本发明涉及图像处理，具体涉及一种遥感图像的超分辨率重建方法、系统及介质。

背景技术：

1、遥感技术在农业、军事、交通等多个领域具有广泛的应用价值。光学遥感图像是遥感技术的重要组成部分，它能够提供丰富的空间和光谱信息，但由于受到成像设备和信号传输的限制，遥感图像往往存在各种噪声，影响了图像的清晰度和质量。为了消除遥感图像的噪声，许多学者提出了基于不同理论和方法的去噪算法，并在实验中验证了其有效性。然而，除了去噪之外，还有一个更具挑战性的问题，就是如何提高遥感图像的分辨率，使其能够显示更多的细节和信息。

技术实现思路

1、本发明目的在于提供一种遥感图像的超分辨率重建方法、系统及介质，能够提高遥感图像的分辨率。

2、为了实现上述目的，本发明提供以下技术方案：

3、第一方面，本发明实施例提供了一种遥感图像的超分辨率重建方法，所述方法包括以下步骤：

4、s100，建立用于遥感图像超分辨率重建的重建模型，建立求解所述重建模型中退化矩阵的数学模型；其中，所述重建模型包括低分辨率图像、高分辨率图像和退化矩阵的函数关系；

5、s200，构建基于知识蒸馏的dctnet网络，所述dctnet网络包括教师网络和学生网络，所述教师网络基于预训练的transformer网络构建，所述学生网络基于预训练的cnn网络构建；

6、s300，采用所述dctnet网络对所述退化矩阵进行求解，基于求解得到的重建图像对所述dctnet网络进行迭代训练，得到训练好的dctnet网络；

7、s400，获取遥感图像，将所述遥感图像输入训练好的dctnet网络进行图像重建，得到重建图像；其中，所述遥感图像为低分辨率图像，所述重建图像为高分辨率图像。

8、可选地，s100中，所述建立用于遥感图像超分辨率重建的重建模型，建立求解所述重建模型中退化矩阵的数学模型，包括：

9、s110，建立重建模型，所述重建模型的数学表达式如下：

10、ilr＝k·ihr＋η（1）；

11、其中，ilr为观测到的低分辨率图像，ihr为输入的高分辨率图像，k表示退化矩阵，η表示加性噪声；

12、s120，将求解退化矩阵k以重建高分辨率图像的过程形式化为以下优化问题：

13、（2）；

14、其中，irc为经过重建的高分辨率图像，argmin(ihr,irc)为对输入的高分辨率图像和重建的高分辨率图像之间的差异进行最小化操作，n(ihr)为一项加权正则项，根据先验知识对解空间进行约束；通过引入辅助变量g，并解耦式（2）中的数据项和正则化项可得到：

15、（3）；

16、s130，将优化问题放宽为无约束问题，并通过admm技术可将式（3）中的等式优化问题转化为两个子问题：

17、（4）；

18、（5）；

19、其中，表示经过第n+1次重建的图像，gn+1表示对低分辨率图像经过n+1次重建计算得到的正则项，n为重建图像的次数g是计算在的接近算子，，f(·)表示低分辨率图像的重建模块，ω为的权重，为正则项，u为惩罚参数；

20、将公式(4)重写为：

21、（6）；

22、（7）；

23、（8）；

24、其中,为经过第n次重建的图像，为经过第i次重建的图像，d为奇异矩阵，r是比例因子，p为积分项。

25、可选地，s300中，所述采用所述dctnet网络对所述退化矩阵进行求解，基于求解得到的重建图像对所述dctnet网络进行迭代训练，得到训练好的dctnet网络，包括：

26、s310，基于所述教师网络对所述低分辨率图像进行重建，得到第一重建图像；

27、s320，基于所述学生网络对所述低分辨率图像进行重建，得到第二重建图像；

28、s330，基于所述第一重建图像和所述第二重建图像计算得到损失函数，当所述损失函数最小时，停止训练，得到训练好的dctnet网络。

29、可选地，所述教师网络包括lfe模块、hfe模块和hir模块；hfe模块包含多个串联的旋转变换模块和卷积块；s310中，所述基于所述教师网络对所述低分辨率图像进行重建，得到第一重建图像，包括：

30、s311，通过lfe模块中3×3卷积层对输入的低分辨率图像进行底层特征提取，将lfe模块输出的特征图分割成多个不重叠的补丁嵌入；

31、s312，通过hfe模块中逐层的旋转变换模块进行深层特征提取，将多个不重叠的补丁嵌入重新组合成一张特征图；

32、s313，通过残差连接，将浅层特征图和深层特征图融合后，输入到hir模块，得到第一重建图像。

33、可选地，所述学生网络包括特征提取模块和超分辨率重建模块；特征提取模块包括特征编码层和平均池化层，超分辨率重建模块包括特征解码层和上采样层；s320中，所述基于所述学生网络对所述低分辨率图像进行重建，得到第二重建图像，包括：

34、s321，通过通道数变换模块对输入的低分辨率图像进行特征提取，生成n个特征图；

35、s322，通过像素重新排列对n个所述特征图进行上采样，将每个通道的特征分解为所需的采样因子的倍数的数量，得到初步的上采样结果；

36、s323，将上采样结果和对应的降采样特征图相加，作为解码层的输出；

37、s324，重复执行步骤s322和s323，直到达到预设的分辨率；

38、s325，通过残差连接，将最后一层的输出和原始的低分辨率图像相加，得到重建的高分辨率图像，作为第二重建图像。

39、可选地，所述损失函数通过以下方式计算得到：

40、采用边缘校正函数对重建后的超分辨率图像进行约束，边缘校正函数的具体公式如下：

41、（9）；

42、其中，y表示真实数据，ecf表示边缘检测函数，lsr表示kl散度损失，kl（）表示kl散度损失，τ表示蒸馏温度；

43、定义蒸馏损失函数如下：

44、（10）；

45、基于边缘校正函数和蒸馏损失函数得到最终的损失函数，损失函数的公式为：

46、（11）；

47、其中，lhard是蒸馏损失函数，lglobal是最终的损失函数，α是蒸馏损失的权重，ft(x)是教师网络的逻辑层输出，fs(x)是学生网络的逻辑层输出。

48、第二方面，本发明实施例提供了一种遥感图像的超分辨率重建系统，所述系统包括：

49、至少一个处理器；

50、至少一个存储器，用于存储至少一个程序；

51、当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如上述任意一项所述的遥感图像的超分辨率重建方法。

52、第三方面，本发明实施例提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如上述任意一项所述的遥感图像的超分辨率重建方法。

53、本发明的有益效果是：本发明公开一种遥感图像的超分辨率重建方法、系统及介质，本发明采用了知识蒸馏方法，将基于先验驱动的cnn网络作为学生网络，将transformer网络作为教师网络进行知识蒸馏，实现遥感图像超分辨率任务。设计了跨网络知识提取方法优化教师网络，确保学生网络充分吸收并学得教师网络所包含的知识。