本项目基于Real-ESRGAN架构，针对遥感TIF影像进行4倍超分辨率重建，支持大图分块、地理信息保持、USM锐化等功能，适合遥感影像增强。
参考： （1）https://github.com/xinntao/Real-ESRGAN （2）https://github.com/lauraset/Super-resolution-building-height-estimation.git （3）遥感大图像深度学习忽略边缘（划窗）预测 - 开源遥感的文章 - 知乎 https://zhuanlan.zhihu.com/p/158769096
SR/SR_x4/
├── train_sr_gan.py # 训练主程序
├── predict.py # 推理/预测脚本
├── dataset.py # 数据集处理与增强
├── rrdbnet_arch.py # RRDBNet生成器与判别器结构
├── split.py # 数据集分割工具
├── __init__.py
├── S2_download(GEE).txt # GEE下载Sentinel2影像代码
../model/
└── netG_latest.pth # 训练生成器权重
../pretrained/
├── RealESRGAN_x4plus.pth # 生成器预训练权重
└── RealESRGAN_x4plus_netD.pth # 判别器预训练权重
- Python 3.7+
- torch >= 1.8.0
- torchvision >= 0.9.0
- numpy >= 1.19.0
- opencv-python >= 4.5.0
- gdal >= 3.0.0
- matplotlib >= 3.3.0
- tqdm >= 4.60.0
使用 S2_download(GEE).txt 中的Google Earth Engine代码下载Sentinel2影像：
- 支持云掩膜处理
- 自动选择蓝、绿、红波段（B2、B3、B4）
- 输出8位无符号整型GeoTIFF格式
- 可自定义时间范围和云覆盖阈值
数据集目录结构建议如下：
dataset/
├── train/
│ ├── lr/ # 低分辨率训练影像（TIF，8位无符号整型）
│ └── hr/ # 高分辨率训练影像（TIF，8位无符号整型）
└── val/
├── lr/ # 低分辨率验证影像（TIF，8位无符号整型）
└── hr/ # 高分辨率验证影像（TIF，8位无符号整型）
基本训练命令：
python train_sr_gan.py \
--data_dir /path/to/dataset \
--output_dir /path/to/output \
--batch_size 12 \
--num_epochs 30 \
--lr_g 1e-4 \
--lr_d 1e-4常用参数说明：
--data_dir：数据集根目录--output_dir：输出模型与日志目录--batch_size：批次大小（默认12）--num_epochs：训练轮数（默认30）--lr_g：生成器学习率--lr_d：判别器学习率--lambda_pix：像素损失权重--lambda_perceptual：感知损失权重--lambda_gan：GAN损失权重--pretrain_g_path：生成器预训练权重路径--pretrain_d_path：判别器预训练权重路径
支持断点续训：
python train_sr_gan.py --resume /path/to/checkpoint.pth- 修改
predict.py中的模型路径和输入输出目录：
MODEL_PATH = '/path/to/your/model.pth'
INPUT_DIR = '/path/to/input/images'
OUTPUT_DIR = '/path/to/output/images'- 运行预测：
python predict.py- 支持批量处理TIF影像，自动保持地理参考信息，结果输出到指定目录。
- 基于RRDBNet的生成器，UNet判别器，谱归一化
- 支持TIF遥感影像，自动地理信息保持
- USM锐化增强
- 支持大图分块推理
- 训练/推理全流程命令行参数可配置
- 训练过程自动保存最佳模型
- PSNR/SSIM评估（可扩展）
- split.py：数据集自动分割
- dataset.py：数据加载与增强
- rrdbnet_arch.py：网络结构定义
- 欢迎提交Issue或PR改进项目
- 联系邮箱：lph5878@163.com
注意：请确保已正确安装所有依赖，并准备好格式规范的数据集。
免责声明：部分代码由AI辅助完成，未进行严格的代码审查，使用时请注意检验。