本发明涉及遥感技术领域，具体涉及一种卫星遥感影像中输电线路的超分辨率增强方法及系统。
背景技术：
随着智能电网和电力物联网的不断发展，电网观测、感知手段从单纯的地面传感器到无人机、直升机以及卫星遥感，形成了“空-天-地”立体感知体系。卫星遥感作为一种覆盖面广、更新周期稳定和受环境条件限制少的前沿技术，逐步成为电力公司探索“空天地”一体化智能管控体系中的重要组成部分。
卫星遥感技术从上世纪80年代至今，在国土、资源、环境、军事等各领域取得大量应用。然而，在很长一段时间内卫星遥感的空间分辨率相对较低(小于等于3m)，更新周期较长(1个月左右)，导致卫星遥感技术无法满足电力行业电网监测管理精细化、快速响应的实际业务需求。近年来，卫星遥感技术迅猛发展，卫星数据种类和数量呈几何级增长，空间分辨率最高达到了0.3m，更新周期也缩短至1周以内，为输电线路大范围、常态化、精细化通道环境巡视、建设情况监管提供了越来越丰富的数据保障。以中国电力科学研究院有限公司为例，该公司建成的卫星遥感大数据应用平台和输电线路卫星遥感智能巡视系统，已经在新疆、宁夏、西藏、四川、蒙东和浙江等省份进行输电线路卫星遥感智能巡视的试点应用，完成了川藏、藏中联网1200余公里的全覆盖卫星遥感巡视，证实了卫星遥感在电网监测巡视中的可行性和有效性，促进了该公司立体巡检体系构建。
在现有研究基础上，发明人发现现有卫星遥感影像分辨率和更新周期已经完全满足输电线路通道环境隐患巡视，但对于输电线路本体和故障监测尚存在不足。即便是目前最高精度的0.3m分辨率的卫星遥感影像也无法对输电杆塔以及杆塔和导线上的鸟巢、异物有明显的识别。因此，由于现有卫星遥感影像用于观测输电线路本体常存在模糊的现象，所以有必要进行超分辨率增强，但传统的超分辨率技术难以获得输电杆塔的丰富细节和边缘信息，为了更好地将卫星遥感技术应用到输电杆塔本体动态监测中，迫切需要进一步提高卫星遥感影像的分辨率。
技术实现要素：
为了解决现有技术中所存在的上述不足，本发明提供了一种卫星遥感影像中输电线路的超分辨率增强方法，包括：
获取待增强分辨率的输电线路遥感影像；
采用预先构建的多映射残差卷积神经网络对所述输电线路遥感影像进行分辨率增强，得到输电线路遥感影像分辨率增强结果；
对所述输电线路遥感影像分辨率增强结果采用小波变换进行多尺度边缘增强，得到超分辨率重构的输电线路影像。
优选的，所述多映射残差卷积神经网络的构建，包括：
利用残差学习，对卷积神经网络映射中的卷积层添加跳跃连接，建立多映射残差卷积神经网络；
降低历史输电线路中高分辨率遥感影像的分辨率，得到输电线路的低分辨率遥感影像；
将所述输电线路的高分辨率遥感影像和所述输电线路的低分辨率遥感影像带入所述多映射残差卷积神经网络进行训练，得到不同分辨率的输电线路遥感影像之间的对应关系。
优选的，所述对所述输电线路遥感影像分辨率增强结果采用小波变换进行多尺度边缘增强，得到超分辨率重构的输电线路影像，包括：
对所述输电线路遥感影像分辨率增强结果进行三层小波分解，得到低频近似分量和高频细节分量；
对各层在各方向的高频细节分量，基于各像素点的像素值与该层的阈值关系，得到边缘增强后的高频细节分量；
对所述低频近似分量和所述边缘增强后的高频分量进行小波逆变换，得到超分辨率重构的输电线路影像。
优选的，所述阈值的设定包括：
计算各层的高频系数均值；
基于各层的高频系数均值设定对应层的阈值。
优选的，所述对各层在各方向的高频细节分量，基于各像素点的像素值与该层的阈值关系，得到边缘增强后的高频细节分量，包括：
对各层在各方向的高频细节分量，依次比较各像素点的像素值与该层阈值的大小；
当像素点的像素值小于所述阈值，则所述像素点为噪声；
否则所述像素点为边缘特征，将所述像素点的像素值进行放大，得到边缘增强后的高频细节分量。
优选的，选择紧支集正交小波dbn作为小波基函数，其中n为小波的阶数。
基于同一发明构思，本发明还提供了一种卫星遥感影像中输电线路的超分辨率增强系统，包括：
获取模块，用于获取待增强分辨率的输电线路遥感影像；
第一增强模块，用于采用预先构建的多映射残差卷积神经网络对所述输电线路遥感影像进行分辨率增强，得到输电线路遥感影像分辨率增强结果；
第二增强模块，用于对所述输电线路遥感影像分辨率增强结果采用小波变换进行多尺度边缘增强，得到超分辨率重构的输电线路影像。
优选的，所述系统还包括多映射残差卷积神经网络的构建模块，具体用于：
利用残差学习，对卷积神经网络映射中的卷积层添加跳跃连接，建立多映射残差卷积神经网络；
降低历史输电线路中高分辨率遥感影像的分辨率，得到输电线路的低分辨率遥感影像；
将所述输电线路的高分辨率遥感影像和所述输电线路的低分辨率遥感影像带入所述多映射残差卷积神经网络进行训练，得到不同分辨率的输电线路遥感影像之间的对应关系。
优选的，所述第二增强模块，包括：
分解单元，用于对所述输电线路遥感影像分辨率增强结果进行三层小波分解，得到低频近似分量和高频细节分量；
处理单元，用于对各层在各方向的高频细节分量，基于各像素点的像素值与该层的阈值关系，得到边缘增强后的高频细节分量；
变换单元，用于对所述低频近似分量和所述边缘增强后的高频分量进行小波逆变换，得到超分辨率重构的输电线路影像。
优选的，所述处理单元，具体用于：
对各层在各方向的高频细节分量，依次比较各像素点的像素值与该层阈值的大小；
当像素点的像素值小于所述阈值，则所述像素点为噪声；
否则所述像素点为边缘特征，将所述像素点的像素值进行放大，得到边缘增强后的高频细节分量。
与现有技术相比，本发明的有益效果为：
本发明提供的技术方案，获取待增强分辨率的输电线路遥感影像；采用预先构建的多映射残差卷积神经网络对所述输电线路遥感影像进行分辨率增强，得到输电线路遥感影像分辨率增强结果；对所述输电线路遥感影像分辨率增强结果采用小波变换进行多尺度边缘增强，得到超分辨率重构的输电线路影像，本发明利用多映射残差卷积神经网络对待增强的输电线路遥感影像分辨率进行增强，然后利用小波变换多尺度边缘增强实现边缘细节信息增强和噪声抑制，促进卫星遥感影像分辨率提高，有助于缓解目前卫星遥感影像用于输电线路监测过程中分辨率不足的问题，能更加有效的利用输电线路卫星遥感影像进行线路巡检，提高了工作效率。
附图说明
图1为本发明提供一种卫星遥感影像中输电线路的超分别率增强方法流程图；
图2为本发明实施例中多映射残差卷积神经网络的结构示意图；
图3为本发明实施例中残差网络示意图；
图4为本发明实施例中第一组输电线路卫星遥感影像样本的采样结果示意图；
图5为本发明实施例中对第一组输电线路卫星遥感影像样本利用srcnn方法进行处理的结果示意图；
图6为本发明实施例中对第一组输电线路卫星遥感影像样本利用cscn方法进行处理的结果示意图；
图7为本发明实施例中对第一组输电线路卫星遥感影像样本利用边缘增强混合网络方法进行处理的结果示意图；
图8为本发明实施例中对第一组输电线路卫星遥感影像样本利用本发明提供的增强方法进行处理的结果示意图；
图9为本发明实施例中第一组输电线路卫星遥感影像样本的原始卫星遥感影像示意图；
图10为本发明实施例中第二组输电线路卫星遥感影像样本的采样结果示意图；
图11为本发明实施例中对第二组输电线路卫星遥感影像样本利用srcnn方法进行处理的结果示意图；
图12为本发明实施例中对第二组输电线路卫星遥感影像样本利用cscn方法进行处理的结果示意图；
图13为本发明实施例中对第二组输电线路卫星遥感影像样本利用边缘增强混合网络方法进行处理的结果示意图；
图14为本发明实施例中对第二组输电线路卫星遥感影像样本利用本发明提供的增强方法进行处理的结果示意图；
图15为本发明实施例中第二组输电线路卫星遥感影像样本的原始卫星遥感影像示意图。
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
如图1所示，本发明提供了一种卫星遥感影像中输电线路的超分辨率增强方法，包括：
s1获取待增强分辨率的输电线路遥感影像；
s2采用预先构建的多映射残差卷积神经网络对所述输电线路遥感影像进行分辨率增强，得到输电线路遥感影像分辨率增强结果；
s3对所述输电线路遥感影像分辨率增强结果采用小波变换进行多尺度边缘增强，得到超分辨率重构的输电线路影像。
本实施例获取待增强分辨率的输电线路遥感影像；采用预先构建的多映射残差卷积神经网络对所述输电线路遥感影像进行分辨率增强，得到输电线路遥感影像分辨率增强结果；对所述输电线路遥感影像分辨率增强结果采用小波变换进行多尺度边缘增强，得到超分辨率重构的输电线路影像，本发明利用多映射残差卷积神经网络对待增强的输电线路遥感影像分辨率进行增强，然后利用小波变换多尺度边缘增强实现边缘细节信息增强和噪声抑制，促进卫星遥感影像分辨率提高，有助于缓解目前卫星遥感影像用于输电线路监测过程中分辨率不足的问题，能更加有效的利用输电线路卫星遥感影像进行线路巡检，提高了工作效率。
本实施例中对本发明提供的技术方案进行详细介绍，包括：
(一)构建多映射残差卷积神经网络
首先本发明创新地采用多映射残差卷积神经网络进行遥感影像前期处理，其中多映射残差卷积神经网络如图2所示：
①对输电线路卫星遥感影像第一步采用conv prelu结构进行主要特征提取，使用64个大小为5×5×c的滤波器来生成64个特征图，然后使用参数修正线性单元(parametricrectifiedlinearunit,prelu)进行非线性处理。这里c表示图像通道的数量，灰度图像时c＝1，彩色图像时c＝3，因为输电线路卫星遥感影像均为高清彩图，所以在本计算方法中c取值3。
②采用非线性映射进行图像的特征的差异性变化。本实施例搭建17层的深层次网络，将第2-16层设为conv bn prelu层，其中conv为卷积层，bn为深度学习batchnorm的简称，prelu为激活函数，使用64个尺寸为3×3×64的滤波器,并且在卷积与prelu之间添加批量归一化操作，将非线性映射中每3个卷积层分为1个单元，即将15个卷积层分为5个单元，这样可以使映射之后得到的特征与原有的特征存在一定的差异性。最后，对卷积层添加5条跳跃连接来建立多映射网络模型，保证每一个单元的输出可以直接与重建模块相连接，充分地提取输电线路卫星遥感影像的内部信息。
③本实施例构建的网络最后一层为deconv层，即反卷积层，反卷积层可以看做是卷积的逆过程。本实施例使用反卷积操作对输电线路卫星遥感影像进行上采样，用c个大小为9×9×64的滤波器来重建输出。
(二)残差学习
残差网络和跳跃连接由he等(he,zhangetal.2016)提出，这种网络结构使得深层网络的训练更加容易，从而可以提升深度网络的性能。
如图3所示，残差网络在卷积层上使用跳跃连接来建立层与层之间的连接。残差块函数定义为：
y＝f(x{wi}) x(1)
其中，x和y分别代表残差结构的输入和输出，函数f(x,(fattal,agrawalaetal.)代表残差映射。深层网络会产生退化问题，这种情况是由冗余的网络层产生的。假设网络中的冗余层学习到的映射为恒等映射，即y＝x，那么深层网络就相当于变成了浅层网络，模型的训练效果会更好。残差网络的残差结构使原始要学习的y被表示成y＝f(x) x，因此对恒等映射y＝x的学习，就转换为对残差函数f(x)＝y-x的学习。当f(x)＝0时，就相当于拟合恒等映射函数y＝x，相比于用非线性层的堆叠来拟合恒等映射，网络层学习f(x)＝0更为容易。利用这种残差学习策略，可以使深层卷积神经网络的训练变得更为容易，提升模型重建效果。本文对映射中的卷积层添加5条跳跃连接，建立多映射模型，充分提取每部分的特征信息，提高超分辨的效果。
(三)批量归一化
在网络每一层的非线性映射之前使用批量归一化和缩放移位步骤，以减轻每个卷积层输入数据分布的变化，即减轻内部协变量偏移。批量归一化每次激活时仅添加两个参数，并且可以使用反向传播来更新参数。批量归一化具有训练速度快、性能好、初始化灵敏度低等优点。通过实验发现，在残差学习基础上使用批量归一化可以实现更好的超分辨率性能。
(四)基于小波变换的多尺度边缘增强
通过多映射残差卷积神经网络模型得到初步的影像超分辨率结果。在此基础上，为了增强更好地增强输电线路的中小尺度边缘细节信息，本文提出了基于小波变换的输电杆塔多尺度边缘增强方法。
①选择经典的紧支集正交小波daubechies(dbn)小波作为小波基函数。daubechies小波是由ingriddaubechies构造的小波函数，一般简称为dbn，n是小波的阶数。dbn小波具有较好的正则性，即该小波作为稀疏基所引入的光滑误差不容易被察觉，使得信号重构过程比较光滑。dbn小波的特点是随着阶次(序列n)的增大消失矩阶数越大。消失矩越高，光滑性就越好，频域的局部化能力就越强，频带的划分效果越好。采用db4作为小波基函数在卫星遥感影像上具有较好的效果。
②对多映射残差卷积神经网络模型得到初步的影像超分辨率结果进行三层小波分解，得到低频近似分量s(2j,x,y)和高频细节分量wk(2j,x,y)。其中，j代表分解层数，k＝1,2,3，分别代表每个分解层的三个高频系数：水平方向、垂直方向和对角方向。
③计算各层的高频系数均值
其中，i＝1,2,3为三层小波分解数，n是第i层每个高频系数的个数。
④选择各层的阈值aσi(0<a<1)，以抑制各尺度下的细节图像的噪声。抑制噪声的原因是，多尺度噪声和边缘一样都包含在小波分解后的高频细节分量中。为了要达到更好的边缘增强的效果，我们必须把起到干扰作用的噪声加以消除或抑制。根据噪声分布的不同特点，在各层确定不同的阈值，既达到抑制噪声的目的又不至于因为采用相同的阈值而丢失掉细节信息。遥感图像中的噪声会严重影响整个图像的进一步分析和使用，常见的噪声一般都均匀地随机分布在整个图像域中，瞬时值服从高斯正态分态。通常随着分辨率的降低，噪声的小波变换值也随之减小，信噪比提高；反之，信号被噪声淹没。
⑤对于各层各方向的高频细节分量wk(2j,x,y)，依次比较各像素点与aσi的大小。若像素值小于阈值aσi，则认为该点为噪声，将其像素值设为0；反之，若像素值大于阈值aσi，则认为该点为边缘特征，将其像元值设置为原值的ci倍，1<ci<ci-1。这样便得到了去除噪声和边缘增强后的高频细节分量w’k(2j,x,y)。
⑥对低频近似分量s(2j,x,y)和边缘增强后的高频分量w’k(2j,x,y)进行小波逆变换，便可得到多尺度边缘增强后的最终超分辨率重建影像结果。
本实施例利用多映射残差卷积神经网络有效地解决了传统方法中单一映射输出不能完全提取图像特征集的问题，实现单时相下输电线路卫星遥感影像超分辨率重建，小波变换多尺度边缘增强实现边缘细节信息增强和噪声抑制，促进卫星遥感影像分辨率提高。
作为一种可选实施例，本实施例利用多映射残差卷积神经网络提取分辨率低的输电线路遥感影像中输电塔杆以及杆塔和导线上异物的特征信息，并对该特征信息进行增强，得到高分辨率的输电线路遥感影像，其中杆塔和导线上的异物包括鸟巢和塑料袋等。对增强后的高分辨率输电线路遥感影像利用小波变换进行输电线路的多尺度边缘信息提取，得到输电线路的重建影像结果。缓解目前卫星遥感影像用于输电线路监测过程中分辨率不足的问题。
作为一种可选实施例，本实施例为了验证一种卫星遥感影像中输电线路的超分辨率增强方法的效果，提供了两组试验结果，分别将本实施例提供的方法与现有方法的超分辨率结果之间进行比较，第一组试验结果如图4至图9所示；第二组试验结果如图10至图15所示。在两组试验中，图4和图10所示的原始下采样结果中输电杆塔和植被、房屋等各类地物明显模糊，存在严重锯齿现象。通过超分辨率重建，锯齿和高频细节信息得到明显改善。但从细节看，图5和图11所示的深度学习图像超分辨率srcnn方法所得结果中输电杆塔边缘存在模糊尤其是图中右上角房屋模糊较为明显。图6和图12所示的图片增强cscn方法以及图7和图13所示的边缘增强混合网络方法注重边缘细节特征增强，所以输电杆塔和相关地物的边缘及纹理有明显改善，但与图8和图14利用本实施例提供的增强方法进行增强后的相比，图8和图14的结果更清晰，本实施例通过多映射残差卷积神经网络和跳跃连接更好地提取图像的高频特征集，对输电杆塔细节信息重建的更为丰富，在视觉效果上与原始0.5m分辨率的卫星遥感影像最为接近。
本实施例首次结合了多映射残差网络和小波变换用于超分辨率增强，同时采用多映射残差卷积神经网络进行遥感影像前期处理，根据数据特点搭建深层神经网络进行输电线路遥感影像数据的特征信息提取。本实施例还基于小波变换的输电杆塔多尺度边缘增强方法，更好地增强输电线路的中小尺度边缘细节信息，实现边缘细节信息增强和噪声抑制，促进卫星遥感影像分辨率提高，恢复更多的图像细节，提高图像的视觉效果。
本实施例实现单时相下输电线路卫星遥感影像超分辨率重建，缓解在全地形环境下目前卫星遥感影像用于输电线路监测过程中分辨率不足的问题。
基于同一发明构思，本发明实施例还提供了一种卫星遥感影像中输电线路的超分辨率增强系统，包括：
获取模块，用于获取待增强分辨率的输电线路遥感影像；
第一增强模块，用于采用预先构建的多映射残差卷积神经网络对所述输电线路遥感影像进行分辨率增强，得到输电线路遥感影像分辨率增强结果；
第二增强模块，用于对所述输电线路遥感影像分辨率增强结果采用小波变换进行多尺度边缘增强，得到超分辨率重构的输电线路影像。
实施例中，所述系统还包括多映射残差卷积神经网络的构建模块，具体用于：
利用残差学习，对卷积神经网络映射中的卷积层添加跳跃连接，建立多映射残差卷积神经网络；
降低历史输电线路中高分辨率遥感影像的分辨率，得到输电线路的低分辨率遥感影像；
将所述输电线路的高分辨率遥感影像和所述输电线路的低分辨率遥感影像带入所述多映射残差卷积神经网络进行训练，得到不同分辨率的输电线路遥感影像之间的对应关系。
实施例中，所述第二增强模块，包括：
分解单元，用于对所述输电线路遥感影像分辨率增强结果进行三层小波分解，得到低频近似分量和高频细节分量；
处理单元，用于对各层在各方向的高频细节分量，基于各像素点的像素值与该层的阈值关系，得到边缘增强后的高频细节分量；
变换单元，用于对所述低频近似分量和所述边缘增强后的高频分量进行小波逆变换，得到超分辨率重构的输电线路影像。
实施例中，所述处理单元，具体用于：
对各层在各方向的高频细节分量，依次比较各像素点的像素值与该层阈值的大小；
当像素点的像素值小于所述阈值，则所述像素点为噪声；
否则所述像素点为边缘特征，将所述像素点的像素值进行放大，得到边缘增强后的高频细节分量。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
1.一种卫星遥感影像中输电线路的超分辨率增强方法，其特征在于，包括：
获取待增强分辨率的输电线路遥感影像；
采用预先构建的多映射残差卷积神经网络对所述输电线路遥感影像进行分辨率增强，得到输电线路遥感影像分辨率增强结果；
对所述输电线路遥感影像分辨率增强结果采用小波变换进行多尺度边缘增强，得到超分辨率重构的输电线路影像。
2.如权利要求1所述的方法，其特征在于，所述多映射残差卷积神经网络的构建，包括：
利用残差学习，对卷积神经网络映射中的卷积层添加跳跃连接，建立多映射残差卷积神经网络；
降低历史输电线路中高分辨率遥感影像的分辨率，得到输电线路的低分辨率遥感影像；
将所述输电线路的高分辨率遥感影像和所述输电线路的低分辨率遥感影像带入所述多映射残差卷积神经网络进行训练，得到不同分辨率的输电线路遥感影像之间的对应关系。
3.如权利要求1所述的方法，其特征在于，所述对所述输电线路遥感影像分辨率增强结果采用小波变换进行多尺度边缘增强，得到超分辨率重构的输电线路影像，包括：
对所述输电线路遥感影像分辨率增强结果进行三层小波分解，得到低频近似分量和高频细节分量；
对各层在各方向的高频细节分量，基于各像素点的像素值与该层的阈值关系，得到边缘增强后的高频细节分量；
对所述低频近似分量和所述边缘增强后的高频分量进行小波逆变换，得到超分辨率重构的输电线路影像。
4.如权利要求3所述的方法，其特征在于，所述阈值的设定包括：
计算各层的高频系数均值；
基于各层的高频系数均值设定对应层的阈值。
5.如权利要求3所述的方法，其特征在于，所述对各层在各方向的高频细节分量，基于各像素点的像素值与该层的阈值关系，得到边缘增强后的高频细节分量，包括：
对各层在各方向的高频细节分量，依次比较各像素点的像素值与该层阈值的大小；
当像素点的像素值小于所述阈值，则所述像素点为噪声；
否则所述像素点为边缘特征，将所述像素点的像素值进行放大，得到边缘增强后的高频细节分量。
6.如权利要求3所述的方法，其特征在于，选择紧支集正交小波dbn作为小波基函数，其中n为小波的阶数。
7.一种卫星遥感影像中输电线路的超分辨率增强系统，其特征在于，包括：
获取模块，用于获取待增强分辨率的输电线路遥感影像；
第一增强模块，用于采用预先构建的多映射残差卷积神经网络对所述输电线路遥感影像进行分辨率增强，得到输电线路遥感影像分辨率增强结果；
第二增强模块，用于对所述输电线路遥感影像分辨率增强结果采用小波变换进行多尺度边缘增强，得到超分辨率重构的输电线路影像。
8.如权利要求7所述的系统，其特征在于，所述系统还包括多映射残差卷积神经网络的构建模块，具体用于：
利用残差学习，对卷积神经网络映射中的卷积层添加跳跃连接，建立多映射残差卷积神经网络；
降低历史输电线路中高分辨率遥感影像的分辨率，得到输电线路的低分辨率遥感影像；
将所述输电线路的高分辨率遥感影像和所述输电线路的低分辨率遥感影像带入所述多映射残差卷积神经网络进行训练，得到不同分辨率的输电线路遥感影像之间的对应关系。
9.如权利要求1所述的系统，其特征在于，所述第二增强模块，包括：
分解单元，用于对所述输电线路遥感影像分辨率增强结果进行三层小波分解，得到低频近似分量和高频细节分量；
处理单元，用于对各层在各方向的高频细节分量，基于各像素点的像素值与该层的阈值关系，得到边缘增强后的高频细节分量；
变换单元，用于对所述低频近似分量和所述边缘增强后的高频分量进行小波逆变换，得到超分辨率重构的输电线路影像。
10.如权利要求9所述的系统，其特征在于，所述处理单元，具体用于：
对各层在各方向的高频细节分量，依次比较各像素点的像素值与该层阈值的大小；
当像素点的像素值小于所述阈值，则所述像素点为噪声；
否则所述像素点为边缘特征，将所述像素点的像素值进行放大，得到边缘增强后的高频细节分量。
技术总结