遥感图像的空间分辨率是遥感成像技术中的重要指标之一，高分辨率的遥感图像意味着具有更高的数据量，具有高分辨率的遥感图像对于之后的图像处理、分析和应用极其重要。但是遥感图像采集过程中除了受到传感器的分辨率、成像设备的性能等硬件设备的影响以外，还可能受到恶劣天气、系统噪声等环境因素影响，使得到的遥感图像分辨率较低。采用超分辨率重建方法对低分辨率遥感图像进行重建，在降低采集成本的同时提高了遥感图像的分辨率，对后续遥感图像的处理以及分析具有重要意义。 遥感图像的目标具有多样性的特点，要正确表达这些目标之间的关系就要提取有关目标的纹理、轮廓等多种特征，但是现有的超分辨率重建方法对遥感图像相关特征的处理效果不佳。因此，提出一种基于卷积神经网络的遥感图像超分辨率重建方法。该方法首先通过多尺度特征提取单元提取遥感图像多尺度特征、然后通过非线性映射单元学习低分辨率图像到高分辨率图像之间的映射关系，最后通过重构单元完成遥感图像的超分辨率重建。具体工作如下： (1)分析遥感图像在成像过程中受到多种因素的影响，构建遥感图像退化模型。介绍三类典型的超分辨率重建方法，结合遥感图像的特点，分析现有方法存在的不足，设计一种多尺度深度神经网络结构用于遥感图像的超分辨率重建。 (2)针对于现有方法无法准确提取遥感图像不同尺度特征的问题，提出了一种基于多尺度特征单元的超分辨率重建方法。本文方法采用多尺度特征单元对遥感图像进行多尺度特征提取，通过深度可分离卷积减少特征提取部分的参数数量。使网络在保证重建速度的基础上提高了重建精度。 (3)针对于现有方法的非线性映射部分卷积层数过少导致网络无法准确学习低分辨率遥感图像与高分辨率遥感图像之间映射关系的问题。本文对非线性映射结构进行改进，设计多层深度可分离卷积层替代原有卷积层，使网络能更充分学习低分辨率图像与高分辨率图像之间的映射关系，以提升最终的重建质量。 (4)针对于现有方法因忽略低分辨率遥感图像的浅层特征信息而造成重建效果不佳的问题，提出了一种基于全局残差结构的超分辨率重建方法。本文将原始低分辨率图像中的浅层特征和非线性映射得到的深层特征融合在一起，提高网络的重建精度。 为了验证本文方法的性能，选取本文方法与各类经典的超分辨率重建方法进行对比试验。实验结果表明，本文方法重建得到的遥感图像结构以及纹理轮廓特征更加清晰，在客观评价指标上，本文方法均取得最高值。实验结果证明了本文所提方法的有效性。
NETL
