近期，信息學院許福教授課題組在遙感圖像超分辨率研究方面取得研究進展，研究成果以“Robust Remote Sensing Super-Resolution With Frequency Domain Decoupling for Multiscenarios”為題，在遙感領域高水平期刊《IEEE Transactions on Geoscience and Remote Sensing》（中國科學院一區，IF=8.2）上發表。
遙感圖像超分辨率是指從低分辨率遙感圖像中重建高分辨率圖像的過程，對于提升遙感數據的細節和準確性具有重要意義。隨著遙感技術的發展，獲取的圖像分辨率不斷提高，圖像中包含的地物細節信息也越來越豐富。然而，由于傳感器限制、傳輸帶寬和存儲空間等因素，實際獲取的遙感圖像常常存在分辨率不足的問題。因此，利用超分辨率技術對這些低分辨率圖像進行處理，以獲取更高分辨率的圖像，成為了一個重要的研究方向。
傳統的遙感圖像增強方法主要依賴于空域中的全色銳化技術，通過將高分辨率全色圖像與低分辨率多光譜圖像融合，旨在生成具有高空間和光譜分辨率的圖像。方法包括分量替換和多分辨率分析，但在圖像內容復雜時可能會導致光譜或細節失真。卷積神經網絡通過從低分辨率圖像中提取特征并利用上采樣或反卷積技術來恢復高分辨率圖像。然而在處理遙感圖像的場景多樣性、結構復雜性和尺度變化方面存在局限，難以建立全局依賴關系。多尺度注意網絡和邊緣引導的注意網絡，以改善不同傳感器之間的圖像質量。此外，基于密集譜變換器的譜域超分辨率方法通過變換器學習長距離關系，顯著提高了高頻細節的捕捉能力。然而，這些方法沒有充分利用低頻和中頻特征，可能影響性能穩定性。擴散模型盡管能夠捕捉目標圖像復雜的經驗分布，但無法從低分辨率圖像中恢復部分高頻信息。
針對上述問題，許福教授團隊設計了頻域自感知框架，替代生成模型實現有監督的圖像重建，粗粒度自感知用于捕捉相互依賴的元素，細粒度自感知用于提取特征語義信息，均衡自感知用于噪聲抑制和背景增強。提出了平衡自感知網絡在頻域中對多光譜圖像進行超解析，以確保空間細節與全色圖像的一致性。并利用高景一號衛星獲取的多場景數據進行測試，證明該模型具有自適應不同場景的能力，能夠重建不同地物特征目標的空間細節。在五個具有不同特征的真實場景中對提出方法進行了評估。結果表明，與最先進的方法相比，提出方法的峰值信噪比顯著提高了 2.4-5.5 dB。
圖1 頻域自感知框架的工作流程圖
上述論文第一作者為信息學院2022級博士研究生王升，通訊作者為許福教授、楊鋒講師，北京林業大學為唯一完成單位。該研究受到國家重點研發計劃項目（2022YFF1302700）、國家林草局揭榜掛帥項目（202303）、中央高校優秀青年團隊項目（QNTD202308）的資助。
論文鏈接： https://ieeexplore.ieee.org/document/10540255。
