式中L_total为损失函数的总损失，λ₁、λ_per和λ_adv均为权重，λ₁＝0.01，λ_per＝1，λ_adv＝0.005；L₁为像素损失、L_per为感知损失，L_adv为对抗损失。

5.根据权利要求4所述的基于深度卷积神经网络的火星图像超分辨方法，其特征在于，

对目标区域块和降采样区域块进行判别采用的判别网络结构包括：

第一卷积层的7×7卷积核及第二至第七卷积层的6个1×1卷积核；

第一卷积层包括卷积层和谱归一化层；第二至第六卷积层分别包括卷积层、批归一化层和ReLU激活函数；第七卷积层包括卷积层和Sigmoid激活函数。

6.根据权利要求5所述的基于深度卷积神经网络的火星图像超分辨方法，其特征在于，

深度线性卷积神经网络包括卷积层和5个64通道的隐藏层，

卷积层和前2个隐藏层的卷积核大小为7×7，5×5，3×3；后3个隐藏层的卷积核大小为1×1。