·82 智能系统学报 第15卷 重建，且能够保证图像细节纹理的恢复，如草坪 感图像具有更真实的细节、更锐利的边缘和更好 上的纹理、道路行车线、电缆阴影以及飞机场上 的重建效果，并通过对比实验，验证了本文方法 的转弯痕迹等，重建出的图像纹理细节更加真 的有效性、先进性和模型泛化能力。同时，在研 实，边缘更加锐利，整体效果更好。通过对比，充 究过程中发现，对于不同类别的机载遥感图像重 分证明本文方法能够有效对机载遥感图像进行图 建的效果存在差异，如何有针对性的对不同类别 像特征提取，并恢复出更清晰的细节纹理，且该 的机载遥感图像进行超分辨率重建是未来研究的 模型具有对不同机载遥感图像重建的泛化能力。 主要方向。 为了验证WGAN对于训练过程的优化效果， 将训练过程中原始GAN网络和使用WGAN后网 参考文献： 络的判别器损失函数变化曲线进行对比。选取迭 [1]赵英时.遥感应用分析原理与方法M北京：科学出版 代100次得到的结果进行对比分析，判别器损失 社，2013. 函数变化曲线如图10所示，图(a)为原始GAN的 [2]罗小波.遥感图像智能分类及其应用M北京：电子工 判别器损失函数变化曲线，图(b)为WGAN的判 业出版社.2011」 别器损失函数变化曲线。通过对比可以看出，原 [3]石爱业，徐枫.徐梦溪.图像超分辨率重建方法及应 始GAN在迭代55次时趋于平稳，而使用WGAN 用M.北京：科学出版社，2016. 后迭代30次时趋于平稳。随着迭代次数的增加， [4]DONG Chao,LOY CC,HE Kaiming,et al.Learning a 使用WGAN的判别器损失函数曲线下降的比原 deep convolutional network for image super-resolution[M]. FLEET D.PAJDLA T,SCHIELE B.et al.Computer Vis- 始GAN的更快，而且波动较小，训练进程更加稳 ion-ECCV 2014.Cham:Springer,2014:184-199. 定。这充分说明了WGAN对于模型训练的优化 [5]DONG Chao,LOY CC,TANG Xiaoou.Accelerating the 作用，提升了整个模型的训练稳定性，同时加快 super-resolution convolutional neural network[M].LEIBE 了收敛速度。 B,MATAS J,SEBE N,et al.Computer Vision-ECCV 4.0 1.0 2016.Cham:Springer,.2016:391-407. 3.5 0.8 [6]KIM J,LEE JK,LEE K M.Accurate image super-resolu- 3.0 tion using very deep convolutional networks[C]//Proceed- 0.6 ings of 2016 IEEE Conference on Computer Vision and 04 Pattern Recognition.Las Vegas,NV,USA,2016: 1.0 1646-1654. 0.5 [7]LEDIG C.THEIS L.HUSZAR F.et al.Photo-realistic 00 0.0 255075100125 0 255075100125 single image super-resolution using a generative adversari- 迭代次数 迭代次数 al network[C]//Proceedings of 2017 IEEE Conference on (a)原始GAN (b)WGAN Computer Vision and Pattern Recognition.Honolulu,HI. 图10判别器损失函数变化曲线对比 USA.2017:105-114 Fig.10 Comparison of discriminant loss function curves [8]ARJOVSKY M,CHINTALA S,BOTTOU L.Wasserstein GAN[J/OL].(2017-01-26).https://arxiv.org/abs/1701. 4结束语 07875. 本文提出的机载遥感图像超分辨率重建模 [9]石爱业，徐枫，徐梦溪.图像超分辨率重建方法及应 型将生成对抗网络应用到机载遥感图像中，将 用M0.北京：科学出版社，2016. RRDB作为特征提取模块，使生成器网络有更深 [10]TSAI R Y,HUANG TS.Multiframe image restoration 层的网络结构和更密集的连接，既可以防止选用 and registration.Advances in Computer Vision and Im- age Pro-cessing:JAI Press Inc.,1984,317-339. 较深网络训练时出现退化问题，又可以保证图像 [11]高春波.生成对抗网络的图像超分辨率重建D1.杭州」 的浅层信息和深层信息都能够得到有效的传递， 浙江理工大学，2019 最终重建出细节更丰富、图像更清晰的机载遥感 GAO Chunbo.Image super-resolution using a generative 图像的：采用带有感知损失的沃瑟斯坦式生成对 adversarial network[D].Hangzhou:Zhejiang Sci-Tech 抗网络优化判别器，克服了生成对抗网络难以训 University,2019. 练的缺点，最终有效对机载遥感图像进行4倍重 [12]GOODFELLOW I J.POUGET-ABADIE J.MIRZA M. 建。相较于其他方法，本文方法重建出的机载遥 et al.Generative adversarial nets[C]//Proceedings of the重建，且能够保证图像细节纹理的恢复，如草坪 上的纹理、道路行车线、电缆阴影以及飞机场上 的转弯痕迹等，重建出的图像纹理细节更加真 实，边缘更加锐利，整体效果更好。通过对比，充 分证明本文方法能够有效对机载遥感图像进行图 像特征提取，并恢复出更清晰的细节纹理，且该 模型具有对不同机载遥感图像重建的泛化能力。 为了验证 WGAN 对于训练过程的优化效果， 将训练过程中原始 GAN 网络和使用 WGAN 后网 络的判别器损失函数变化曲线进行对比。选取迭 代 100 次得到的结果进行对比分析，判别器损失 函数变化曲线如图 10 所示，图 (a) 为原始 GAN 的 判别器损失函数变化曲线，图 (b) 为 WGAN 的判 别器损失函数变化曲线。通过对比可以看出，原 始 GAN 在迭代 55 次时趋于平稳，而使用 WGAN 后迭代 30 次时趋于平稳。随着迭代次数的增加， 使用 WGAN 的判别器损失函数曲线下降的比原 始 GAN 的更快，而且波动较小，训练进程更加稳 定。这充分说明了 WGAN 对于模型训练的优化 作用，提升了整个模型的训练稳定性，同时加快 了收敛速度。 1.0 0.8 0.6 0.4 0.2 0.0 0 25 50 75 100 125 (b) WGAN 4.0 3.5 3.0 2.5 2.0 1.5 1.0 0.5 0.0 0 25 50 75 100 125 (a) 原始GAN 损失函数值 迭代次数 迭代次数 损失函数值 图 10 判别器损失函数变化曲线对比 Fig. 10 Comparison of discriminant loss function curves 4 结束语 本文提出的机载遥感图像超分辨率重建模 型将生成对抗网络应用到机载遥感图像中，将 RRDB 作为特征提取模块，使生成器网络有更深 层的网络结构和更密集的连接，既可以防止选用 较深网络训练时出现退化问题，又可以保证图像 的浅层信息和深层信息都能够得到有效的传递， 最终重建出细节更丰富、图像更清晰的机载遥感 图像的；采用带有感知损失的沃瑟斯坦式生成对 抗网络优化判别器，克服了生成对抗网络难以训 练的缺点，最终有效对机载遥感图像进行 4 倍重 建。相较于其他方法，本文方法重建出的机载遥 感图像具有更真实的细节、更锐利的边缘和更好 的重建效果，并通过对比实验，验证了本文方法 的有效性、先进性和模型泛化能力。同时，在研 究过程中发现，对于不同类别的机载遥感图像重 建的效果存在差异，如何有针对性的对不同类别 的机载遥感图像进行超分辨率重建是未来研究的 主要方向。 参考文献： 赵英时. 遥感应用分析原理与方法 [M]. 北京: 科学出版 社, 2013. [1] 罗小波. 遥感图像智能分类及其应用 [M]. 北京: 电子工 业出版社, 2011. [2] 石爱业, 徐枫, 徐梦溪. 图像超分辨率重建方法及应 用 [M]. 北京: 科学出版社, 2016. [3] DONG Chao, LOY C C, HE Kaiming, et al. Learning a deep convolutional network for image super-resolution[M]. FLEET D, PAJDLA T, SCHIELE B, et al. Computer Vis￾ion- ECCV 2014. Cham: Springer, 2014: 184−199. [4] DONG Chao, LOY C C, TANG Xiaoou. Accelerating the super-resolution convolutional neural network[M]. LEIBE B, MATAS J, SEBE N, et al. Computer Vision- ECCV 2016. Cham: Springer, 2016: 391−407. [5] KIM J, LEE J K, LEE K M. Accurate image super-resolu￾tion using very deep convolutional networks[C]//Proceed￾ings of 2016 IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, NV, USA, 2016: 1646−1654. [6] LEDIG C, THEIS L, HUSZÁR F, et al. Photo-realistic single image super-resolution using a generative adversari￾al network[C]//Proceedings of 2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu, HI, USA, 2017: 105−114. [7] ARJOVSKY M, CHINTALA S, BOTTOU L. Wasserstein GAN[J/OL]. (2017-01-26). https://arxiv.org/abs/1701. 07875. [8] 石爱业, 徐枫, 徐梦溪. 图像超分辨率重建方法及应 用 [M]. 北京: 科学出版社, 2016. [9] TSAI R Y, HUANG T S. Multiframe image restoration and registration. Advances in Computer Vision and Im￾age Pro-cessing: JAI Press Inc., 1984, 317−339. [10] 高春波. 生成对抗网络的图像超分辨率重建 [D]. 杭州: 浙江理工大学, 2019. GAO Chunbo. Image super-resolution using a generative adversarial network[D]. Hangzhou: Zhejiang Sci-Tech University, 2019. [11] GOODFELLOW I J, POUGET-ABADIE J, MIRZA M, et al. Generative adversarial nets[C]//Proceedings of the [12] ·82· 智 能 系 统 学 报 第 15 卷