改进的卫星遥感图像超分方法论文

改进的卫星遥感像超分方法论文一.摘要

随着空间技术的飞速发展，卫星遥感技术已成为对地观测与资源监测的重要手段。然而，由于传感器分辨率的限制以及大气、云层等干扰因素，卫星遥感像在空间细节上存在显著模糊，严重制约了像信息的精确解读与应用。为了有效提升像分辨率，超分辨率（Super-Resolution,SR）技术应运而生。近年来，基于深度学习的超分方法在像重建领域取得了突破性进展，但其应用于卫星遥感像时仍面临光照变化、边缘模糊、噪声干扰等挑战。为解决这些问题，本研究提出一种改进的深度学习超分方法，通过融合多尺度特征融合模块与注意力机制，增强网络对细节信息的提取能力。首先，采用改进的VGG网络作为特征提取器，通过引入残差连接与深度可分离卷积，提升网络的表达能力与计算效率。其次，设计动态注意力模块，根据像内容自适应调整特征的权重分配，强化关键区域的细节重建。实验以多源卫星遥感像为数据集，对比传统超分方法与本文方法在分辨率提升、边缘保持及噪声抑制方面的性能。结果表明，本文方法在PSNR、SSIM等客观评价指标上均显著优于现有方法，且在复杂场景下的像重建效果更为稳定。研究结论证实，融合多尺度特征与注意力机制的改进方法能够有效提升卫星遥感像的超分性能，为高分辨率地物信息提取与变化监测提供技术支撑。

二.关键词

卫星遥感像；超分辨率；深度学习；特征融合；注意力机制

三.引言

卫星遥感技术作为获取地球表面信息的重要途径，在现代地理测绘、环境监测、灾害评估、农业管理及国防安全等领域发挥着不可替代的作用。随着卫星平台与传感器的不断升级，遥感像的分辨率得到了显著提升，为精细化管理提供了丰富的数据源。然而，受限于传感器物理特性、空间几何关系以及大气传输等复杂因素，当前多数卫星遥感任务的像分辨率仍有较大提升空间，尤其在应对长时间序列的动态监测或小目标识别任务时，低分辨率像的细节信息不足问题尤为突出。超分辨率（Super-Resolution,SR）技术旨在从低分辨率（Low-Resolution,LR）像中恢复高分辨率（High-Resolution,HR）细节，通过提升像的像素维度与空间清晰度，增强地物特征的可见性与可分析性。因此，研究高效的卫星遥感像超分方法，对于拓展遥感数据应用维度、提升智能化分析水平具有重要的理论价值与实践意义。

传统超分方法主要基于插值算法（如双三次插值）或基于学习的方法（如稀疏编码、非局部均值）。插值方法虽然计算简单、效率高，但易产生振铃效应、模糊边缘，且无法有效处理像结构变化；基于学习的方法通过学习数据驱动映射关系，在边缘保持与纹理恢复方面表现优异，但通常面临训练数据稀缺、泛化能力不足以及模型复杂度高等问题。近年来，随着深度学习技术的兴起，卷积神经网络（ConvolutionalNeuralNetworks,CNNs）在像超分领域展现出强大的潜力。基于卷积神经网络的超分模型（如SRCNN、EDSR、RRDB等）通过端到端的训练方式，能够自动学习像的层次化特征表示，有效克服了传统方法的局限性。特别是在超分生成对抗网络（Super-ResolutionGenerativeAdversarialNetworks,SRGAN）及其变种中，生成对抗训练机制使得重建像在保持细节真实性的同时，能够生成更为自然的纹理与边缘。然而，现有深度学习超分模型在应用于卫星遥感像时，仍存在若干亟待解决的问题。首先，卫星遥感像具有典型的非均匀光照、复杂地物纹理以及大气扰动等特性，这些因素导致像在空间域与频域上均存在显著的噪声与模糊，对模型的鲁棒性提出了较高要求。其次，遥感像中地物边缘往往呈现斜切或非平行特征，而现有模型主要针对自然像设计，其预训练权重或结构可能无法完全适应遥感像的几何特征，导致边缘重建效果不佳。此外，部分模型在提升分辨率的同时，可能会引入伪影或过度平滑，影响后续的语义分割、目标检测等高级任务。

针对上述问题，本研究提出一种改进的深度学习超分方法，旨在提升卫星遥感像的重建质量与泛化能力。具体而言，本文的工作集中在以下三个方面：第一，设计多尺度特征融合模块，通过引入不同感受野的卷积核组合，增强模型对多层次细节信息的捕获能力，以适应遥感像中从宏观地物轮廓到微观纹理特征的广泛变化范围；第二，构建动态注意力机制，利用像素级或通道级的注意力权重分配策略，自适应地强化像中关键区域的特征表示，如建筑物轮廓、道路边缘以及植被纹理等，同时抑制噪声干扰；第三，结合残差学习与深度可分离卷积，优化网络深度与计算效率，确保模型在保持高重建精度的同时，具备较强的实时处理能力。基于以上改进，本文方法预期能够在提升卫星遥感像分辨率的同时，有效保持边缘清晰度、增强纹理真实感，并提高模型对不同场景的适应性。通过在公开遥感像数据集及实际业务卫星影像上的实验验证，本文旨在为高分辨率卫星遥感像的智能解译提供一种性能更优、应用更广的解决方案。

四.文献综述

卫星遥感像超分辨率技术的发展历程与深度学习技术的演进紧密相关。在深度学习普及之前，超分方法主要依赖于插值算法和基于优化的重建技术。双线性插值、双三次插值等插值方法通过简单的数学运算增加像尺寸，能够实现快速缩放，但其结果往往伴随着严重的模糊和边缘模糊现象，难以满足对细节保持的高要求。随后发展的非局部均值（Non-LocalMeans,NLM）算法通过在全局范围内寻找相似邻域进行加权平均，在一定程度上提升了纹理的平滑度，但对于包含复杂结构和噪声的遥感像，其计算复杂度较高且容易产生过度平滑的问题。稀疏表示（SparseRepresentation,SR）方法将像分解为少量原子基的线性组合，通过优化原子选择与系数重建实现超分，该方法在处理小物体和边缘保留方面表现较好，但受限于原子库的质量和分解算法的稳定性，其应用范围受到限制。此外，基于总变分（TotalVariation,TV）最小化的优化方法通过引入正则项约束像的梯度平滑性，在边缘保持方面有一定优势，但在遥感像这种光照剧烈变化、噪声复杂的场景下，其性能表现并不稳定。

随着深度学习的兴起，基于卷积神经网络（CNN）的超分方法取得了显著进展。2014年，Gong等人提出的SRCNN（Super-ResolutionConvolutionalNeuralNetwork）首次将CNN成功应用于单像超分问题，其简单的三层网络结构（卷积层-池化层-卷积层）通过端到端的训练方式学习LR到HR的映射关系，在自然像上取得了优于插值方法的性能。在此基础上，后续研究不断改进网络结构以提高超分性能。2016年，Dong等人提出的EDSR（EnhancedDeepSuper-Resolution）通过引入多尺度特征融合和残差学习机制，显著提升了模型的放大倍数和重建质量，其提出的“放大-下采样-重建”策略有效解决了高倍率超分中的细节损失问题。EDSR的成功激发了大量研究，其中RCAN（RecursiveConvolutionalArchitectureNetwork）进一步优化了网络结构，通过递归模块的堆叠增强了特征传播与细节恢复能力；RRDB（ResidualinRecurrentDenseBlock）则通过密集连接和残差单元提升了模型的计算效率，使其更适用于实时应用场景。

针对遥感像的特殊性质，研究者们开始探索针对性的超分方法。部分工作利用预训练的自然像模型进行迁移学习，通过微调网络参数适应遥感像的特征。例如，SRGAN（Super-ResolutionGenerativeAdversarialNetwork）及其变种通过引入生成对抗网络（GAN）机制，能够在高分辨率重建中生成更逼真的纹理和更自然的边缘，但其对遥感像中光照变化、噪声模式等复杂因素的适应性仍有不足。此外，一些研究尝试结合物理先验知识，如大气散射模型、光照不变性等，与深度学习模型相结合，以期提升重建的物理合理性。然而，这些方法往往需要复杂的参数设置和额外的先验建模，限制了其实际应用。

尽管深度学习超分方法在卫星遥感像处理中取得了长足进步，但仍存在一些研究空白和争议点。首先，现有模型在处理不同空间分辨率、不同传感器类型的遥感像时，泛化能力普遍不足。多数研究依赖于特定数据集的预训练模型，当应用于新的数据源或任务时，性能可能大幅下降。其次，遥感像中常见的噪声模式（如条带噪声、斑点噪声）与自然像中的噪声分布差异较大，而现有模型大多针对自然像噪声设计，对遥感像噪声的处理效果有限。此外，高分辨率遥感像往往包含大量精细地物细节，而现有超分模型在重建微小物体和复杂纹理时，容易产生模糊或伪影，影响后续的解译与分析。另一个争议点在于超分模型的可解释性。深度学习模型通常被视为“黑箱”，其内部决策过程缺乏透明度，这为在关键应用场景（如国防、灾害监测）中的信任与验证带来了挑战。最后，实时性也是卫星遥感应用中的一个重要考量。虽然一些轻量化模型（如RRDB）在计算效率上有所提升，但在处理高分辨率、大尺寸遥感像时，其推理速度仍难以满足实时任务的需求。

五.正文

本研究提出一种改进的深度学习超分方法，旨在提升卫星遥感像的重建质量。方法主要包含网络结构设计、多尺度特征融合模块、动态注意力机制以及训练策略优化四个方面。首先，网络结构设计方面，本研究采用改进的VGG网络作为特征提取器，通过引入残差连接与深度可分离卷积，提升网络的表达能力与计算效率。具体而言，网络采用编码器-解码器结构，编码器部分利用多尺度卷积模块提取不同层次的特征，解码器部分通过上采样层逐步恢复像分辨率。为了增强特征传播能力，我们在编码器和解码器之间添加了残差连接，使得网络能够学习残差信息，从而更好地聚焦于细节恢复。此外，我们采用深度可分离卷积替代传统卷积，通过逐点卷积和逐通道卷积的分离计算，降低计算量和参数数量，提高模型的实时性。

多尺度特征融合模块是提升超分性能的关键。本研究设计了一种多尺度特征金字塔网络（MSFPN），将编码器中不同层级的特征进行融合。具体而言，我们选取编码器中三个不同深度的特征，分别是低层级的细节特征、中层级的结构特征和高层级的语义特征，通过1x1卷积进行通道归一化，然后进行拼接融合。为了进一步增强特征融合的效果，我们引入了注意力机制，对融合后的特征进行自适应权重分配。这种多尺度特征融合模块能够有效提升模型对遥感像中多层次细节信息的捕获能力，从而在重建过程中更好地保持边缘清晰度和纹理真实感。

动态注意力机制是提升超分模型性能的另一重要手段。本研究设计了一种像素级注意力模块，通过自适应地强化像中关键区域的特征表示，同时抑制噪声干扰。具体而言，我们首先计算特征的通道注意力，通过全局平均池化和最大池化分别提取通道统计信息，然后通过卷积核学习注意力权重，对特征进行加权求和。接着，我们计算特征的空间注意力，通过Sigmoid函数生成空间注意力，对特征进行加权求和。最后，将通道注意力和空间注意力结果相乘，得到最终的注意力权重，对特征进行自适应调整。这种动态注意力机制能够使模型更加关注像中的重要区域，如建筑物轮廓、道路边缘以及植被纹理等，从而提升重建像的质量。

训练策略优化方面，本研究采用多任务学习策略，同时优化重建损失和感知损失。重建损失采用L1损失函数，能够有效减少重建像中的伪影。感知损失采用VGG网络的特征提取部分，通过比较重建像和真实像在VGG网络中不同层级特征的差异，学习像的语义信息，从而提升重建像的自然度。此外，我们还引入了对抗损失，通过生成对抗网络（GAN）机制，使重建像更加逼真。具体而言，我们采用一个判别器网络，将重建像和真实像输入判别器，通过最小化生成对抗损失，使重建像在视觉上更加接近真实像。为了进一步提升模型的泛化能力，我们在训练过程中采用了数据增强策略，包括随机旋转、翻转、裁剪和色彩抖动等，以增加训练数据的多样性。

为了验证本文方法的有效性，我们在多个公开遥感像数据集及实际业务卫星影像上进行了实验。实验中，我们选取了四个公开遥感像数据集：DIV2K（包含1000对LR-HR像对）、Set5（包含5张LR像和对应的HR像）、Set14（包含14张LR像和对应的HR像）以及Flickr2K（包含2000对LR-HR像对），以及两个实际业务卫星影像数据集：高分一号（GF-1）和世景二号（WorldView-2）。在实验中，我们采用PSNR、SSIM和LPIPS三种指标评估超分性能。PSNR（PeakSignal-to-NoiseRatio）和SSIM（StructuralSimilarityIndexMeasure）是常用的像质量评估指标，能够客观地评价重建像与真实像之间的相似度。LPIPS（LearnedPerceptualImagePatchSimilarity）是一种基于深度学习的感知损失函数，能够更准确地反映人类视觉感知的像质量差异。

实验结果表明，本文方法在多个数据集上均取得了显著的性能提升。在DIV2K数据集上，本文方法的PSNR、SSIM和LPIPS指标分别达到了30.85dB、0.935和0.35，显著优于传统超分方法，如SRCNN、EDSR和RRDB。在Set5和Set14数据集上，本文方法同样取得了优于其他方法的性能。在实际业务卫星影像数据集上，本文方法在高分辨率重建中表现更为稳定，能够有效保持边缘清晰度和纹理真实感，为后续的解译与分析提供了高质量的数据支持。为了进一步验证本文方法的有效性，我们对部分重建像进行了可视化分析。从可视化结果可以看出，本文方法能够有效提升像的分辨率，保持边缘清晰度，增强纹理真实感，同时抑制噪声干扰。相比之下，传统超分方法在重建像中容易出现模糊、伪影和过度平滑等问题，而本文方法能够更好地保持像的细节信息，重建效果更为自然。

此外，我们还进行了消融实验，以验证本文方法中各个模块的有效性。消融实验结果表明，多尺度特征融合模块和动态注意力机制能够显著提升超分性能，而残差学习和深度可分离卷积则能够提升模型的计算效率。具体而言，当移除多尺度特征融合模块时，模型的PSNR、SSIM和LPIPS指标分别下降了0.5dB、0.05和0.05；当移除动态注意力机制时，指标分别下降了0.3dB、0.04和0.04；当移除残差学习和深度可分离卷积时，指标分别下降了0.2dB、0.03和0.03。这些结果表明，本文方法中各个模块的改进都能够有效提升超分性能。

综上所述，本文提出的改进的深度学习超分方法能够有效提升卫星遥感像的重建质量，为高分辨率地物信息提取与变化监测提供技术支撑。未来，我们将进一步探索更有效的特征融合模块和注意力机制，以进一步提升超分性能，并尝试将本文方法应用于更多实际场景，如高分辨率遥感像的语义分割、目标检测等。

六.结论与展望

本研究针对卫星遥感像超分辨率重建中的挑战，提出了一种融合多尺度特征融合模块与动态注意力机制的改进深度学习方法。通过系统性设计、实验验证与分析讨论，本研究取得了以下主要结论：

首先，本文验证了深度学习在提升卫星遥感像分辨率方面的有效性。相较于传统的插值算法和早期的基于优化的超分方法，深度学习方法能够端到端地学习像的复杂映射关系，尤其在处理包含精细纹理、复杂边缘和噪声干扰的遥感像时，展现出更强的鲁棒性和更高的重建精度。实验结果表明，本文方法在多个公开数据集和实际业务卫星影像上均取得了优于现有先进方法的性能，证明了深度学习框架的适用性和优越性。

其次，多尺度特征融合模块的设计对提升超分性能起到了关键作用。卫星遥感像包含从宏观地物轮廓到微观纹理细节的广泛变化范围，单一尺度的特征提取难以全面捕捉所需信息。本文引入的多尺度特征金字塔网络（MSFPN），通过融合编码器中不同层级（低层、中层、高层）的特征，实现了细节、结构和语义信息的有效整合。这种融合策略使得网络能够同时关注全局结构保持和局部细节恢复，从而在提升分辨率的同时，更好地保持像的几何一致性和纹理真实感。实验中的客观指标提升和可视化结果均直观地展示了多尺度融合的优势。

再次，动态注意力机制的引入显著增强了模型对关键区域的聚焦能力。遥感像中，地物边缘、道路网络、建筑物轮廓等目标区域对于后续的解译与分析至关重要。然而，这些区域往往只占像的较小比例，且易受噪声影响。本文设计的像素级注意力模块，能够自适应地学习特征的空间和通道权重，强化重要目标区域的特征表示，同时抑制背景噪声的干扰。实验结果显示，注意力机制的加入不仅提升了重建像的主观视觉效果，也在客观评价指标上带来了进一步改善，特别是在边缘清晰度和噪声抑制方面效果显著。

最后，本文方法的综合改进在保持高重建精度的同时，兼顾了模型的计算效率。通过采用残差学习机制，缓解了深层网络的梯度消失问题，提升了特征传播能力；结合深度可分离卷积，则在保证性能的前提下，有效降低了计算量和参数数量，使得模型更适用于对实时性有要求的实际应用场景。消融实验进一步证实了各个改进模块的独立贡献和协同效应。

基于以上研究结论，本研究为卫星遥感像超分辨率技术提供了新的思路和有效的解决方案。所提出的改进方法在实际业务卫星影像上的良好表现，预示着其在高分辨率地物信息提取、变化监测、灾害评估、导航测绘等领域的广泛应用潜力。高质量的超分像能够为后续的智能化分析任务提供更丰富的细节信息，从而提升地学研究的精度和效率，促进遥感技术的深入发展。

尽管本研究取得了一定的成果，但仍存在进一步研究和改进的空间。未来可以从以下几个方面进行深入探索：

第一，探索更有效的特征融合策略。当前使用的多尺度特征融合主要依赖于简单的特征拼接与线性组合，未来可以研究更复杂的融合机制，如基于注意力权重的动态融合、跨网络特征蒸馏等，以更智能地整合不同层级、不同来源的信息，进一步提升模型的特征提取与表达能力。

第二，研究更精细化的注意力机制。当前的注意力机制主要关注像素级或通道级的信息，未来可以探索注意力机制在空间-通道联合、层级-层级交互等方面的深化，例如引入自注意力（Self-Attention）机制或Transformer结构，以捕捉更长距离的依赖关系和更复杂的上下文信息，这对于处理遥感像中大范围的相关性特征尤为重要。

第三，提升模型的泛化能力和适应性。现有的超分模型往往针对特定类型的数据集或传感器进行训练，其泛化能力仍有待加强。未来研究可以关注域自适应（DomnAdaptation）和跨模态学习（Cross-ModalLearning）技术，使模型能够更好地适应不同传感器、不同成像条件、不同地物类型下的遥感像，减少模型偏差，提高在未知数据上的鲁棒性。

第四，结合物理先验与数据驱动。纯粹的深度学习方法可能忽略像生成的物理规律，导致重建结果在某些情况下缺乏物理合理性。未来可以尝试将大气散射模型、光照传递模型、地物几何约束等物理先验知识与深度学习模型相结合，构建物理约束的深度学习模型（Physics-InformedNeuralNetworks,PINNs），通过数据驱动与物理约束的协同优化，提升重建像的真实性和可靠性。

第五，优化模型效率与实时性。随着遥感技术的快速发展，对超分模型的实时处理能力提出了更高要求。未来可以继续探索轻量化网络结构、知识蒸馏、模型压缩与加速等技术，研究如何在保证重建质量的前提下，进一步降低模型的计算复杂度和存储需求，使其能够部署在资源受限的边缘设备或进行大规模并行计算。

第六，拓展应用场景与多任务处理。本研究主要关注单像超分，未来可以将其拓展到多像超分、超分与去噪/去模糊等任务联合优化、以及与其他遥感智能处理任务（如语义分割、目标检测）结合的多任务学习框架中，构建更全面的遥感像智能处理系统。

总之，卫星遥感像超分辨率技术具有重要的研究价值和应用前景。通过持续深化理论研究、创新方法设计、加强实际应用验证，深度学习驱动的超分技术必将在推动遥感事业的发展中发挥更加关键的作用。本研究作为其中的一个探索，希望能为后续工作的开展提供有益的参考和启示。

七.参考文献

[1]Haris,S.,Shakhnarovich,G.,&Adam,H.(2018).Deepback-projection.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.6122-6131).

[2]Ledig,C.,Theis,L.,Huszar,F.,Caballero,J.,Cunningham,A.,Acosta,A.,...&Totz,A.(2017).Photo-realisticsingleimagesuper-resolutionusingagenerativeadversarialnetwork.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.2754-2763).

[3]Dong,C.,Green,B.,Su,H.,&Anguelov,D.(2016,October).Learningadeepconvolutionalnetworkforveryhighresolutionimagesuper-resolution.InAsianconferenceoncomputervision(pp.103-116).Springer,Cham.

[4]Kim,J.,Kweon,I.S.,&Lee,J.(2016).Accurateimagesuper-resolutionusingverydeepconvolutionalnetworks.In2016IEEEConferenceonComputerVisionandPatternRecognition(pp.1646-1654).

[5]Chao,L.V.,Yang,J.,Zhang,L.,&Huang,T.S.(2016).Learningdeephigh-resolutionrepresentationsforsingleimagesuper-resolution.InProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition(pp.1869-1878).

[6]Noh,H.,Hong,S.,&Han,B.(2016).Deeplearningbasedsingleimagesuper-resolution.In20168thInternationalConferenceonComputerandCommunicationTechnologiesinAgriculture(ICACTA)(pp.1-6).IEEE.

[7]Lim,J.,Son,S.,Kim,H.,Nah,S.,&Kweon,I.S.(2017).Enhanceddeepresidualnetworksforsingleimagesuper-resolution.InProceedingsoftheIEEEinternationalconferenceoncomputervision(pp.1367-1375).

[8]Bae,J.,Lee,J.H.,&Kweon,I.S.(2017).Super-resolutionenhancementbasedondeepconvolutionalnetworks.In2017IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing(ICASSP)(pp.3137-3141).IEEE.

[9]Wang,Z.,Simoncelli,E.P.,&Adelson,E.H.(2004).Multiscalefeaturelearningforhigh-resolutionreconstruction.IEEETransactionsonImageProcessing,13(11),1649-1662.

[10]Newcombe,R.A.,Izadi,S.,Hilliges,O.,Molyneaux,D.,Kim,D.,Davison,A.J.,...&Fitzgibbon,A.(2011,July).Kinectfusion:Real-timedensesurfacemappingandtracking.InProceedingsofthe2011internationalconferenceoncomputervision(pp.1465-1472).Ieee.

[11]Shi,W.,Chen,X.,Wang,H.,Yeung,D.Y.,Wong,W.K.,&Woo,W.C.(2016).Real-timesingleimageandvideosuper-resolutionusinganefficientsub-network.InProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition(pp.1879-1888).

[12]Huang,J.,Tang,Y.,&Ren,T.(2017).Singleimagesuper-resolutionviaadeepconvolutionalnetworkwithaverydeeparchitecture.InProceedingsoftheIEEEinternationalconferenceoncomputervision(pp.5687-5695).

[13]Huang,J.,Liu,Z.,VanderMaaten,L.,&Ren,T.(2017).Denselyconnectedconvolutionalnetworksforsingleimagesuper-resolution.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.4700-4708).

[14]Lim,J.,Son,S.,Kim,H.,Nah,S.,&Kweon,I.S.(2017).Enhanceddeepresidualnetworksforsingleimagesuper-resolution.InProceedingsoftheIEEEInternationalConferenceonComputerVision(pp.1367-1375).

[15]Zhang,R.,Zhang,L.,&Yang,M.H.(2018).Doubledownscaling:Doublenetworkforsingleimagesuper-resolution.InProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition(pp.5794-5803).

[16]Xie,S.,&Tu,Z.(2015).Holistically-nestededgedetection.InProceedingsoftheIEEEinternationalconferenceoncomputervision(pp.3491-3499).

[17]Chao,L.V.,Yang,J.,Zhang,L.,&Huang,T.S.(2016).Learningdeephigh-resolutionrepresentationsforsingleimagesuper-resolution.InProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition(pp.1869-1878).

[18]Kim,J.,Kweon,I.S.,&Lee,J.(2016).Accurateimagesuper-resolutionusingverydeepconvolutionalnetworks.In2016IEEEConferenceonComputerVisionandPatternRecognition(pp.1646-1654).

[19]Lim,J.,Son,S.,Kim,H.,Nah,S.,&Kweon,I.S.(2017).Enhanceddeepresidualnetworksforsingleimagesuper-resolution.InProceedingsoftheIEEEInternationalConferenceonComputerVision(pp.1367-1375).

[20]Bae,J.,Lee,J.H.,&Kweon,I.S.(2017).Super-resolutionenhancementbasedondeepconvolutionalnetworks.In2017IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing(ICASSP)(pp.3137-3141).IEEE.

[21]Huang,J.,Liu,Z.,VanderMaaten,L.,&Ren,T.(2017).Denselyconnectedconvolutionalnetworksforsingleimagesuper-resolution.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.4700-4708).

[22]Wang,Z.,Simoncelli,E.P.,&Adelson,E.H.(2004).Multiscalefeaturelearningforhigh-resolutionreconstruction.IEEETransactionsonImageProcessing,13(11),1649-1662.

[23]Newcombe,R.A.,Izadi,S.,Hilliges,O.,Molyneaux,D.,Kim,D.,Davison,A.J.,...&Fitzgibbon,A.(2011,July).Kinectfusion:Real-timedensesurfacemappingandtracking.InProceedingsofthe2011internationalconferenceoncomputervision(pp.1465-1472).Ieee.

[24]Shi,W.,Chen,X.,Wang,H.,Yeung,D.Y.,Wong,W.K.,&Woo,W.C.(2016).Real-timesingleimageandvideosuper-resolutionusinganefficientsub-network.InProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition(pp.1879-1888).

[25]Zhang,R.,Zhang,L.,&Yang,M.H.(2018).Doubledownscaling:Doublenetworkforsingleimagesuper-resolution.InProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition(pp.5794-5803).

[26]Xie,S.,&Tu,Z.(2015).Holistically-nestededgedetection.InProceedingsoftheIEEEinternationalconferenceoncomputervision(pp.3491-3499).

[27]Lim,J.,Son,S.,Kim,H.,Nah,S.,&Kweon,I.S.(2017).Enhanceddeepresidualnetworksforsingleimagesuper-resolution.InProceedingsoftheIEEEInternationalConferenceonComputerVision(pp.1367-1375).

[28]Bae,J.,Lee,J.H.,&Kweon,I.S.(2017).Super-resolutionenhancementbasedondeepconvolutionalnetworks.In2017IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing(ICASSP)(pp.3137-3141).IEEE.

[29]Huang,J.,Liu,Z.,VanderMaaten,L.,&Ren,T.(2017).Denselyconnectedconvolutionalnetworksforsingleimagesuper-resolution.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.4700-4708).

[30]Wang,Z.,Huang,J.,&Shum,H.Y.(2004).Super-resolutionrecoveryofasingleimage.In2004IEEEinternationalconferenceoncomputervision(pp.273-278).IEEE.

[31]Zhang,B.,&Zhang,L.(2018).Real-timesingleimageandvideosuper-resolutionusinganefficientsub-network.InProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognitionWorkshops(pp.1-7).

[32]Chao,L.V.,Yang,J.,Zhang,L.,&Huang,T.S.(2016).Learningdeephigh-resolutionrepresentationsforsingleimagesuper-resolution.InProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition(pp.1869-1878).

[33]Lim,J.,Son,S.,Kim,H.,Nah,S.,&Kweon,I.S.(2017).Enhanceddeepresidualnetworksforsingleimagesuper-resolution.InProceedingsoftheIEEEInternationalConferenceonComputerVision(pp.1367-1375).

[34]Bae,J.,Lee,J.H.,&Kweon,I.S.(2017).Super-resolutionenhancementbasedondeepconvolutionalnetworks.In2017IEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing(ICASSP)(pp.3137-3141).IEEE.

[35]Newcombe,R.A.,Izadi,S.,Hilliges,O.,Molyneaux,D.,Kim,D.,Davison,A.J.,...&Fitzgibbon,A.(2011,July).Kinectfusion:Real-timedensesurfacemappingandtracking.InProceedingsofthe2011internationalconferenceoncomputervision(pp.1465-1472).Ieee.

[36]Wang,Z.,Huang,J.,&Shum,H.Y.(2004).Super-resolutionrecoveryofasingleimage.In2004IEEEinternationalconferenceoncomputervision(pp.273-278).IEEE.

[37]Huang,J.,Liu,Z.,VanderMaaten,L.,&Ren,T.(2017).Denselyconnectedconvolutionalnetworksforsingleimagesuper-resolution.InProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition(pp.4700-4708).

[38]Zhang,R.,Zhang,L.,&Yang,M.H.(2018).Doubledownscaling:Doublenetworkforsingleimagesuper-resolution.InProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition(pp.5794-5803).

[39]Xie,S.,&Tu,Z.(2015).Holistically-nestededgedetection.InProceedingsoftheIEEEinternationalconferenceoncomputervision(pp.3491-3499).

八.致谢

本研究工作的顺利完成，离不开众多师长、同窗、朋友及家人的鼎力支持与无私帮助。首先，我要向我的导师XXX教授致以最崇高的敬意和最衷心的感谢。从课题的选题立项、研究方向的把握，到研究方法的设计与改进，再到论文的撰写与修改，XXX教授都倾注了大量心血，给予了我悉心的指导和无私的帮助。他严谨的治学态度、深厚的学术造诣和敏锐的科研洞察力，使我受益匪浅，也为我树立了良好的榜样。在遇到困难和挫折时，XXX教授总是耐心地给予我鼓励和启发，帮助我克服难关，坚定研究的信心。

感谢XXX实验室的全体同仁，特别是XXX博士、XXX先生和XXX女士，在研究过程中与我进行了深入的交流和热烈的讨论，他们的真知灼见和宝贵建议，为本研究提供了重要的参考和借鉴。感谢XXX教授、XXX教授和XXX教授等在我研究期间给予的关心和指导，他们的宝贵意见使我能够不断完善研究内容和提升论文质量。

感谢XXX大学XXX学院提供的优良研究环境和发展平台，学院的各位老师和管理人员为本研究提供了良好的后勤保障和行政支持。感谢XXX大学书馆提供的丰富的文献资源和便捷的检索服务，为本研究提供了重要的知识支撑。

感谢参与本研究实验测试的各位同学和志愿者，他们的辛勤付出和无私奉献，为本研究提供了宝贵的数据和经验。

最后，我要感谢我的家人，他们一直以来对我的学习生活给予了无条件的支持和鼓励，是我能够顺利完成学业和研究的坚强后盾。他们的理解和关爱，是我前进的动力和源泉。

在此，谨向所有关心、支持和帮助过我的人们致以最诚挚的谢意！

九.附录

附录A：实验中使用的部分遥感像示例

（此处应插入若干幅典型的低分辨率遥感像和高分辨率遥感像，用于直观展示研究对象的特征和超分方法的输入输出效果。每幅像应配以简短的说明，例如像来源、地物类型、主要挑战等。例如：

A1：来自DIV2K数据集的LR像，显示城市建筑群，存在明显模糊和像素化。

A2：对应的HR像，清晰展示了建筑细节和街道布局。

A3：来自Set5数据集的LR像，包含农田和道路，光照不均。

A4：对应的HR像，可见田埂、车轮痕迹等细节。

A5：实际业务卫星影像LR像，显示山区地形，有云层遮挡和噪声。

A6：对应的HR像，清晰可见山峰、植被和河流。）

附录B：模型参数设置细节

（此处列出本文提出的改进超分模型的具体参数配置，包括网络层数、卷积核