文献类型：期刊文章

作　　者：闵锐[1,2] 杨学志[2,3,4] 董张玉[1,2,4] 陈鲸[1]

MIN Rui;YANG Xue-zhi;DONG Zhang-yu;CHEN Jing(School of Computer and Information,Hefei University of Technology,Hefei 230009;Anhui Province Key Laboratory of Industrial Safety and Emergency Technology,Hefei 230009;School of Software,Hefei University of Technology,Hefei 230009;Intelligent Interconnected System Laboratory of Anhui Province,Hefei 230009,China)

机构地区：[1]合肥工业大学计算机与信息学院,安徽合肥230009 [2]工业安全与应急技术安徽省重点实验室,安徽合肥230009 [3]合肥工业大学软件学院,安徽合肥230009 [4]智能互联系统安徽省实验室,安徽合肥230009

出　　处：《地理与地理信息科学》

基　　金：中央高校基本科研业务费专项资金项目(PA2020GDSK0083);安徽省科技攻关计划项目(202004a07020030)。

年　　份：2021

卷　　号：37

期　　号：2

起止页码：47-53

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、JST、NSSD、RCCSE、RWSKHX、ZGKJHX、核心刊

摘　　要：针对利用生成对抗网络模型(Generative Adversarial Network,GAN)重建SAR(Synthetic Aperture Radar)图像存在边缘细节信息不足和“伪影”(artifacts)现象,该文基于增强型超分辨率生成对抗网络(Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN)光学模型,重新设计生成网络上采样重建模块和结构损失函数,提出一种结构增强型生成对抗网络SAR图像超分辨率重建算法,包括特征提取、特征增强和上采样重建3个模块:在特征提取模块采用小尺度卷积层对输入SAR图像进行低层次特征提取;在特征增强模块采用多个级联残差密集块(Residual-in-Residual Dense Block,RRDB)和卷积层提取输入特征;在上采样重建模块交替使用最近邻插值(Nearest Neighbor Interpolation,NNI)和亚像素卷积(Sub-Pixel Convolution,SPC)对特征进行放大重建,使特征信息交互融合。与传统插值算法和经典深度学习重建算法相比,该算法在视觉效果和定量评价方面均有显著提升,能够在保持原网络模型重建图像内容信息不丢失的基础上,增强重建图像边缘细节信息和减缓“伪影”现象,有利于后续目标识别和灾害监测等工作开展。

关 键 词：生成对抗网络  超分辨率重建 合成孔径雷达图像 结构损失  残差密集块  

分 类 号：TP751.1]