1.基于卡通纹理分解和深度学习的SAR图像超分辨方法,其特征在于,包括:获取SAR图像的高分辨率图像HR和低分辨率图像LR,构成LR‑HR图像对,构建训练集和测试集;
分别对高分辨率图像HR和低分辨率图像LR进行卡通纹理分解;
构建深度学习网络模型,采用训练集对构建深度学习网络模型进行训练,包括:将LR‑HR卡通图像对输入深度学习网络模型的卡通图像处理网络进行训练,将LR‑HR纹理图像对输入深度学习网络模型的纹理图像处理网络进行训练,调整模型参数,直至深度学习网络模型收敛,得到训练完成后的深度学习网络模型;
将待处理的SAR图像输入训练后的深度学习网络模型,得到超分辨SAR图像。
2.根据权利要求1所述的基于卡通纹理分解和深度学习的SAR图像超分辨方法,其特征在于,所述低分辨率图像LR的获取包括:获取SAR图像的高分辨率图像HR,对高分辨率图像HR进行下采样,并将下采样后的图像扩展为所述高分辨率图像HR的尺寸,得到低分辨率图像LR,形成LR‑HR图像对。
3.根据权利要求1所述的基于卡通纹理分解和深度学习的SAR图像超分辨方法,其特征在于,所述对高分辨率图像HR进行卡通纹理分解包括,将高分辨率图像HR分解成卡通部分和纹理部分,得到HR卡通图像和HR纹理图像。
4.根据权利要求1所述的基于卡通纹理分解和深度学习的SAR图像超分辨方法,其特征在于,所述对低分辨率图像LR进行卡通纹理分解包括,将低分辨率图像LR分解成卡通部分和纹理部分,得到LR卡通图像和LR纹理图像。
5.根据权利要求1所述的基于卡通纹理分解和深度学习的SAR图像超分辨方法,其特征在于,所述卡通图像处理网络包括一层卷积层、六个残差模块和四个上采样模块。
6.根据权利要求1所述的基于卡通纹理分解和深度学习的SAR图像超分辨方法,其特征在于,所述纹理图像处理网络一层卷积层、十二个残差模块和四个上采样模块。
7.根据权利要求1所述的基于卡通纹理分解和深度学习的SAR图像超分辨方法,其特征在于,得到超分辨SAR图像的过程包括:将待处理的SAR图像进行卡通纹理分解,得到待处理的LR‑卡通图像和LR‑纹理图像,分别输入深度学习网络模型的卡通图像处理网络和纹理图像处理网络,得到HR‑卡通图像和HR‑纹理图像,将这两个图像进行叠加,得到超分辨率SAR图像。
8.基于卡通纹理分解和深度学习的SAR图像超分辨系统,其特征在于,包括:获取模块,其被配置为:获取SAR图像的高分辨率图像HR和低分辨率图像LR,构成LR‑HR图像对,构建训练集和测试集;
卡通纹理分解模块,其被配置为:分别对高分辨率图像HR和低分辨率图像LR进行卡通纹理分解;
模型构建与训练模块,其被配置为:构建深度学习网络模型,采用训练集对构建深度学习网络模型进行训练,包括:将LR‑HR卡通图像对输入深度学习网络模型的卡通图像处理网络进行训练,将LR‑HR纹理图像对输入深度学习网络模型的纹理图像处理网络进行训练,调整模型参数,直至深度学习网络模型收敛,得到训练完成后的深度学习网络模型;
超分辨SAR图像转化模块,其被配置为:将待处理的SAR图像输入训练后的深度学习网络模型,得到超分辨SAR图像。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1‑7中任一项所述的基于卡通纹理分解和深度学习的SAR图像超分辨方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1‑7中任一项所述的基于卡通纹理分解和深度学习的SAR图像超分辨方法中的步骤。