Generate adversarial network for super-resolution reconstruction of remote sensing images by fusing edge enhancement and non-local modules

LIU Jie; QI Ruo; HAN Ke

doi:10.37188/OPE.20233114.2080

您当前的位置：

首页 >

文章列表页 >

Generate adversarial network for super-resolution reconstruction of remote sensing images by fusing edge enhancement and non-local modules

Information Sciences | 更新时间：2023-08-26

- Generate adversarial network for super-resolution reconstruction of remote sensing images by fusing edge enhancement and non-local modules
- Optics and Precision Engineering Vol. 31, Issue 14, Pages: 2080-2092(2023)
- 作者机构：
  
  1.哈尔滨理工大学测控技术与通信工程学院，黑龙江哈尔滨 150080
  2.哈尔滨商业大学计算机与信息工程学院，黑龙江哈尔滨 150028
- 作者简介：
- 基金信息：
- DOI：10.37188/OPE.20233114.2080
  CLC： TP391
- Received：30 July 2022，
  
  Revised：30 October 2022，
  
  Published：25 July 2023
- 稿件说明：
移动端阅览
刘杰,祁箬,韩轲.融合边缘增强与非局部模块的遥感图像超分辨率重建生成对抗网络[J].光学精密工程,2023,31(14):2080-2092.

LIU Jie,QI Ruo,HAN Ke.Generate adversarial network for super-resolution reconstruction of remote sensing images by fusing edge enhancement and non-local modules[J].Optics and Precision Engineering,2023,31(14):2080-2092.
刘杰,祁箬,韩轲.融合边缘增强与非局部模块的遥感图像超分辨率重建生成对抗网络[J].光学精密工程,2023,31(14):2080-2092. DOI： 10.37188/OPE.20233114.2080.

LIU Jie,QI Ruo,HAN Ke.Generate adversarial network for super-resolution reconstruction of remote sensing images by fusing edge enhancement and non-local modules[J].Optics and Precision Engineering,2023,31(14):2080-2092. DOI： 10.37188/OPE.20233114.2080.

摘要

针对遥感图像成像过程中噪声污染严重，超分辨率重建图像存在目标边缘模糊和伪影等问题，本文提出一种融合边缘增强与非局部模块的遥感图像超分辨率算法（Edge-Enhanced and Non-local Modules Generative Adversarial Network，ENGAN）。为了使图像细节边缘更清晰，本文融合一种图像边缘增强模块；同时，为进一步扩大模型感受野和增强去除边缘噪声性能，改进边缘增强模块中的Mask分支；此外，引入非局部模块，通过更好地利用图像的内在特征相关性，进一步提升了网络的重建性能。本文在UCAS-AOD和NWPU VHR-10两种遥感图像数据集上进行多个算法的对比实验，结果表明本文提出的方法在多个评价指标上均有所改善。以退化类型Ⅳ为例，本文方法相比深度盲超分辨率退化模型，4倍超分辨率的SSIM提升了0.068，PSNR提升了1.400 dB，RMSE减少了12.5%，且重建后的遥感图像相较于原始图像可以得到更好的地面目标检测结果。

Abstract

To address the serious noise pollution in the process of image remote sensing and the existence of object edge blur and artifacts in the super-resolution reconstructed image， this study proposes a remote sensing image super-resolution algorithm called edge-enhanced and non-local modules generative adversarial network （ENGAN）. To make the image edge details clearer， the proposed algorithm integrated an image edge enhancement module. To further expand the receptive field of the model and enhance the edge noise removal， the Mask branch in the edge enhancement module was simultaneously improved. The use of the intrinsic feature correlation of images further improved the reconstruction performance of the network. In this study， comparison experiments of multiple algorithms were performed on two remote sensing image datasets， UCAS-AOD and NWPU VHR-10. The proposed method showed improvement in multiple evaluation indicators. Taking degradation type IV as an example， the 4x super-resolution SSIM was increased by 0.068， PSNR increased by 1.400 dB， and RMSE reduced by 12.5% compared with the deep-blind super-resolution degradation model. Moreover， the reconstructed remote sensing image can obtain better ground target detection results than the original image.

关键词

Keywords

references

孙家抦，舒宁，关泽群 . 遥感原理、方法和应用［M］. 北京：测绘出版社， 1997 .

SUN J B ， SHU N ， GUAN Z Q . Principle ， Method and Application of Remote Sensing ［M］. Beijing ： Sino Maps Press ， 1997 . （in Chinese）

柏宇阳 . 基于卷积神经网络的遥感图像超分辨重建［D］. 哈尔滨：黑龙江大学， 2021 .

BAI Y Y . Super-Resolution Reconstruction of Remote Sensing Image Based on Convolutional Neural Network ［D］. Harbin ： Helongjiang University ， 2021 . （in Chinese）

唐艳秋，潘泓，朱亚平，等 . 图像超分辨率重建研究综述［J］. 电子学报， 2020 ， 48 （ 7 ）： 1407 - 1420 . doi: 10.3969/j.issn.0372-2112.2020.07.022 http://dx.doi.org/10.3969/j.issn.0372-2112.2020.07.022

TANG Y Q ， PAN H ， ZHU Y P ， et al . A survey of image super-resolution reconstruction ［J］. Acta Electronica Sinica ， 2020 ， 48 （ 7 ）： 1407 - 1420 . （in Chinese） . doi: 10.3969/j.issn.0372-2112.2020.07.022 http://dx.doi.org/10.3969/j.issn.0372-2112.2020.07.022

熊鹰飞 . 基于生成对抗网络的多源跨区域遥感图像超分辨［D］. 深圳：中国科学院大学（中国科学院深圳先进技术研究院）， 2021 .

XIONG Y F . Super-Resolution of Multi-Source and Cross-Regional Remote Sensing Images Based on Generative Countermeasure Network ［D］. Shenzhen ： Shenzhen Institutes of Advanced Technology， Chinese Academy of Sciences ， 2021 . （in Chinese）

邵旻昊 . 基于深度学习的遥感图像超分辨率重建算法研究［D］. 西安：西安电子科技大学， 2021 .

SHAO M H . Research on Super-Resolution Reconstruction Algorithm of Remote Sensing Image Based on Deep Learning ［D］. Xi'an ： Xidian University ， 2021 . （in Chinese）

DONG C ， LOY C C ， HE K M ， et al . Learning a Deep Convolutional Network for Image Super-Resolution ［M］. Computer Vision - ECCV 2014. Cham ： Springer International Publishing ， 2014 ： 184 - 199 . doi: 10.1007/978-3-319-10593-2_13 http://dx.doi.org/10.1007/978-3-319-10593-2_13

蔡体健，彭潇雨，石亚鹏，等 . 通道注意力与残差级联的图像超分辨率重建［J］. 光学精密工程， 2021 ， 29 （ 1 ）： 142 - 151 . doi: 10.37188/OPE.20212901.0142 http://dx.doi.org/10.37188/OPE.20212901.0142

CAI T J ， PENG X Y ， SHI Y P ， et al . Channel attention and residual concatenation network for image super-resolution ［J］. Opt. Precision Eng. ， 2021 ， 29 （ 1 ）： 142 - 151 . （in Chinese） . doi: 10.37188/OPE.20212901.0142 http://dx.doi.org/10.37188/OPE.20212901.0142

刘雪岩，许聿达，雷建昕，等 . 基于视差放大与超分辨率的三维光场腹腔镜标定［J］. 光学精密工程， 2022 ， 30 （ 5 ）： 510 - 517 . doi: 10.37188/OPE.2021.0332 http://dx.doi.org/10.37188/OPE.2021.0332

LIU X Y ， XU Y D ， LEI J X ， et al . Three-dimensional light field endoscope calibration based on light field disparity amplifier and super-resolution network ［J］. Opt. Precision Eng. ， 2022 ， 30 （ 5 ）： 510 - 517 . （in Chinese） . doi: 10.37188/OPE.2021.0332 http://dx.doi.org/10.37188/OPE.2021.0332

耿铭昆，吴凡路，王栋 . 轻量化火星遥感影像超分辨率重建网络［J］. 光学精密工程， 2022 ， 30 （ 12 ）： 1487 - 1498 . doi: 10.37188/OPE.20223012.1487 http://dx.doi.org/10.37188/OPE.20223012.1487

GENG M K ， WU F L ， WANG D . Lightweight Mars remote sensing image super-resolution reconstruction network ［J］. Opt. Precision Eng. ， 2022 ， 30 （ 12 ）： 1487 - 1498 . （in Chinese） . doi: 10.37188/OPE.20223012.1487 http://dx.doi.org/10.37188/OPE.20223012.1487

WANG X T ， YU K ， WU S X ， et al . ESRGAN ： Enhanced Super-Resolution Generative Adversarial Networks ［M］. Lecture Notes in Computer Science . Cham ： Springer International Publishing ， 2019 ： 63 - 79 . doi: 10.1007/978-3-030-11021-5_5 http://dx.doi.org/10.1007/978-3-030-11021-5_5

JI X Z ， CAO Y ， TAI Y ， et al . Real-World Super-Resolution via Kernel Estimation and Noise Injection ［C］. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops （CVPRW） . 14 - 19 ， 2020， Seattle， WA， USA. IEEE ， 2020： 1914 - 1923 . doi: 10.1109/cvprw50498.2020.00241 http://dx.doi.org/10.1109/cvprw50498.2020.00241

XU Y Y ， LUO W ， HU A N ， et al . TE-SAGAN： an improved generative adversarial network for remote sensing super-resolution images ［J］. Remote Sensing ， 2022 ， 14 （ 10 ）： 2425 . doi: 10.3390/rs14102425 http://dx.doi.org/10.3390/rs14102425

WANG X T ， XIE L B ， DONG C ， et al . Real-ESRGAN： Training Real-World Blind Super-Resolution with Pure Synthetic Data ［C］. 2021 IEEE/CVF International Conference on Computer Vision Workshops （ICCVW） . 11 - 17 ， 2021， Montreal， BC， Canada. IEEE ， 2021： 1905 - 1914 . doi: 10.1109/iccvw54120.2021.00217 http://dx.doi.org/10.1109/iccvw54120.2021.00217

ZHANG K ， LIANG J Y ， VAN GOOL L ， et al . Designing a Practical Degradation Model for Deep Blind Image Super-Resolution ［C］. 2021 IEEE/CVF International Conference on Computer Vision （ICCV） . 10 - 17 ， 2021， Montreal， QC， Canada. IEEE ， 2022： 4771 - 4780 . doi: 10.1109/iccv48922.2021.00475 http://dx.doi.org/10.1109/iccv48922.2021.00475

LEDIG C ， THEIS L ， HUSZÁR F ， et al . Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network ［C］. 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR） . 21 - 26 ， 2017， Honolulu， HI， USA. IEEE ， 2017： 105 - 114 . doi: 10.1109/cvpr.2017.19 http://dx.doi.org/10.1109/cvpr.2017.19

SCHÖNFELD E ， SCHIELE B ， KHOREVA A . A U-Net Based Discriminator for Generative Adversarial Networks ［C］. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR） . 13 - 19 ， 2020， Seattle， WA， USA. IEEE ， 2020： 8204 - 8213 . doi: 10.1109/cvpr42600.2020.00823 http://dx.doi.org/10.1109/cvpr42600.2020.00823

XU L ， REN J S J ， YAN Q ， et al . Deep edge-aware filters ［J］. 32nd International Conference on Machine Learning ， ICML 2015， 2015 ， 2 ： 1669 - 1678 .

LIU S F ， PAN J S ， YANG M H . Learning Recursive Filters for Low-Level Vision via a Hybrid Neural Network ［M］. Computer Vision - ECCV 2016. Cham ： Springer International Publishing ， 2016 ： 560 - 576 . doi: 10.1007/978-3-319-46493-0_34 http://dx.doi.org/10.1007/978-3-319-46493-0_34

KAMGAR-PARSI B ， KAMGAR-PARSI B ， ROSENFELD A . Optimally isotropic Laplacian operator ［J］. IEEE Transactions on Image Processing ， 1999 ， 8 （ 10 ）： 1467 - 1472 . doi: 10.1109/83.791975 http://dx.doi.org/10.1109/83.791975

LAI W S ， HUANG J B ， AHUJA N ， et al . Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution ［C］. 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR） . 21 - 26 ， 2017， Honolulu， HI， USA. IEEE ， 2017： 5835 - 5843 . doi: 10.1109/cvpr.2017.618 http://dx.doi.org/10.1109/cvpr.2017.618

LIM B ， SON S ， KIM H ， et al . Enhanced Deep Residual Networks for Single Image Super-Resolution ［C］. 2017 IEEE Conference on Computer Vision and Pattern Recognition Workshops （CVPRW） . 21 - 26 ， 2017， Honolulu， HI， USA. IEEE ， 2017： 1132 - 1140 . doi: 10.1109/cvprw.2017.151 http://dx.doi.org/10.1109/cvprw.2017.151

BUADES A ， COLL B ， MOREL J M . A Non-Local Algorithm for Image Denoising ［C］. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR' 05 ）.20-25， 2005， San Diego， CA， USA. IEEE ， 2005： 60 - 65 . doi: 10.1109/cvpr.2005.38 http://dx.doi.org/10.1109/cvpr.2005.38

DABOV K ， FOI A ， KATKOVNIK V ， et al . Image denoising by sparse 3-D transform-domain collaborative filtering ［J］. IEEE Transactions on Image Processing： a Publication of the IEEE Signal Processing Society ， 2007 ， 16 （ 8 ）： 2080 - 2095 . doi: 10.1109/tip.2007.901238 http://dx.doi.org/10.1109/tip.2007.901238

WANG X L ， GIRSHICK R ， GUPTA A ， et al . Non-Local Neural Networks ［C］. 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition . 18 - 23 ， 2018， Salt Lake City， UT， USA. IEEE ， 2018： 7794 - 7803 . doi: 10.1109/cvpr.2018.00813 http://dx.doi.org/10.1109/cvpr.2018.00813

DAI T ， CAI J R ， ZHANG Y B ， et al . Second-Order Attention Network for Single Image Super-Resolution ［C］. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR） . 15 - 20 ， 2019， Long Beach， CA， USA. IEEE ， 2020： 11057 - 11066 . doi: 10.1109/cvpr.2019.01132 http://dx.doi.org/10.1109/cvpr.2019.01132

WANG Z ， BOVIK A C ， SHEIKH H R ， et al . Image quality assessment： from error visibility to structural similarity ［J］. IEEE Transactions on Image Processing： a Publication of the IEEE Signal Processing Society ， 2004 ， 13 （ 4 ）： 600 - 612 . doi: 10.1109/tip.2003.819861 http://dx.doi.org/10.1109/tip.2003.819861

YUAN F ， HUANG L F ， YAO Y . An Improved PSNR Algorithm for Objective Video Quality Evaluation ［C］. 2007 Chinese Control Conference . 26 - 31 ， 2007， Zhangjiajie， China. IEEE ， 2007： 376 - 380 . doi: 10.1109/chicc.2006.4347144 http://dx.doi.org/10.1109/chicc.2006.4347144

Views

667

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Super-resolution reconstruction of remote images based on three level training BP neural network

Underwater image enhancement synthesizing multi-scale information and attention mechanisms

Image super-resolution network based on multi-scale adaptive attention

Infrared image generation with unpaired training samples

Image super-resolution reconstruction based on attention and wide-activated dense residual network

Related Author

ZHU Fu-zhen

WANG Xiao-fei

DING Qun

HE Hong-chang

XIA Xiaohua

ZHONG Yuquan

HU Peng

YAO Yunshi

Related Institution

College of Electronic Engineering, Heilongjiang University

Post-Doctoral Research Station of Electronic Science and Technology, College of Electronic Engineering, Heilongjiang University

Key Laboratory of Road Construction Technology and Equipment， Ministry of Education， Chang' an University

Henan Wanli Transportation Technology Group Co. Ltd.

School of Artificial Intelligence， Hebei University of Technology

Address：No.3888 Dong Nanhu Road, Changchun, Jilin, China Postal code：130033
Tel：0431-86176855 Email：gxjmgc@ciomp.ac.cn
Technical support is provided by Beijing Founder electronics co., LTD 吉ICP备11002662号-17 京公网安备11010802024621
It is recommended to read the content of this site in Chrome&IE9+. Please switch to extreme mode in browser 360.
Cookies We use cookies to help provide and enhance our service and tailor content. By continuing, you agree to the use of cookies.

⁰