遥感影像超分：从图像增强到鲲鹏 + 昇腾国产算力适配实践

遥感影像超分不是简单把图片“放大变清楚”，而是一个涉及模型、数据格式、地理坐标、大幅面切片、推理框架和国产算力适配的完整工程问题。

在遥感项目中，经常会遇到一个很现实的问题：影像能用，但不够清楚。

例如历史影像无法重拍，高分辨率影像采购成本高，应急场景来不及等待新的卫星过境，多光谱或高光谱影像光谱信息丰富但空间分辨率不足。这个时候，影像超分辨率就会成为一种很有价值的技术手段。

本文主要聊几个问题：

• 什么是遥感影像超分；
• 为什么遥感项目里需要超分；
• 哪些场景适合使用超分；
• 超分效果应该怎么看；
• 鲲鹏 + 昇腾环境下，遥感超分如何做工程化适配；
• 如果已有 PyTorch/CUDA 模型，迁移到昇腾需要注意什么。

1. 什么是遥感影像超分

遥感影像超分辨率，通常简称 超分，指的是利用算法把低分辨率影像恢复或重建成更高分辨率影像的技术。

和普通的图片放大不同，超分并不是简单把像素拉大，也不是传统插值那么简单。

传统插值更多是在已有像素之间做平滑填充，而深度学习超分会利用模型在训练阶段学到的纹理、边缘、地物结构和影像退化规律，对缺失细节进行推断和恢复。

在遥感场景里，超分通常用于把 10 米、3 米、1 米 等影像增强到更细的空间尺度，或者把历史影像、中低分影像、多光谱影像处理得更清晰，便于后续判读、解译和展示。

需要先说明一点：
超分结果不是卫星真实重新拍摄出来的高分辨率影像。它是模型根据原始影像和训练经验推断出的结果。
因此，超分更适合作为辅助判读、智能解译前处理、展示增强和生产提效手段；如果用于测绘验收、执法取证、面积核算或定量遥感，需要配套真实高分影像、地面样本和光谱指标进行验证。

2. 先看一组超分前后效果

下面是几组遥感影像超分前后的视觉对比。可以看到，超分后建筑边缘、道路轮廓、屋顶纹理和植被边界会更加清晰。

2.1 城市建筑与道路区域

超分前	超分后

超分后建筑边界、道路边缘和小尺度地物纹理更加明确，适合用于人工判读和后续图斑提取前处理。

2.2 建筑、植被和道路混合区域

超分前	超分后

这种场景里，植被纹理和建筑边界同时存在。超分模型如果处理不好，很容易出现“看起来锐，但光谱或纹理不可靠”的情况。

2.3 厂房与规则屋顶区域

超分前	超分后

规则屋顶、道路、厂区建筑是超分比较容易体现效果的区域。超分后线性结构更清楚，但也不能把所有新增纹理都当作真实观测。

3. 为什么需要影像超分

遥感项目里经常会遇到一个问题：影像能用，但不够清楚。

比如历史影像无法重拍，高分辨率影像采购成本高，应急场景来不及等待新的卫星过境，多光谱或高光谱影像光谱信息丰富但空间分辨率不足。

这些情况下，超分可以在不重新获取影像的前提下，提升影像的空间细节表达能力。

需求	超分带来的价值
地物边界模糊	建筑、道路、田块、水体轮廓更容易判读
历史影像分辨率不足	提升历史影像可读性，辅助变化分析
应急场景缺少高分影像	先用已有影像做增强，支撑快速初判
多光谱/高光谱空间分辨率不足	在保留光谱信息的基础上增强空间细节
AI 解译效果不稳定	改善输入影像质量，提升分类、检测、分割前处理质量

尤其是在遥感智能解译中，影像质量会直接影响后续分类、目标检测、变化检测和图斑提取效果。

4. 什么场景会用到超分

4.1 历史影像增强

过去采集的影像分辨率有限，但历史变化分析、城市扩张分析、灾害前后对比又必须依赖这些老数据。超分可以提升历史影像的可读性，让历史数据继续发挥价值。

4.2 应急灾害评估

地震、洪水、滑坡、火灾等场景下，高分影像获取可能受卫星过境、天气和采购周期限制。超分可以先对已有中低分影像做增强，辅助道路通达性判断、受灾范围识别和灾损初评。

4.3 国土测绘和自然资源调查

在地物边界模糊、建筑轮廓不清、道路细节不足的情况下，超分可以提升判读效率，为图斑提取、地物采集和变化监测提供辅助。

4.4 农业和林业遥感

多光谱、高光谱影像常常具备较好的光谱信息，但空间分辨率不足。超分可以帮助识别小田块、作物斑块、林地边界和病虫害区域。

4.5 城市精细化管理

在城市更新、违建识别、道路设施识别、工地监测等场景中，超分有助于提升建筑、道路、屋顶和小型设施的可见度。

4.6 遥感数据展示和平台底图增强

在汇报、平台展示、指挥调度和客户演示中，超分后的影像更直观，也更容易让非技术人员理解遥感成果。

5. 超分的效果怎么看

超分效果不能只看“清不清楚”。尤其是遥感影像，既要看视觉效果，也要看数据是否可靠。

评价方向	常见指标或观察点	说明
视觉效果	边缘是否清晰、纹理是否自然、是否有块状接缝	适合展示、判读和汇报场景
图像指标	PSNR、SSIM、LPIPS	用于衡量重建质量和感知质量
遥感指标	SAM、ERGAS、RMSE、逐波段误差、几何一致性	用于判断光谱和遥感数据可靠性

如果用于多光谱、高光谱或定量遥感，就必须关注光谱一致性。因为有些生成式超分模型视觉效果很好，但可能改变波段关系，导致后续 NDVI、分类、反演等结果出现偏差。

看起来清楚，不等于数据一定真实；
能辅助分析，不等于可以直接替代真实高分影像。

6. 鲲鹏 + 昇腾如何做遥感超分

在国产化算力环境里，比较典型的方案是：

鲲鹏 CPU + 昇腾 NPU + CANN / MindIE / AscendCL + 遥感数据处理工具链

组件	主要职责
鲲鹏 CPU	GeoTIFF/IMG 读取、投影坐标解析、多波段处理、大图分块、任务调度、结果拼接
昇腾 NPU	超分模型推理、tile 图像批量计算、FP16/BF16 加速
CANN / ATC	模型转换、算子适配、OM 模型生成
AscendCL / MindIE	推理调用、模型加载、输入输出管理
遥感数据工具链	坐标、分辨率、仿射变换、NoData、位深和成果格式恢复

一个典型流程如下：

原始遥感影像
  ↓
读取投影、波段、位深信息
  ↓
按 512 或 1024 像素切片
  ↓
设置 32 / 64 / 128 像素 overlap
  ↓
送入昇腾 NPU 进行超分推理
  ↓
对重叠区域做融合
  ↓
拼接成完整大图
  ↓
更新分辨率和仿射变换
  ↓
输出 GeoTIFF / IMG 成果

为什么要做 overlap？
因为超分模型对 patch 边缘的上下文感知不足。如果直接无重叠拼接，结果很容易出现块状接缝。设置 overlap 后，可以在输出端对重叠区做加权融合，让整景影像过渡更自然。

7. 从 PyTorch/CUDA 到昇腾适配

很多超分模型最初是在 PyTorch + CUDA 环境中训练和验证的。但在国产化、信创或私有化项目中，最终部署环境可能是 鲲鹏 CPU + 昇腾 NPU。

模型能不能转？
算子支不支持？
推理速度够不够？
输出结果和原始模型是否一致？
能不能处理真实大幅面遥感影像？

一个常见适配链路是：

PyTorch 模型
  ↓
导出 ONNX
  ↓
检查算子兼容性
  ↓
ATC 转换为 OM 模型
  ↓
使用 AscendCL / MindIE 推理
  ↓
对比原始框架和昇腾推理结果

这里最容易遇到的问题包括：

• PixelShuffle / DepthToSpace 算子兼容；
• Resize / Interpolate 算子转换；
• 动态 shape 支持；
• Transformer 注意力结构部署；
• FP16 精度变化；
• 多波段输入通道适配；
• 大图切片后的边缘接缝。

能不能稳定转换
能不能高效推理
输出结果和原始模型是否一致

8. 小规模试跑建议

如果需要验证现有 PyTorch/CUDA 超分模型能否迁移到国产算力环境，建议先做一次小规模样例测试，而不是一开始就进入完整生产部署。

步骤	内容	目的
1	准备 1-3 景典型影像	覆盖城市、农田、水体、云影等不同场景
2	准备模型权重、推理代码或 ONNX 文件	判断模型是否具备迁移条件
3	确认输入波段、位深、倍率、tile size 和 overlap	避免真实生产时参数不一致
4	完成昇腾适配与推理验证	记录转换问题和算子兼容情况
5	对比 PyTorch/CUDA 原始结果和昇腾推理结果	检查精度、视觉效果和光谱一致性
6	输出速度、精度和部署建议	判断是否进入批量生产环境

9. 小结

遥感影像超分的价值，在于用算法提升中低分辨率影像的空间细节表达能力，让历史影像、应急影像、多光谱影像和大范围遥感数据具备更好的判读和解译基础。

但超分不是魔法，也不是对真实高分影像的完全替代。

真正可落地的遥感超分系统，需要同时解决模型效果、昇腾适配、遥感数据格式、大幅面切片拼接、光谱和几何指标验证，以及批量生产流程。

也就是说，遥感超分不是一个单点算法问题，而是一个 模型 + 国产算力 + 遥感工程流水线 的综合问题。