改进卷积神经网络的卫星遥感图像超分论文.docxVIP

改进卷积神经网络的卫星遥感图像超分论文

一.摘要

卫星遥感图像超分辨率（Super-Resolution,SR）技术是提升地球观测数据质量的关键环节，其核心目标在于通过算法重建高分辨率（High-Resolution,HR）图像，以弥补现有卫星传感器受限于空间分辨率不足的问题。随着遥感技术的快速发展，对图像细节和清晰度的需求日益增长，传统超分辨率方法在处理卫星遥感图像时面临诸多挑战，如光照变化、大气干扰、几何畸变以及边缘模糊等复杂因素。这些因素导致重建图像的纹理失真、伪影严重，难以满足实际应用需求。因此，如何有效提升超分辨率重建的精度与鲁棒性，成为该领域亟待解决的重要问题。

本研究基于深度学习框架，提出了一种改进的卷积神经网络（ConvolutionalNeuralNetwork,CNN）模型，以实现卫星遥感图像的高效超分辨率重建。首先，通过分析现有CNN模型在遥感图像超分任务中的局限性，我们引入了多尺度特征融合模块，旨在整合不同层次的特征信息，增强模型对图像细节的捕捉能力。其次，为了解决光照变化和大气模糊问题，我们设计了一个自适应归一化层，通过动态调整特征图的权重，提升模型在复杂环境下的适应性。此外，为了进一步抑制重建图像中的伪影，我们采用了基于对抗学习的损失函数，结合感知损失与循环一致性损失，确保重建结果在视觉上与真实图像高度一致。

实验结果表明，改进后的CNN模型在