金属矿山

作者：贾亚娟戴二壮王咏宁

单位：1. 河南职业技术学院现代信息技术学院,河南郑州450000;2. 青海民族大学智能科学与工程学院,青海西宁810007

关键词：矿山遥感图像, 生成对抗网络, 注意力机制, 超分辨率 ,

基金：2024 年河南省科技厅科技攻关项目(编号:242102210130)。

高分辨率遥感图像对于地质勘探、资源评估以及矿山安全管理具有重要意义。 采用生成对抗网络(GenerativeAdversarialNetworks,GAN)对矿山遥感图像进行单幅超分辨率重建,有助于提升图像质量、丰富图像细节。然而,该方法在实际应用中仍存在训练过程不稳定、生成图像细节与真实地物存在差异,以及容易产生伪影等问题。为此,提出了一种基于改进注意力机制的 GAN 矿山遥感图像增强算法。 生成器融合了金字塔拆分注意力模块(PyramidSplitAttention,PSA)与稠密残差块(ResidualDenseBlock,RDB),显著增强了特征提取能力。 金字塔拆分注意力模块能够有效捕捉多尺度的图像特征,提升了模型对细节的敏感度;稠密残差块则通过密集连接方式,促进信息在网络中的充分流动,进一步提升特征表示能力。 判别器方面,采用了谱归一化( SpectralNormalization,SN)技术代替传统的批归一化层(BathNormalization,BN),以增强对矿山遥感图像细节的学习能力,减少判别器对生成图像细节的忽视。此外,基于带梯度惩罚的Wasserstein生成对抗网络(WassersteinGenerativeAdversarialNetworkwithGradientPenalty,WGAN-GP)理论,优化了对抗损失函数,通过引入梯度惩罚项,稳定了训练过程,加快了模型收敛速度。 试验结果显示:所提算法在细节纹理丰富性和伪影减少方面优于原始 GAN 算法,处理后遥感图像峰值信噪比( PeakSignal-toNoiseRatio,PSNR)提升了 0. 536~ 1. 897dB,结构相似度(StructuralSimilarity,SSIM)提升了 0. 019~ 0. 089。

来源：2025年第9期

《金属矿山》期刊编辑部

查看金属矿山杂志2025年第9期