[发明专利]基于深度卷积神经网络的火星图像超分辨方法

说明书

一种基于深度卷积神经网络的火星图像超分辨方法，属于计算机视觉中的图像超分辨技术领域。本发明针对现有图像超分辨方法对真实的伴有噪声的火星图像超分辨结果较差的问题。包括模糊核估计，噪声建模和基于patch判别的上采样网络三部分；本发明方法专注于通过模糊核评估算法得到真实模糊核，对模糊核进行计算从而实现真正的盲超分辨；使用噪声提取算法从原始图像中收集噪声，并使用卷积神经网络进行噪声建模，产生与火星图像相似的噪声分布；最后，使用经过模糊核学习的注入噪声后得到的低分辨率火星图像，再送入到基于patch判别的上采样网络中，得到最后的超分辨率火星图像。本发明用于实现LR火星图像的超分辨。

技术领域

本发明涉及基于深度卷积神经网络的火星图像超分辨方法，属于计算机视觉中的图像超分辨技术领域。

背景技术

火星是太阳系中紧邻地球的一颗类地行星，也是太阳系中与地球最相似的类地行星。火星上由于水的发现被认为是最可能孕育生命的星球之一，这使得火星成为开展空间探测的主要目标之一。

目前在地球卫星和载人航天工程中，航天领域已取得举世瞩目的成就，发展深空探测将是后续重点，对科技进步和社会发展具有重大意义。由于火星环境复杂多变，并时常伴有沙尘等天气，目前对火星探测的关键技术在于获取高分辨率的火星图像，利用高分辨率图像对火星表面物体/地形进行检测，有助于火星车平稳、安全地降落在火星表面，从而可开展后续相关科研任务。

对火星地形的探测是进行火星科学研究的基础，第一批进行火星探测的首要任务是获取火星地形数据，而这些数据的主要来源就是高分辨率的火星图像。高分辨率火星图像对于研究火星的地貌特征和分析火星气候具有重要意义，包括识别岩石类型、成分和地层关系；岩石成岩构造、结构和交代特征；与岩石特性、侵蚀历史和漫游车路径规划相关的地貌特征；风化层和风吹沉积物的研究；以及对火星大气和气象的调查。目前获取的高分辨率火星图像主要依靠火星车携带的科学仪器，但是使用硬件获取的高分辨率图像是有限的，并且改良硬件的成本高，研制周期较长。地球与火星最近的距离在5500万公里，最远处超过4亿公里；火星探测的地火之间通信平均时间为25分钟，最短约6分钟。由于星地通信能力限制，相机拍摄的信息量较大的大量高分辨率火星图像无法迅速传回地面，同时图像在传输过程中还会遇到传输过慢或者传输失败等问题。所以，在地面上使用软件算法来处理回传压缩的低分辨率火星图像，提高回传火星图像的分辨率，进一步服务后续的深空/火星探测任务，具有十分重要的意义。

图像超分辨率方法是指通过从低分辨率(Low Resolution，LR)图像重建高分辨率(High Resolution，HR)图像来恢复图像的高频细节。通常，图像超分辨率算法同时需要有高分辨率图像对应的低分辨率图像，这样组成高-低分辨率图像对来训练图像超分辨算法。然而在实际应用中，一般不具备高-低分辨率图像对，所以现有的超分辨过程包括降采样和上采样两部分。通常，低分辨率图像是由高分辨率图像通过降采样过程得到的，图像的降采样过程如公式所示：

X＝(Y*k)↓s+n，

其中Y代表高分辨率图像，X代表经过降采样过程得到的低分辨率图像，k和n分别表示模糊核和噪声，s表示降采样。图像的上采样过程与降采样过程相反，目标是从给定的低分辨率图像X中恢复高分辨率图像Y。由上可知，图像超分辨率算法的三个重要的步骤为：降采样过程的模糊核k和噪声n的估计以及图像上采样过程。目前的图像超分辨率方法主要分为非盲超分辨率方法(Non-Blind SR)和盲超分辨率方法(Blind SR)。其中非盲超分辨是指通过某种理想的、固定的方法(通常为双三次插值)获得低分辨率图像，这种配对数据集的方法比较简单。盲超分辨率方法是指图像降采样过程的模糊核k是未知的。

在图像超分辨算法中，使用基于深度学习的方法在过去几年中实现了较大性能的提升，也是目前主流的图像超分辨方法。然而，这些基于深度学习的方法通常使用理想的降采样方法(比如双三次插值方法，bicubic)来获得低分辨率图像(LR)。虽然一些盲超分辨率方法被应用到深度学习的领域中，但是这些方法只是提高了图像降采样过程中的鲁棒性，并没有实际计算降采样核，不是真正的盲超分辨。