论文部分内容阅读
得益于载荷与卫星平台技术的迅猛发展，遥感能够实时精确的提供对地观测的数据信息，成为地理信息系统的主要数据更新途径。遥感卫星成像过程中，扫描速度的提高会导致图像产生运动模糊，从而使图像产生退化。在给定一幅模糊退化图像后，我们的目标是通过模糊复原算法来消除图像模糊，提高图像的可视度和信噪比，最终得到一幅清晰的遥感图像。因此，我们的工作重点是基于遥感图像的运动模糊复原方法。 本文从模糊遥感图像的退化模型入手，阐述了经典的遥感运动模糊图像复原模型和近年来火热的基于卷积神经网络的复原模型，并详细介绍了卷积神经网络的经典网络和图像复原质量评价标准。 其次，分析了当今流行的模糊复原方法的不足:传统的基于数学优化和大部分基于卷积神经网络的模糊图像复原方法都是先由模糊图像估计模糊核再解卷积获得清晰图像。但是，估计模糊核会带来一些问题。估计模糊核的方法对图像噪声和饱和很敏感;估计错误的模糊核会直接影响复原图像的质量，产生振铃现象;对每个像素找出对应的模糊核需要占用大量的计算资源和内存，计算复杂度较高。因此，我们设计了基于生成对抗网络和残差网络的模糊图像复原模型，采用端对端的方式，由输入的一幅模糊图像直接获取复原图像，这可以有效避免估计模糊核带来的一些问题。基于生成对抗网络的思想，整个模型由生成网络和判别网络组成。生成网络主要由经过修改的残差网络块组成，而判别网络由级联堆叠的卷积层组成。通过实验比较，我们设计的模型能够在给定模糊遥感图像的情况下复原出一幅清晰的遥感图像。 最后，针对基于生成对抗网络和残差网络的模糊图像复原模型的一些不足:训练时间过长、网络结构的利用率不高、生成对抗网络训练难以训练等，设计了基于条件式生成对抗网络和密集网络的模糊图像复原模型。首先，密集网络所需的参数量不到残差网络的一半，计算量也只有残差网络的一半左右。其次，残差网络具有比较明显的冗余性，网络中的每一层都只提取了很少的特征，使用密集网络可以节省训练的时间和提高图像复原的效率。最后，条件式生成对抗网络把模糊图像作为额外信息送给判别模型和生成模型，提高了生成对抗网络训练的稳定性。基于以上特性，本文设计了基于条件式生成对抗网络和密集网络的模糊图像复原模型。通过实验分析对比，本文设计的模型可以在给定模糊图像的情况下，有效的预测出模糊信息的概率分布并恢复一幅较为清晰的高质量遥感图像。相比于基于生成对抗网络和残差网络的模糊图像复原模型和其它基于深度学习的算法，本文的方法无论从图像复原质量和复原时间均有所提高。