CN113222819A - 一种基于深度卷积神经网络的遥感图像超分辨重建方法 - Google Patents

Abstract

一种基于深度卷积神经网络的遥感图像超分辨重建方法，涉及数字图像处理。令输入图像为I_LR，经过深度残差注意力网络输出图像I_DRAN，图像I_DRAN经过边缘加强网络后输出图像中边缘细节加强后的图像I_EEN，最后令图像I_DRAN与图像I_EEN相融合获取最终的遥感图像超分辨率重建结果I_SR。用残差双注意力块实现特征间传递，保证信息完整性。每个残差双注意力块中加入LFF子模块，使得网络具有更强特征表达能力。引入一种注意力机制，该机制融合通道注意力和空间注意力，可更有效关注重要特征信息。提出一种边缘加强网络，进一步增强遥感图像的边缘细节恢复能力。

Description

一种基于深度卷积神经网络的遥感图像超分辨重建方法

技术领域

本发明涉及数字图像处理，尤其是涉及一种基于深度卷积神经网络的遥感图像超分辨重建方法。

背景技术

随着现代航空航天技术的快速发展，遥感图像越来越广泛地应用在各个领域，如农林监测、军事侦察、城市规划等，对其分辨率要求越来越高。然而由于硬件条件和探测距离的限制，遥感图像的分辨率和清晰度还有很大的提高空间。考虑到从物理层面提高成像传感器的研究成本高、硬件迭代开发周期长等等因素，从算法层面将低分辨率遥感图像重建为高分辨率图像正在成为当前研究的热点之一。

单幅图像超分辨率重建(Single Image Super-Resolution，SISR)技术可以提高遥感数据的空间分辨率，同时提供低分辨率(Low-Resolution，LR)图像中没有的空间细节。近年来，随着深度学习和GPU计算能力的发展，深度卷积神经网络(DCNN)已成为图像分类、目标检测和超分辨率重建的主流方法。基于深度卷积神经网络的方法从数据中自动学习高层特征，为提高分辨率恢复性能提供一种非常可行的方法。

与自然图像相比，遥感图像具有更复杂的背景和种类繁多的地物信息，此外受到超长距离成像、大气干扰和设备噪声等因素的影响，遥感图像中地面目标物之间的纹理结构和高频细节更难复原。尽管已经提出一些基于深度卷积神经网络的算法来实现遥感图像的超分辨率重建，如文件CN109584161A公开的基于通道注意力的卷积神经网络的遥感图像超分辨率重建方法，但该文件仅考虑注重每一个通道的权重，而忽视空间特征的权重。文件CN110136063A公开的基于生成对抗网络的遥感图像超分辨率重建方法，但基于GAN的遥感图像超分辨率重建方法存在生成图像边缘容易过渡平滑、训练过程不稳定等限制因素。

如何提供一种效果较佳的遥感图像超分辨率重建方法是本领域技术人员亟需解决的问题。

发明内容

本发明的目的是针对现有技术存在的上述技术问题，提供一种基于深度卷积神经网络的遥感图像超分辨重建方法。

本发明包括以下步骤：

1)令输入图像为I_LR，经过深度残差注意力网络输出图像I_DRAN；

2)图像I_DRAN经过边缘加强网络后输出图像中边缘细节加强后的图像I_EEN；

3)令图像I_DRAN与图像I_EEN相融合获取最终的遥感图像超分辨率重建结果I_SR。

在步骤1)中，所述深度残差注意力网络(deep residual attention network，DRAN)分为上采样分支和主体网络。

所述上采样分支用来学习图像的全局残差信息，公式如下：

I_bicubic＝H_Bicubic(I_LR) (1)

其中，H_Bicubic(·)为双三次插值上采样操作，I_bicubic为上采样后的图像。

所述主体网络分为浅层特征提取模块、深度特征提取模块、上采样模块和重建模块；

所述浅层特征提取模块的公式如下：

F₀＝H_SF(I_LR) (2)

其中，H_SF(·)为卷积核大小为3像素×3像素的卷积操作，F₀为提取的浅层特征图像。

所述深度采样提取模块由N个残差双注意力块(residual double attentionblock，RDAB)组成；计算公式如下：

F_b，n＝H_RDAB，n(F_b，n-1)＝H_RDAB，n(H_RDAB，n-1(…H_RDAB，1(F₀)…)) (3)

其中，H_RDAB，n(·)为第n个RDAB块操作；F_b，n-1和F_b，n分别为第n个RDAB块的输入和输出；

每个RDAB块包含LFF子模块、CA子模块和SA子模块；所述LFF子模块用于提取和融合多样化的局部特征，所述CA子模块用于获取不同通道的重要特征信息，所述SA子模块用于关注带有高频信息的空间位置；

所述LFF子模块的公式如下：

F₁＝f_1，3(F_b，n-1) (4)

F₂＝f_2，3(ReLU(F₁)) (5)

F_LLF＝f_3，1(f_Concat(F₁，F₂)) (6)

其中，f_m，n(·)为第m个卷积核大小为n像素×n像素的卷积操作，f_Concat(·)为特征图拼接操作，ReLU(·)为ReLU激活函数，F₁和F₂分别为第n个RDAB块中的第一个卷积和第二个卷积的输出，F_LLF为LFF子模块最终的输出。

所述CA子模块的计算流程如下：

定义

为通道总数为C的特征图，其中单个通道的尺寸大小为H×W；对第c个通道的特征图

计算全局均值池化，得到所对应的通道特征描述子

计算如下：：

其中，

为F_LLF中第c个特征图中位置为(i，j)上的值，

为F_LLF对应的通道特征描述子。定义D_channel对应的通道权重

A_channel的计算如下：

A_channel＝σ(W₁ReLU(W₀D_channel)) (8)

其中，σ(·)和ReLU(·)分别为Sigmoid函数和ReLU函数。W₀(·)为通道下采样率为r的卷积核大小为1像素×1像素的卷积操作。W₁(·)为通道上采样率为r的卷积核大小为1像素×1像素的卷积操作。

定义CA子模块的通道注意力图输出为

则

的计算如下：

其中，

为特征图通道相乘操作。

所述SA子模块的计算流程如下：

定义D_{spatial，avg}和D_{spatial，max}分别为F_CA的均值池化空间特征描述子和最大值池化空间特征描述子，D_{spatial，avg}和D_{spatial，max}的计算如下：

其中，D_{spatial，avg}(i，j)和D_{spatial，avg}(i，j)分别为D_{spatial，avg}和D_{spatial，max}在位置(i，j)上的值，

为F_CA中第c个特征图中位置为(i，j)上的值；对D_{spatial，avg}和D_{spatial，max}进行融合，获取F_CA的空间权重A_spatial，计算如下：

A_spatial＝σ(W₂ReLU(f_Concat(D_{spatial，avg}，D_{spatial，max}))) (12)

其中，σ(·)、ReLU(·)和f_Concat(·)分别为Sigmoid函数、ReLU函数和特征图拼接操作，W₂(·)为输入通道数为2、输出通道数为1、卷积核大小为7像素×7像素的卷积操作。

定义SA子模块的空间注意力图输出为

则F_SA的计算如下：

其中，

为特征图相乘操作。

所述RDAB块的最终输出为：

F_b，n＝F_b，n-1+F_CA+F_SA (14)

其中，+为特征图相加操作。

所述主体网络中的上采样模块的公式如下：

F_up＝H_{Pixel Shuffle}(W₃(F_b，N)) (15)

其中，W₃(·)为卷积核大小为3像素×3像素的卷积操作，H_{Pixel Shuffle}(·)为像素洗牌(Pixel Shuffle)上采样操作，F_b，N为F₀经过N个RDAB块操作后的输出图像，F_up为上采样后的图像。

所述主体网络中的重建模块的公式如下：

I_res＝W₄(F_up) (16)

其中，为保证重建后的图像通道数与输入的低分辨率图像一致，W₄(·)为输出通道为3的卷积核大小为3像素×3像素的卷积操作，I_res为主体网络的输出图像。

所述深度残差注意力网络的输出为：

I_DRAN＝I_res+I_bicubic (17)

在步骤2)中，所述边缘加强网络(edge-enhanced network，EEN)用于减弱遥感图像中的噪声和加强提取到的边缘信息。

具体地，通过拉普拉斯算子对深度残差注意力网络的输出I_DRAN进行边缘检测，抽取边缘信息，公式如下：

I_Laplacian＝Laplacian(x，y)⊙I_DRAN (18)

其中，Laplacian(x，y)为拉普拉斯算子，具体形式为([-1，-1，-1]，[-1，8，-1]，[-1，-1，-1])的卷积掩膜，⊙为卷积计算，I_Laplacian为对I_DRAN做拉普拉斯操作完输出的图像。

具体地，利用步长卷积提取边缘特征图同时将其转换为LR空间，进一步，通过含有多个密集块(dense block，DR)的密集子网络来获取更精细的边缘信息，同时使用一个掩膜分支来抑制噪声和虚假边缘。随后对边缘加强后的图像做上采样操作投射到HR空间。计算公式如下：

其中，C_D(·)为带有步长卷积的下采样操作，C_DR(·)为密集子网络操作，C_M(·)为掩膜分支操作，

为特征图相乘操作，H_{Pixel Shuffle}(·)为像素洗牌(Pixel Shuffle)上采样操作，I_Edge为边缘加强后的特征图。

具体地，边缘加强网络的输出为：

I_EEN＝I_Edge-I_Laplacian (20)

其中，-为特征图相减操作。

在步骤3)中，将深度残差注意力网络的输出I_DRAN与边缘加强网络I_EEN相融合获取最终的超分辨率遥感图像I_SR，公式为：

I_SR＝I_DRAN+I_EEN (21)

其中，+为特征图相加操作。

具体地，使用损失函数对整个网络进行优化，损失函数定义如下：

L(Θ)＝||I_SR-I_HR|| (22)

其中，I_HR为真实的高分辨率遥感图像，Θ为整个网络的参数。

与现有技术相比，本发明的优点如下：

1.本发明提出的深度残差注意力网络采用上采样分支网络和主体网络，上采样分支直接对低分辨率遥感图像做双三次插值上采样来学习图像的全局残差信息，针对图像中低频信息容易复原和高频信息不同意复原的特征，低频信息仅在浅层中进行复原，高频信息将会被越深的层复原。为防止浅层的特征在信息传递过程中被弱化或者丢失，本发明提出一种残差双注意力块来实现特征之间的传递，保证信息的完整性。

2.为重建高质量的遥感图像细节提供更丰富的信息，在每个残差双注意力块中加入局部特征融合子模块(LFF子模块)，该子模块提取和融合多样化的局部特征，使得网络具有更强的特征表达能力。

3.本发明在残差注意力块中引入一种注意力机制，该机制融合通道注意力和空间注意力。通道注意力机制聚焦特征图中的高权重通道，空间注意力机制则关注高权重空间位置。最后通过融合通道注意力和空间注意力，网络可以更有效地关注重要特征信息。

4.本发明提出一种边缘加强网络，该网络首先利用步长卷积将提取的拉普拉斯边缘特征映射到LR空间，进一步，通过含有多个密集块的密集子网络来获取更精细的边缘信息，同时使用一个掩膜分支来抑制噪声和虚假边缘，随后对边缘加强后的图像做上采样操作投射到HR空间。边缘增强网络进一步增强遥感图像的边缘细节恢复能力。

附图说明

图1为本发明实施例的流程框图。

图2为本发明实施例深度残差注意力网络(DRAN块)结构示意图。

图3为本发明实施例残差双注意力块(RDAB块)结构示意图。

图4为本发明实施例通道注意力(CA)子模块结构示意图。

图5为本发明实施例空间注意力(SA)子模块结构示意图。

图6为本发明实施例边缘增强网络(EEN)结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例提供基于深度残差注意力网络和边缘加强网络的遥感图像超分辨率重建的整体框图。令输入图像为I_LR，经过深度残差注意力网络输出图像I_DRAN，I_DRAN经过边缘加强网络后输出图像中边缘细节加强后的图像I_EEN，最后令I_DRAN与I_EEN相融合获取最终的遥感图像超分辨率重建结果I_SR。

图2为本发明实施例提供的深度残差注意力网络(DRAN)结构图。具体地，深度残差注意力网络分为上采样分支网络和主体网络。

具体地，上采样分支用来学习图像的全局残差信息，公式如下：

I_bicubic＝H_Bicubic(I_LR) (1)

其中，H_Bicubic(·)为双三次插值上采样操作，I_bicubic为上采样后的图像。

具体地，主体网络分为浅层特征提取模块、深度特征提取模块、上采样模块和重建模块。

具体地，主体网络中的浅层特征提取模块的公式如下：

F₀＝H_SF(I_LR) (2)

其中，H_SF(·)为卷积核大小为3像素×3像素的卷积操作，F₀为提取的浅层特征图像。

具体地，主体网络中的深度采样提取模块由N个残差双注意力块(residualdouble attention block，RDAB)组成。计算公式如下：

F_b，n＝H_RDAB，n(F_b，n-1)＝H_RDAB，n(H_RDAB，n-1(…H_RDAB，1(F₀)…)) (3)

其中，H_RDAB，n(·)为第n个RDAB模块操作。F_b，n-1和F_b，n分别为第n个RDAB模块的输入和输出。

具体地，每个RDAB块包含局部特征融合(local feature fusion，LFF)、通道注意力(Channel Attention，CA)和空间注意力(Spatial Attention，SA)三个子模块。图3为本发明实施例提供的残差双注意力块(RDAB)结构图。

具体地，LFF子模块用于提取和融合多样化的局部特征，LFF子模块的公式如下：

F₁＝f_1，3(F_b，n-1) (4)

F₂＝f_2，3(ReLU(F₁)) (5)

F_LLF＝f_3，1(f_Concat(F₁，F₂)) (6)

其中，f_m，n(·)为第m个卷积核大小为n像素×n像素的卷积操作，f_Concat(·)为特征图拼接操作，ReLU(·)为ReLU激活函数，F₁和F₂分别为第n个RDAB块中的第一个卷积和第二个卷积的输出，F_LLF为LFF子模块最终的输出。

具体地，CA子模块用于获取不同通道的重要特征信息，图4为本发明实施例提供的通道注意力(CA)子模块结构图，CA子模块的计算流程如下：

定义

为通道总数为C的特征图，其中单个通道的尺寸大小为H×W。对于第c个通道的特征匿

计算全局均值池化，得到所对应的通道特征描述子

计算如下：

其中，

为F_LLF中第c个特征图中位置为(i，j)上的值，

为F_LLF对应的通道特征描述子。定义D_channel对应的通道权重

A_channel的计算如下：

A_channel＝σ(W₁ReLU(W₀D_channel)) (8)

其中，σ(·)和ReLU(·)分别为Sigmoid函数和ReLU函数。W₀(·)为通道下采样率为r的卷积核大小为1像素×1像素的卷积操作。W₁(·)为通道上采样率为r的卷积核大小为1像素×1像素的卷积操作。

定义CA子模块的通道注意力图输出为

则

的计算如下：

其中，

为特征图通道相乘操作。

具体地，SA子模块关注带有高频信息的空间位置，图5为本发明实施例提供的空间注意力(SA)子模块结构图，SA子模块的计算流程如下：

定义D_{spatial，avg}和D_{spatial，max}分别为F_CA的均值池化空间特征描述子和最大值池化空间特征描述子，D_{spatial，avg}和D_{spatial，max}的计算如下：

其中，D_{spatial，avg}(i，j)和D_{spatial，avg}(i，j)分别为D_{spatial，avg}和D_{spatial，max}在位置(i，j)上的值，

为F_CA中第c个特征图中位置为(i，j)上的值。对D_{spatial，avg}和D_{spatial，max}进行融合，获取F_CA的空间权重A_spatial，计算如下：

A_spatial＝σ(W₂ReLU(f_Concat(D_{spatial，avg}，D_{spatial，max}))) (12)

其中，σ(·)、ReLU(·)和f_Concat(·)分别为Sigmoid函数、ReLU函数和特征图拼接操作，W₂(·)为输入通道数为2、输出通道数为1、卷积核大小为7像素×7像素的卷积操作。

定义SA子模块的空间注意力图输出为

则F_SA的计算如下：

其中，

为特征图相乘操作。

具体地，RDAB块的最终输出为：

F_b，n＝F_b，n-1+F_CA+F_SA (14)

其中，+为特征图相加操作。

具体地，主体网络中的上采样模块的公式如下：

F_up＝H_{Pixel Shuffle}(W₃(F_b，N)) (15)

其中，W₃(·)为卷积核大小为3像素×3像素的卷积操作，H_{Pixel Shuffle}(·)为像素洗牌(Pixel Shuffle)上采样操作，F_b，N为F₀经过N个RDAB块操作后的输出图像，F_up为上采样后的图像。

具体地，主体网络中的重建模块的公式如下：

I_res＝W₄(F_up) (16)

其中，为保证重建后的图像通道数与输入的低分辨率图像一致，W₄(·)为输出通道为3的卷积核大小为3像素×3像素的卷积操作，I_res为主体网络的输出图像。

具体地，深度残差注意力网络的输出为：

I_DRAN＝I_res+I_bicubic (17)

图6为本发明实施例提供的边缘增强网络(EEN)结构图，边缘加强网络(EEN)用于减弱遥感图像中的噪声和加强提取到的边缘信息。

具体地，通过拉普拉斯算子对深度残差注意力网络的输出I_DRAN进行边缘检测，抽取边缘信息，公式如下：

I_Laplacian＝Laplacian(x，y)⊙I_DRAN (18)

其中，Laplacian(x，y)为拉普拉斯算子，具体形式为([-1，-1，-1]，[-1，8，-1]，[-1，-1，-1])的卷积掩膜，⊙为卷积计算，I_Laplacian为对I_DRAN做拉普拉斯操作完输出的图像。

具体地，利用步长卷积提取边缘特征图同时将其转换为LR空间，进一步，通过含有多个密集块(dense block，DR)的密集子网络来获取更精细的边缘信息，同时使用一个掩膜分支来抑制噪声和虚假边缘。随后对边缘加强后的图像做上采样操作投射到HR空间。计算公式如下：

其中，C_D(·)为带有步长卷积的下采样操作，C_DR(·)为密集子网络操作，C_M(·)为掩膜分支操作，

为特征图相乘操作，H_{Pixel Shuffle}(·)为像素洗牌(Pixel Shuffle)上采样操作，I_Edge为边缘加强后的特征图。

具体地，边缘加强网络的输出为：

I_EEN＝I_Edge-I_Laplacian (20)

其中，-为特征图相减操作。

具体地，将深度残差注意力网络的输出I_DRAN与边缘加强网络I_EEN相融合获取最终的超分辨率遥感图像I_SR，公式为：

I_SR＝I_DRAN+I_EEN (21)

其中，+为特征图相加操作。

具体地，使用损失函数对整个网络进行优化，损失函数定义如下：

L(Θ)＝||I_SR-I_HR|| (22)

其中，I_HR为真实的高分辨率遥感图像，Θ为整个网络的参数。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本发明中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本发明所示的这些实施例，而是要符合与本发明所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于深度卷积神经网络的遥感图像超分辨重建方法，其特征在于其具体步骤为：

1)令输入图像为I_LR，经过深度残差注意力网络输出图像I_DRAN；

2)图像I_DRAN经过边缘加强网络后输出图像中边缘细节加强后的图像I_EEN；

3)令图像I_DRAN与图像I_EEN相融合获取最终的遥感图像超分辨率重建结果I_SR。

2.如权利要求1所述一种基于深度卷积神经网络的遥感图像超分辨重建方法，其特征在于在步骤1)中，所述深度残差注意力网络分为上采样分支和主体网络；所述上采样分支用来学习图像的全局残差信息，所述主体网络分为浅层特征提取模块、深度特征提取模块、上采样模块和重建模块；经过深度残差注意力网络输出图像I_DRAN为：

I_DRAN＝I_res+I_bicubic

其中，I_bicubic为上采样后的图像，I_res为主体网络的输出图像。

3.如权利要求2所述一种基于深度卷积神经网络的遥感图像超分辨重建方法，其特征在于所述上采样分支用来学习图像的全局残差信息，上采样后的图像I_bicubic公式如下：

I_bicubic＝H_Bicubic(I_LR)

其中，H_Bicubic(·)为双三次插值上采样操作。

4.如权利要求2所述一种基于深度卷积神经网络的遥感图像超分辨重建方法，其特征在于所述浅层特征提取模块的公式如下：

F₀＝H_SF(I_LR)

其中，H_SF(·)为卷积核大小为3像素×3像素的卷积操作，F₀为提取的浅层特征图像。

5.如权利要求2所述一种基于深度卷积神经网络的遥感图像超分辨重建方法，其特征在于所述深度采样提取模块由N个残差双注意力块组成，即RDAB块；计算公式如下：

F_b，n＝H_RDAB，n(F_b，n-1)＝H_RDAB，n(H_RDAB，n-1(···H_RDAB，1(F₀)···))

其中，H_RDAB，n(·)为第n个RDAB块操作；F_b，n-1和F_b，n分别为第n个RDAB块的输入和输出；

每个RDAB块包含LFF子模块、CA子模块和SA子模块；所述LFF子模块用于提取和融合多样化的局部特征，所述CA子模块用于获取不同通道的重要特征信息，所述SA子模块用于关注带有高频信息的空间位置；

所述LFF子模块的公式如下：

F₁＝f_1，3(F_b，n-1)

F₂＝f_2，3(ReLU(F₁))

F_LLF＝f_3，1(f_Concat(F₁，F₂))

其中，f_m，n(·)为第m个卷积核大小为n像素×n像素的卷积操作，f_Concat(·)为特征图拼接操作，ReLU(·)为ReLU激活函数，F₁和F₂分别为第n个RDAB块中的第一个卷积和第二个卷积的输出，F_LLF为LFF子模块最终的输出；

所述CA子模块的计算流程如下：

定义

为通道总数为C的特征图，其中单个通道的尺寸大小为H×W；对第c个通道的特征图

计算全局均值池化，得到所对应的通道特征描述子

计算如下：：

其中，

为F_LLF中第c个特征图中位置为(i，j)上的值，

为F_LLF对应的通道特征描述子；定义D_channel对应的通道权重

A_channel的计算如下：

A_channel＝σ(W₁ReLU(W₀D_channel))

其中，σ(·)和ReLU(·)分别为Sigmoid函数和ReLU函数；W₀(·)为通道下采样率为r的卷积核大小为1像素×1像素的卷积操作；W₁(·)为通道上采样率为r的卷积核大小为1像素×1像素的卷积操作；

定义CA子模块的通道注意力图输出为

则

的计算如下：

其中，

为特征图通道相乘操作；

所述SA子模块的计算流程如下：

定义D_{spatial，avg}和D_{spatial，max}分别为F_CA的均值池化空间特征描述子和最大值池化空间特征描述子，D_{spatial，avg}和D_{spatial，max}的计算如下：

其中，D_{spatial，avg}(i，j)和D_{spatial，avg}(i，j)分别为D_{spatial，avg}和D_{spatial，max}在位置(i，j)上的值，

为F_CA中第c个特征图中位置为(i，j)上的值；对D_{spatial，avg}和D_{spatial，max}进行融合，获取F_CA的空间权重A_spatial，计算如下：

A_spatial＝σ(W₂ReLU(f_Concat(D_{spatial，avg}，D_{spatial，max})))

其中，σ(·)、ReLU(·)和f_Concat(·)分别为Sigmoid函数、ReLU函数和特征图拼接操作，W₂(·)为输入通道数为2、输出通道数为1、卷积核大小为7像素×7像素的卷积操作；

定义SA子模块的空间注意力图输出为

则F_SA的计算如下：

其中，

为特征图相乘操作；

所述RDAB块的最终输出为：

F_b，n＝F_b，n-1+F_CA+F_SA

其中，+为特征图相加操作。

6.如权利要求2所述一种基于深度卷积神经网络的遥感图像超分辨重建方法，其特征在于所述上采样模块的公式如下：

F_up＝H_PixelShuffle(W₃(F_b，N))

其中，W₃(·)为卷积核大小为3像素×3像素的卷积操作，H_PixelShuffle(·)为像素洗牌上采样操作，F_b，N为F₀经过N个RDAB块操作后的输出图像，F_up为上采样后的图像。

7.如权利要求2所述一种基于深度卷积神经网络的遥感图像超分辨重建方法，其特征在于所述重建模块的公式如下：

I_res＝W₄(F_up)

其中，为保证重建后的图像通道数与输入的低分辨率图像一致，W₄(·)为输出通道为3的卷积核大小为3像素×3像素的卷积操作，I_res为主体网络的输出图像。

8.如权利要求1所述一种基于深度卷积神经网络的遥感图像超分辨重建方法，其特征在于在步骤2)中，所述边缘加强网络用于减弱遥感图像中的噪声和加强提取到的边缘信息，首先通过拉普拉斯算子对图像I_DRAN进行边缘检测，抽取边缘信息；利用步长卷积将提取的拉普拉斯边缘特征映射到LR空间，然后通过含有多个密集块的密集子网络来获取更精细的边缘信息，同时使用一个掩膜分支来抑制噪声和虚假边缘，随后对边缘加强后的图像做上采样操作投射到HR空间。

9.如权利要求8所述一种基于深度卷积神经网络的遥感图像超分辨重建方法，其特征在于所述图像I_DRAN经过边缘加强网络后输出图像中边缘细节加强后的图像I_EEN的具体步骤为：

通过拉普拉斯算子对深度残差注意力网络的输出I_DRAN进行边缘检测，抽取边缘信息，公式如下：

I_Laplacian＝Laplacian(x，y)⊙I_DRAN

其中，Laplacian(x，y)为拉普拉斯算子，具体形式为([-1，-1，-1]，[-1，8，-1]，[-1，-1，-1])的卷积掩膜，⊙为卷积计算，I_Laplacian为对I_DRAN做拉普拉斯操作完输出的图像；

利用步长卷积提取边缘特征图同时将其转换为LR空间，通过含有多个密集块的密集子网络来获取更精细的边缘信息，同时使用一个掩膜分支来抑制噪声和虚假边缘；随后对边缘加强后的图像做上采样操作投射到HR空间；计算公式如下：

其中，C_D(·)为带有步长卷积的下采样操作，C_DR(·)为密集子网络操作，C_M(·)为掩膜分支操作，

为特征图相乘操作，片_PixelShuffle(·)为像素洗牌上采样操作，I_Edge为边缘加强后的特征图；

图像中边缘细节加强后的图像I_EEN为：

I_EEN＝I_Edge-I_Laplacian

其中，-为特征图相减操作，I_Edge为边缘加强后的特征图，I_Laplacian为对I_DRAN做拉普拉斯操作完输出的图像。

10.如权利要求1所述一种基于深度卷积神经网络的遥感图像超分辨重建方法，其特征在于在步骤3)中，令图像I_DRAN与图像I_EEN相融合获取最终的遥感图像超分辨率重建结果I_SR的公式为：

I_SR＝I_DRAN+I_EEN

其中，+为特征图相加操作；

使用损失函数对整个网络进行优化，损失函数定义如下：

L(Θ)＝||I_SR-I_HR||

其中，I_HR为真实的高分辨率遥感图像，Θ为整个网络的参数。

Images