卫星遥感图像超分发展趋势论文.docxVIP

卫星遥感图像超分发展趋势论文

一.摘要

卫星遥感图像超分辨率（Super-Resolution,SR）技术旨在提升低分辨率遥感图像的空间细节与信息量，是推动地观测领域智能化应用的关键技术之一。随着空间探测技术的快速发展，遥感图像分辨率不断提升，但受限于传感器性能、传输带宽及数据处理效率等因素，低分辨率图像仍广泛存在于实际应用场景中。特别是在复杂地理环境监测、精细农业管理、城市规划与灾害评估等领域，高分辨率细节信息的缺失显著制约了遥感数据的潜在价值。因此，超分辨率技术的研究与优化成为提升遥感数据应用效能的重要方向。本研究以多源卫星遥感影像为对象，聚焦深度学习与传统插值算法相结合的超分辨率方法，构建了一个基于卷积神经网络（CNN）的混合模型。该模型通过融合深度特征提取与多尺度金字塔结构，有效解决了传统插值算法细节模糊、纹理失真等问题，同时兼顾了训练效率与泛化能力。实验以Landsat-8与Sentinel-2卫星影像为数据集，采用自然图像质量评估指标（如PSNR、SSIM）和地物纹理分析指标（如边缘清晰度、纹理复杂度）进行性能验证。结果表明，混合模型在标准测试集上相较于单一深度学习模型与经典插值算法，均实现了约15%的分辨率提升，且地物细节恢复更为精确。研究还发现，模型对复杂地物场景（如城市建筑区、植被覆盖区）的超分辨率效果显著优于单一方法，尤其是在小尺寸目标（如道路、建筑物轮廓）的