卫星遥感图像超分模型设计论文.docxVIP

卫星遥感图像超分模型设计论文

一.摘要

卫星遥感图像作为获取地球表面信息的重要手段，在资源调查、环境监测、城市规划等领域发挥着关键作用。然而，受限于传感器分辨率、大气干扰及云层遮挡等因素，遥感图像普遍存在分辨率低、细节模糊等问题，严重制约了后续信息提取与分析的精度。为解决这一挑战，本研究提出一种基于深度学习的超分辨率重建模型，旨在提升卫星遥感图像的分辨率和细节清晰度。研究以多光谱卫星图像为对象，采用卷积神经网络（CNN）作为核心架构，结合残差学习与注意力机制，构建了层次化特征融合的超分模型。通过引入双向特征传递模块，有效捕捉了图像在空间和频域上的冗余信息，并通过多尺度金字塔网络增强细节恢复能力。实验选取了公开的卫星遥感图像数据集，与传统的双三次插值法、基于重建的方法以及单一CNN模型进行对比。结果表明，本研究提出的模型在峰值信噪比（PSNR）、结构相似性（SSIM）及空间细节保持指标上均显著优于其他方法，最高提升达23.7%。此外，模型在不同光照条件、复杂地物场景下的泛化能力也得到了验证。研究结论表明，深度学习超分模型能够有效提升卫星遥感图像质量，为高分辨率图像的自动生成提供了新的技术路径，具有广泛的应用前景。

二.关键词

卫星遥感图像，超分辨率重建，深度学习，卷积神经网络，特征融合

三.引言

卫星遥感技术作为现代地理空间信息获取的核心手段，已渗透到国民经济和社会发展的各个层面。从