基于复合神经网络提升亚米级卫星影像质量

胡争胜 董昭,2,3 王华英,2,3 苏欣宇 张小磊 李佩 苏群 王涛

基于复合神经网络提升亚米级卫星影像质量

胡争胜1董昭1,2,3王华英1,2,3苏欣宇1张小磊1李佩1苏群1王涛4,*

（1 河北工程大学数理科学与工程学院，邯郸 056038）（2 河北省计算光学成像与光电检测技术创新中心，邯郸 056038）（3 河北省计算光学成像与智能感测国际联合研究中心，邯郸 056038）（4 国家卫星气象中心，北京 100081）

低能见度情况下，大气粒子对太阳辐射的散射和吸收效应，降低了卫星影像像质和空间分辨率，传统图像处理方法和现在普遍应用的深度学习算法无法同时提升图像像质和空间分辨率。为了改变该现状，文章提出了基于网格去雾网络（GridDehazeNet）和真实超分辨率生成对抗网络（Real-ESRGAN）组合的复合神经网络。首先采用GridDehazeNet卷积神经网络架构提升卫星影像的清晰度和对比度，再利用Real-ESRGAN增强型超分辨率生成对抗网络以提升卫星影像空间分辨率；最后利用Worldview-3多光谱图像对不同算法进行了测试，并对比不同算法的测试效果。结果表明：该复合神经网络在改善图像像质和分辨率方面效果显著，其中清晰度提高了39.11倍，对比度提高了3倍，信息熵值提高了34%；且同时避免了传统算法所带来过度增强和噪声问题，对小目标物的识别和解译的准确率有显著提高。

卫星遥感影像 图像像质 图像增强 深度学习 超分算法 遥感应用

0 引言

随着遥感技术的快速发展，对于高分辨率卫星遥感影像（以下简称卫星影像）的需求越来越多。高空间分辨率卫星影像在植被监测、矿产探测、海岸海洋监测、环境监测以及灾害预测等领域有广泛的应用。卫星在执行地面成像任务时，除了空间遥感相机本身的性能外，外部因素在很大程度上影响了卫星影像的像质。大气中气溶胶、雾、灰尘、气流的存在会造成卫星图像雾化，清晰度、对比度降低，极大地影响了其实用性。因此，去雾是提高卫星影像像质、满足卫星应用需求的一个重要环节[1-3]。

近年来，国内外对图像去雾技术进行了大量的研究，根据算法原理这些研究大致分为三个方向：1）基于图像增强的去雾算法。图像增强可分为局部化图像增强和全局化图像增强，其中局部化图像增强包括对比增强和局部直方图均衡算法，全局化图像增强包括基于直方图均衡化、Retinex理论以及同态滤波等算法[4]，虽然此类方法适用范围广，但图像出现过度增强、信息丢失、失真等现象。2）基于物理模型的去雾算法。此类算法以物理模型为基础，如去雾领域广为人知的暗通道去雾算法[5]，该算法根据有雾图像和无雾图像暗通道的不同，利用雾化模型公式推导相关数值从而恢复出无雾图像，但有时会导致图像严重失真；文献[6]中提出的基于颜色衰减先验的去雾方法，通过采用监督学习方法来学习模型参数，建立线性模型以实现无雾图像的恢复，但此方法样本收集困难，同时缺乏理论依据；此外，还有一些基于暗通道先验的算法，在算法效率与复原精度方面进行了优化。3）基于深度学习的去雾算法。卷积神经网络（Convolutional Neural Networks，CNN）[7]作为深度学习的代表算法之一，在图像处理方面发挥出很好的性能。目前基于深度学习的去雾算法主要包含两个方向：一是基于大气散射模型，利用神经网络对模型中的参数进行估计。如文献[8]提出的DehazeNet去雾网络可以直接学习输入雾图的大气透射率，然后根据大气散射模型重构无雾图像，但该网络只能处理雾气浓度较少的图像。二是直接输入有雾图像，经过神经网络学习直接输出无雾图像。如文献[9]提出一种名为AOD-Net的网络，该网络是一种新的一体化端到端的卷积神经网络，可以直接恢复出无雾图像，但该网络在亮度较高的场景下（如天空区域）去雾效果不佳；文献[10]提出了一种基于金字塔通道的特征注意网络（PCFAN），以金字塔的方式利用不同层次特征之间的互补性，并加入了通道注意机制来进行图像去雾，该网络在合成雾和真实雾上都有很好的去雾效果，但是在颜色恢复方面还是有些差异。

上述三种算法在卫星影像去雾方面也有不同程度的应用。其中图像增强算法由于技术比较成熟，应用较多，目前主要通过线性（Linear）拉伸、均衡（Equalization）拉伸、高斯（Gaussian）拉伸[11-12]等算法来处理卫星图像，但这些算法应用范围有限，普适性不强，不能对所有卫星图像都实现有效处理。基于物理模型的算法，在图像去雾领域仍存在图像失真等问题，目前尚未广泛应用。总体来看，基于深度学习的去雾算法优于其他算法，成为近几年来主流算法。但由于深度学习算法需要大量一一对应的数据集以提高模型性能，在处理生活中的雾图时，通常采用合成雾作为训练数据。然而，合成雾与真实雾存在一定差别，例如在空气湿度、光线散射和颗粒物分布等方面不一致，这会影响模型在实际应用中的表现。此外，卫星图像与生活中拍摄的图像在分辨率、光照条件和拍摄角度等方面存在显著差异，这使得基于深度学习的去雾方法在处理卫星图像时面临更大挑战。针对上述问题，本文首先基于真实雾化卫星图像制作了数据集，以取代合成雾数据集，并用深度学习算法对卫星图像进行去雾处理。结果表明，本文方法在有效去雾的同时，也提升了卫星影像的分辨率，并保留影像的真实特征，在主观视觉和客观指标上都达到了很好的效果。

1 原理

卫星影像空间分辨率越高，意味着图像像素密度更大，从而能够更清晰地呈现地面上的细节。然而，在大气能见度较低的情况下，大气散射和吸收现象会显著影响图像的像质，使得地表细节变得模糊。此外，当相邻地物的反射率差值较大时，它们之间的对比度也会受到雾气的影响而降低。因此，在卫星图像中，高空间分辨率、低大气能见度以及相邻地物反射率差值较大的情况下，图像往往会呈现出有雾的视觉效果，这就需要采用去雾算法来恢复图像的清晰度和对比度，以便更好地观测和分析地表特征。

本文首先制作真实雾化卫星影像数据集，然后采用由GridDehazeNet[13]和Real-ESRGAN[14]组成的复合神经网络对卫星图像进行增强。这主要解决大气吸收和散射导致的图像雾化问题，通过GridDehazeNet有效地去除雾，进而利用Real-ESRGAN超分辨率网络提高卫星图像的分辨率，以解决去雾后图像分辨率降低问题。

GridDehazeNet是一种端到端的去雾算法，它由一个去雾子网络和一个透射率估计子网络组成。去雾子网络采用多尺度密集连接结构，通过对不同空间尺度的特征进行融合，以更好地捕捉图像中的多尺度信息，从而更有效地去除雾气并恢复图像的清晰度。透射率估计子网络负责估计大气透射率，利用全局和局部上下文信息来提高透射率的估计准确性。GridDehazeNet通过学习输入有雾图像和对应的无雾图像之间的非线性映射关系，实现对有雾图像的高效去雾。

Real-ESRGAN是一种基于生成对抗网络（GAN）的超分辨率算法，采用了先进的ESRGAN结构[15]，并结合了残差连接、注意力机制和全局表征网络。Real-ESRGAN的生成器负责将低分辨率图像映射到高分辨率图像，通过使用卷积层、残差块以及上采样层来实现图像的放大和细节恢复。在生成器中，注意力机制有助于引导网络关注更为重要的特征，从而提高图像像质。判别器则用于判断生成的图像是否接近真实的高分辨率图像，采用卷积层和全连接层来对图像进行评分。生成器和判别器之间的对抗过程促使生成器不断提高生成图像的像质，从而在提高图像分辨率的同时保持图像的细节和纹理。

2 方法

2.1 数据集介绍

一个高像质的数据集往往能够提高模型训练的效果和预测的准确率。本文采用一种新的方式对所需卫星图像真实雾化数据集进行自建。首先使用线性（Linear）拉伸和高斯（Gaussian）拉伸方法对卫星影像进行处理，但这些拉伸方式并不能对所有卫星图像进行有效的去雾处理，所以本文仅挑选出具有较好去雾效果的图像；接着将有雾和无雾图像一一对应裁剪为256×256大小（不包含重叠区域），组成深度学习所需的数据集，此类数据集共制作2 078对，分为训练集和测试集。部分数据集展示如图1所示，数据来自World View-3（WV-3）多光谱卫星影像，目前WV-3卫星可提供0.31 m空间分辨率的全色影像和1.24 m空间分辨率的多光谱影像，影像来源于多个不同区域，且包含不同的地物信息。为了说明本文算法普适应强，测试集部分选取具有代表性的地物信息图像，如城市、道路、机场、海岸、足球场等，不仅综合了图像增强方法的优点，而且解决了其普适性不强的问题。

图1 部分数据集

2.2 神经网络架构组成

本文采用的神经网络架构由A和B两大部分组成（如图2所示）。其中A部分为一种端到端可训练的神经网络（GridDehazeNet），由预处理模块（Pre-processing Module）、骨干模块（Backbone Module）和后处理模块（Post-processing Module）组成，其作用是对卫星影像进行去雾处理。GridDehazeNet的预处理模块由卷积层和残差密集块组成，将雾图输入到该模块可生成16个特征图进行学习；骨干模块由三行六列网格组成，有效缓解了传统多尺度方法中经常遇到的瓶颈问题；后处理模块和预处理模块对称，其作用是提高去雾后图像的像质[13]。B部分为Real-ESRGAN超分辨率网络，其作用是提高卫星影像去雾后的分辨率。Real-ESRGAN基于增强型超分辨率生成对抗网络ESRGAN发展而来，通过使用纯合成数据集进行训练。Real-ESRGAN沿用了ESRGAN的生成器架构，该生成器是由多个残差密集块（RRDB）组成的深度网络。在进行超分辨率处理之前，首先对输入图像执行像素解洗牌（Pixel Unshuffle）操作；然后将处理后的图像输入到ESRGAN架构中进行训练。相较于原始的4倍上采样的ESRGAN架构，Real-ESRGAN网络扩展了其超分辨率能力，可以实现2倍和1倍的上采样比例[14]。

图2 本文神经网络整体架构

2.3 卫星影像评价指标

受大气环境的影响，卫星影像的灰度分布发生了偏移和动态范围压缩，导致了图像变得模糊，清晰度和对比度降低，故可通过分析卫星影像的清晰度、对比度、熵值、灰度直方图分布、频谱图分布来评价增强前后的卫星影像像质[16-17]。

其中，清晰度的计算首先是采用拉普拉斯（Laplace）算子与图像各个像素点的灰度值进行卷积操作，得到一个梯度矩阵，接着计算梯度矩阵中各像素点梯度值的平方和作为图像清晰度的评价指标。具体计算公式为

图像对比度的计算公式为

图像熵值是指图像中信息的混乱度，其计算公式为

常用的评价图像分辨率提升的指标有两种——峰值信噪比（PSNR）和结构相似性（SSIM），这两种评价指标是超分辨率中最基础的测量重构图像像质的指标。其中PSNR是基于均方误差（MSE）来测量已经被压缩的重构图像的像质，PSNR指标越高，说明图像像质越好。PSNR的计算公式为

式中PSN为PSNR指标值；MS为均方误差（MSE）值。

MSE的计算公式为

SSIM是衡量两幅不同图像结构信息相似度的指标，其取值范围为[0,1]，SSIM值越大，表示图像失真程度越小，说明图像像质越好。SSIM的计算公式为

在空间域中，通常用灰度直方图来反映图像中各灰度级像素出现的频率与灰度级的关系。受大气环境影响，卫星图像灰度分布会发生偏移和动态范围压缩，故可通过分析卫星图像的灰度直方图的分布来评价图像像质。

在频率域中，采用低频和高频两个分量来表示图像。低频指图像灰度缓慢地变化，包含图像的大部分信息；而高频指灰度变化快，包含图像的边缘及一些细节信息。由于大气环境会造成图像模糊，其高频信息损失，故可通过分析卫星影像的频谱分布来评价图像像质[18]。

3 结果分析与讨论

本文利用深度学习方法对亚米级卫星影像进行了增强效果测试，为确定所提算法在卫星图像增强方面的优势，对常见地物信息图像的增强结果进行了展示分析，并基于真实雾化数据集，对比了当前去雾神经网络与传统算法的去雾效果，以此来验证本文所提出的深度学习方法在去雾性能上的优越性，以及在图像清晰度、对比度和色彩保真方面的提升效果。此外，借助对比结果进一步展示本文方法在实际卫星图像处理应用中的可行性、实用性以及与其他方法的竞争力。

试验结果展示了包括城市、道路、机场、海岸和足球场等常见地物的图像增强效果。这些场景分布在不同区域并受到不同浓度雾气影响。从视觉上分析：DCP算法存在明显的颜色失真现象；AOD-Net只能去除薄雾，对于浓度较大的雾，去雾不彻底；PCFAN虽然在去雾效果上可以，但是去雾后图像噪声过多，且颜色有些变化。然而，本文所使用的算法不仅能够有效地去雾，而且去雾后的图像不会出现失真、噪声过多、图像模糊等一系列问题，图像分辨率也得到很大的提高。具体增强结果如图3所示。

图3 不同算法对不同场景图像的增强效果对比

为了便于分析，本文选择了足球场图像这一具体示例进行详细讨论，不同算法对该场景影像的具体增强效果见图4，其中红色矩形框内为经过不同算法增强后更为突出的细节特征。通过对增强后的图像进行深入分析发现，在本文算法增强结果中，球场顶部太阳照射区域、内部阴影区域以及球场外部都能清晰地目视到，卫星影像的清晰度和分辨率较其他几种结果均有明显提高。

图4 不同算法对足球场雾图的增强效果

为了更全面地评估足球场区域各图像在清晰度、对比度和熵值方面的改善情况，本文首先采用客观指标对各算法进行了详细的对比分析。这些指标有助于量化不同方法在图像增强效果上的优劣，且能够提供直观的数据支持。客观指标如表1所示。

表1 足球场图不同算法增强效果指标对比

Tab.1 Comparison of enhancement performance metrics of different algorithms on soccer field image

根据表1，通过对比增强前后的客观指标可看出，本文所提算法对图像的整体清晰度提升效果显著，提高了39.11倍；同时，对比度也较原始雾图大幅度增强，提高了3倍；此外，熵值也实现了34%的提升。这些数据均表明该算法在图像增强方面具有显著效果，性能优越。对于图像分辨率的提升，本文算法在PSNR和SSIM指标上表现优异，其中PSNR值为28.52，明显高于其他算法，显示出更好的图像恢复效果；SSIM值为0.87，同样优于其他算法，更接近原始图像的像质。综上，本文算法在图像恢复和像质提升方面具有显著优势。

本文对足球场雾图经过不同算法处理后的灰度直方图进行了对比分析（结果如图5所示），通过观察灰度级别与像素数量之间的关系，可以确定图像中不同灰度级别像素的分布情况，这有助于了解图像的亮度、对比度和整体灰度特征。由图5可以看出，本文的增强方法能有效解决受大气环境影响所造成的卫星图像灰度分布发生偏移和动态范围压缩问题，在有效地增强卫星图像像质的同时，极大地保留了图像的真实性。

图5 不同算法对足球场雾图处理后的灰度直方图

本文对足球场雾图经过不同算法处理后的图像结果进行了二维离散傅里叶变换，并对其频谱结果进行了比较分析。其中绿色标注线区域表示图像的低频信息，该区域内颜色越亮表示图像中所包含的低频信息越多；红色标注线和绿色标注线围成的圆环区域为高频信息，其颜色越亮表示所包含的高频信息越多。与图6（a）相比，图6（e）中绿色圆内的亮度明显增加，表明增强后卫星图像损失的低频信息得到恢复，圆环区域亮度也明显增加，这说明增强后图像边缘以及细节处得到增强，图像的高频信息得到恢复。

4 结束语

低能见度情况下，大气粒子对太阳辐射的散射和吸收效应降低了卫星影像像质和空间分辨率。针对这一问题，本文提出了一种基于GridDehazeNet和Real-ESRGAN的复合神经网络，旨在同时提升卫星影像的清晰度、对比度和空间分辨率。试验结果表明，本文提出的方法在消除模糊、提升清晰度方面取得了显著成果。从主观视觉角度分析，该方法在改善图像清晰度、对比度和分辨率的同时，避免了传统算法所带来过度增强和噪声问题。由客观指标结果可看出，采用该方法增强后的图像清晰度较原始雾图提高了39.11倍，对比度提高了3倍，信息熵值提高了34%。本文提出的方法提高了对小目标物的识别和解译准确率，为卫星影像提供更多的应用场景。

[1] 程葛鉴, 于欢, 孔博, 等. 面向对象遥感影像分析技术应用现状与展望[J]. 科技资讯, 2020, 18(16): 12-13.CHENG Gejian, YU Huan, KONG Bo, et al. Application Status and Prospect of Object-oriented Remote Sensing Image Analysis[J]. Technology Information, 2020, 18(16): 12-13. (in Chinese)

[2] 刘明, 易伟超, 赵跃进, 等. 基于生成对抗网络的遥感图像去雾研究[J]. 航天返回与遥感, 2020, 41(6): 14-20.LIU Ming, YI Weichao, ZHAO Yuejin, et al.Research on Remote Rensing Image Defogging Based on Generative Adversarial Network[J].Spacecraft Recovery & Remote Sensing, 2020, 41(6): 14-20. (in Chinese)

[3] 何红艳, 杨居奎, 齐文雯. 大气对遥感卫星图像像质的影响分析[J]. 航天返回与遥感, 2011, 32(2): 42-47.HE Hongyan,YANG Jukui, QI Wenwen. Analysis of Atmospheric Influence on Remote Sensing Satellite Image Quality[J]. Spacecraft Recovery & Remote Sensing, 2011, 32(2): 42-47. (in Chinese)

[4] 李博文, 刘进锋. 图像去雾技术研究综述[J]. 现代计算机, 2022, 28(13): 57-61. LI Bowen, LIU Jinfeng. Review of Research on Image Dehazing Technology[J].Modern Computer, 2022, 28(13): 57-61. (in Chinese)

[5] HE K M, SUN J, TANG X O. Single Image Haze Removal Using Dark Channel Prior[C]//IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2009), 2009-01-01, Miami, Florida, USA. [S.l.: s.n.], 2009. DOI 10.1109/TPAMI.2010.168.

[6] ZHU Q, MAI J, SHAO L. A Fast Single Image Haze Removal Algorithm Using Color Attenuation Prior[J]. IEEE Transactions on Image Processing, 2015, 24(11): 3522-3533. DOI 10.1109/TIP.2015.2446191.

[7] GU J X, WANG Z H, JASON K, et al. Recent Advances in Convolutional Neural Networks[J]. Pattern Recognition, 2018, 77: 354-377. DOI 10.1016/j.patcog.2017.10.013.

[8] CAI B L, XU X M, JIA K, et al. DehazeNet: An End-to-End System for Single Image Haze Removal[J]. IEEE Transactions on Image Processing, 2016, 25(11): 5187-5198. DOI 10.1109/TIP.2016.2598681.

[9] LI B Y, PENG X L, WANG Z Y, et al. AOD-net: All-in-one Dehazing Network[C]//2017 IEEE International Conference on Computer Vision (ICCV), October 22-29 2017. [S.l.]: IEEE, 2017.

[10] ZHANG X Q, WANG T, WANG J X, et al. Pyramid Channel-based Feature Attention Network for Image Dehazing[J]. Computer Vision and Image Understanding: CVIU, 2020, 197/198: 103003. DOI 10.1016/j.cviu.2020.103003.

[11] 高磊, 吴勤书. 基于GDAL的遥感影像优化线性拉伸增强实现[J]. 北京测绘, 2020, 34(11): 1508-1510.GAO Lei, WU Qunshu. Optimization of Linear Stretch Enhancement for Remote Sensing Images Based on GDAL[J].Beijing Surveying and Mapping, 2020, 34(11): 1508-1510. (in Chinese)

[12] 黄永璘, 何立, 王君华, 等. 卫星遥感图像的增强处理[J]. 广西气象, 2006(3): 61-64.HUANG Yonglin, HE Li, WANG Junhua, et al. Enhancement Processing of Satellite Remote Sensing Images[J].Meteorology of Guangxi, 2006(3): 61-64. (in Chinese)

[13] LIU X H, MA Y R, SHI Z H, et al. GridDehazeNet: Attention-Based Multi-Scale Network for Image Dehazing[C]//2019 IEEE/CVF International Conference on Computer Vision (ICCV), October-27 November 02, 2019, Seoul, Korea (South). [S.l.]: IEEE, 2019. DOI 10.48550/arXiv.1908.03245.

[14] WANG X, XIE L, DONG C, et alReal-ESRGAN: Training Real-World Blind Super-Resolution with Pure Synthetic Data[C]//2021 IEEE/CVF International Conference on Computer Vision Workshops: ICCVW 2021, Virtual Conference, October 11-17 2021, Montreal, BC, Canada. [S.l.]: IEEE, 2021. DOI 10.48550/arXiv.2107.10833.

[15] WANG X T, YU K, WU S X, et al. ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks[C]//Computer Vision - ECCV 2018 Workshops: Munich, Germany, September 8-14, 2018, Proceedings, Part V. [S.l.: s.n.], 2019: 63-79. DOI 10.1007/978-3-030-11021-5_5.

[16] 汤兴, 易维宁, 杜丽丽, 等. 高分一号卫星多光谱遥感图像邻近效应校正研究[J]. 光学学报, 2016, 36(2): 274-280.TANG Xing, YI Weining, DU Lili, et al. Proximity Effect Correction of Gaofen-1 Satellite Multispectral Remote Sensing Images[J].Acta Optica Sinica, 2016, 36(2): 274-280. (in Chinese)

[17] SIMONE G, PEDERSEN M, HARDEBERG J Y. Measuring Perceptual Contrast in Digital Images[J]. Journal of Visual Communication and Image Representation, 2012, 23(3): 491-506. DOI 10.1016/j.jvcir.2012.01.008.

[18] 王涛, 周川杰, 易维宁, 等. 基于大气校正提升亚米级卫星影像质量[J]. 光学学报, 2021, 41(11): 27-34. WANG Tao, ZHOU Chuanjie, YI Weining, et al. Improving Quality of Sub-Meter Satellite Image Based on Atmospheric Correction[J]. Acta Optica Sinica, 2021, 41(11): 27-34. (in Chinese)

Improving Image Quality of Sub-Meter Satellite Based on Composite Neural Networks

HU Zhengsheng1DONG Zhao1,2,3WANG Huaying1,2,3SU Xinyu1ZHANG Xiaolei1LI Pei1SU Qun1WANG Tao4,*

(1 School of Mathematics and Physics Science and Engineering, Hebei University of Engineering, Handan 056038, China) (2 Hebei Computational Optical Imaging and Photoelectric Detection Technology Innovation Center, Handan 056038, China) (3 Hebei International Joint Research Center for Computational Optical Imaging and Intelligent Sensing, Handan 056038, China) (4 National Satellite Meteorological Center, Beijing 100081, China)

In the case of low visibility, the scattering and absorption effect of atmospheric particles on solar radiation reduces the quality and spatial distribution of satellite images. Traditional image processing methods and deep learning algorithms commonly used today cannot simultaneously improve image quality and spatial resolution. In response to the current situation, the article proposes a composite neural network based on the combination of grid dehazing network (GridDehazeNet) and real-world enhanced super-resolution generative adversarial network (Real-ESRGAN) to improve image quality and spatial separation rate. In the research process of this paper, First, the GridDehazeNet structure neural network architecture is used to improve the clarity and contrast of satellite images, and then the Real-ESRGAN enhanced super-resolution adversarial network is used to improve the spatial resolution of satellite images; finally, different algorithms are tested using Worldview-3 multi-spectral images, and the test results of different algorithms are compared. The results show that the composite neural network has a significant effect on improving the image quality and resolution, among which the clarity is increased by 39.11 times, the contrast is increased by 3 times, and the entropy value is increased by 34%. Intensity and noise problems, the accuracy of recognition and interpretation of small targets has been significantly improved.

satellite remote sensing; image quality; image enhancement; deep learning; super-resolution algorithm; application of remote sensing

TP751

A

1009-8518(2023)04-0069-10

10.3969/j.issn.1009-8518.2023.04.008

2022-12-27

国家自然科学基金（62175059）；河北省高等学校科学技术研究项目（QN2020426）；邯郸市科学技术研究与发展计划（19422083008-69）

胡争胜, 董昭, 王华英, 等. 基于复合神经网络提升亚米级卫星影像质量[J]. 航天返回与遥感, 2023, 44(4): 69-78.

HU Zhengsheng,DONG Zhao,WANG Huaying, et al. Improving Image Quality of Sub-Meter Satellite Based on Composite Neural Networks[J]. Spacecraft Recovery & Remote Sensing, 2023, 44(4): 69-78. (in Chinese)

胡争胜，男，1998年生，2021年6月获洛阳理工学院学士学位，现为河北工程大学数理科学与工程学院电子信息专业在读硕士研究生，研究方向为遥感图像处理。E-mail：823628151@qq.com。

王涛，男，1991年生，2021年6月获中国科学技术大学光学专业博士学位，工程师。研究方向为基于卫星影像的定量遥感、目标识别解译、太阳能装置统计、农业监测与估产研究。E-mail：taowang@cma.gov.cn。

（编辑：夏淑密）