(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210563915.8 (22)申请日 2022.05.23 (71)申请人 中国工商银行股份有限公司 地址 100140 北京市西城区复兴门内大街 55号 (72)发明人 冯如　 (74)专利代理 机构 北京康信知识产权代理有限 责任公司 1 1240 专利代理师 周春枚 (51)Int.Cl. G06T 3/40(2006.01) G06N 3/04(2006.01) G06T 5/10(2006.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 遥感图像的重建方法、 装置、 处理器及电子 设备 (57)摘要 本申请公开了一种遥感图像的重建方法、 装 置、 处理器及电子设备。 涉及人工智能领域， 该方 法包括： 获取待重建遥感图像的低分辨率图像； 将低分辨率图像输入预设重建网络模 型， 得到待 重建遥感图像的高分辨率图像， 其中， 预设重建 网络模型包括： 级联残差聚合模块和边界感知损 失模块， 级联残差聚合模块使用多组样本图像通 过深度学习训练出的贝叶斯卷积核的权重参数， 并通过贝叶斯卷积核预测低分辨率图像的缺失 像素， 其中， 边界感知损失模块用于确定高分辨 率图像的边界信息， 其中， 边界信息用于修改贝 叶斯卷积核的权重参数。 通过本申请， 解决了相 关技术中遥感图像的重建结果差的问题。 权利要求书2页 说明书13页 附图2页 CN 114881860 A 2022.08.09 CN 114881860 A 1.一种遥感图像的重建方法， 其特 征在于， 包括： 获取待重建遥感图像的低分辨 率图像； 将所述低分辨率图像输入预设重建网络模型， 得到所述待重建遥感图像的高分辨率图 像， 其中， 所述预设重建网络模型包括： 级联残差聚合模块和边界感知损失模块， 所述级联 残差聚合模块使用多组样本图像通过深度学习训练出的贝叶斯卷积核的权重参数， 并通过 所述贝叶斯卷积核预测所述低分辨率图像的缺失像素， 其中， 所述边界感知损失模块用于 确定所述高分辨率图像的边界信息， 其中， 所述边界信息用于修改所述贝叶斯卷积核的权 重参数。 2.根据权利要求1所述的方法， 其特征在于， 获取待重建遥感图像的低分辨率图像包 括： 将所述待重建遥感图像划分为多个图像块； 对多个所述图像块进行双三次插值， 确定得到所述低分辨 率图像。 3.根据权利要求1所述的方法， 其特征在于， 使用多组样本图像通过深度 学习训练出的 贝叶斯卷积核的权 重参数包括： 对所述样本图像进行变分推断， 确定所述贝叶斯卷积核的后验分布， 其中， 所述后验分 布为使用高斯分布的形式表示的权 重； 利用高斯分布 的所述权重的均值， 和高斯分布的所述权重的标准差， 确定所述权重参 数。 4.根据权利要求1所述的方法， 其特征在于， 所述级联残差聚合模块还包括： 第一残差 模块、 第二残差模块、 第三残差模块， 通过所述贝叶斯卷积核 预测所述低分辨率图像的缺 失 像素包括： 通过所述第一残差模块 根据所述低分辨 率图像生成第一图像特 征； 通过所述第二残差模块 根据所述第一图像特 征生成第二图像特 征； 通过所述第三残差模块 根据所述第二图像特 征生成第三图像特 征； 拼接所述第一图像特 征、 所述第二图像特 征和所述第三图像特 征， 生成拼接图像特 征； 通过所述贝叶斯卷积核对所述 拼接图像特 征进行融合， 补充缺失像素。 5.根据权利要求1所述的方法， 其特征在于， 所述预设重建网络模型通过边界感知损失 模块确定所述高分辨 率图像的边界信息包括： 对所述高分辨 率图像进行哈尔小 波变换， 得到第一变换 结果； 对所述低分辨 率图像进行哈尔小 波变换， 得到第二变换 结果； 对比所述第一变换 结果和所述第二变换 结果， 得到边界信息 。 6.根据权利要求1所述的方法， 其特征在于， 在将所述低分辨率图像输入预设重建网络 模型， 得到所述待重建遥感图像的高分辨 率图像之后， 所述方法还 包括： 获取所述高分辨 率图像在预定位置的第一像素值； 获取所述低分辨 率图像在预定位置的第二像素值； 确定所述第一像素值和所述第二像素值的像素差值； 根据所述像素差值与所述高分辨 率图像的最大像素值， 评估所述高分辨 率图像。 7.根据权利要求1所述的方法， 其特征在于， 在将所述低分辨率图像输入预设重建网络 模型， 得到所述待重建遥感图像的高分辨 率图像之后， 所述方法还 包括：权　利　要　求　书 1/2 页 2 CN 114881860 A 2确定所述低分辨 率图像和所述高分辨 率图像的结构损失、 亮度损失和对比度损失； 根据所述结构损失、 所述亮度损失和所述对比度损失， 评估所述高分辨 率图像。 8.一种遥感图像的重建装置， 其特 征在于， 包括： 获取单元， 用于获取待重建遥感图像的低分辨 率图像； 重建单元， 用于将所述低分辨率图像输入预设重建网络模型， 得到所述待重建遥感图 像的高分辨率图像， 其中， 所述预设重 建网络模型包括： 级联残差聚合模块和边界感知损失 模块， 所述级联残差聚合模块使用多组样本图像通过深度学习训练出的贝叶斯卷积核的权 重参数， 并通过所述贝叶斯卷积核预测所述低分辨率图像的缺失像素， 其中， 所述边界感知 损失模块用于确定所述高分辨率图像的边界信息， 其中， 所述边界信息用于修改所述贝叶 斯卷积核的权 重参数。 9.一种处理器， 其特征在于， 所述处理器用于运行程序， 其中， 所述程序运行时执行权 利要求1至7中任意 一项所述的遥感图像的重建方法。 10.一种电子设备， 其特征在于， 包括一个或多个处理器和存储器， 所述存储器用于存 储一个或多个程序， 其中， 当所述一个或多个程序被所述一个或多个处理器执行时， 使得所 述一个或多个处 理器实现权利要求1至7中任意 一项所述的遥感图像的重建方法。权　利　要　求　书 2/2 页 3 CN 114881860 A 3