论文部分内容阅读
近年来,由于对地动态观测的的需求日益增长,发射了许多搭载各种传感器的卫星。但是,考虑到经济等原因很少有同时兼顾高空间分辨率和高时间分辨率的传感器存在。为了同时监测到更为广泛的区域和更好的观测细节,本文利用一对遥感图像,基于时空图像融合模型,实现高时序高空间分辨率的图像模拟。此种方法首先通过图像超分辨率技术和低时高空图像信息将高时间分辨率低空间分辨率图像数据(高时低空图像)予以重建,从而提高图像空间分辨率;在此基础上,基于高通模型,将其和高空间分辨率低时间分辨率图像(低时高空图像)数据予以融合得到最终结果。为了减少空间分辨率差异过大带来的误差,整个过程分为两个部分:第一阶段利用稀疏表示超分辨重建技术提高高时低空图像的空间分辨率,通过改进的字典训练方法,训练先验图像;第二阶段,利用已知的高空低时图像和已经提高空间分辨率的高时低空图像通过高通模型融合,通过改进双边滤波敏感空域与值域敏感参数,去噪图像得到更好的图像效果,模拟得到高时高空图像。这对于既需要监测广大地域又需要变化细节的陆地变化监测具有重要意义。本文主要工作分为以下几个部分:一、在时空算法的基础上改进单对图像的学习的字典算法,针对字典学习训练效率低的问题,将改进的K-SVD算法用于字典更新阶段,进而提高字典训练效率和重构图像质量。二、在时空算法的基础上改进单对图像的学习的字典算法,通过在字典训练之前加入MNF变换,减少了训练字典时的数据量,减少了噪声,得到了更好的图像效果。本文图像模拟算法只用一对先验图像,在缺少先验图像的条件下,优势明显,通过实验对比证明本算法切实可行。三、通过改进双边滤波值域与空域参数,使得图像去噪效果更好,使其与实际图像植被变化更接近。本文中高时间分辨率低空间分辨率图像数据选取Terra Moderate Resolution Imaging Spectroradiometer(MODIS)数据,高空间分辨率低时间分辨率图像是我国环境一号小卫星B星的 CCD 数据,利用 2014.05.29 和 2014.07.17 的 modis 数据,以及 2014.05.29 的 HJ ccd数据,进行2014.07.17的ccd数据模拟。实验结果表明,此模型预测的图像同时具有MODIS图像的高时间分辨率和HJ图像的高空间分辨率特性,相似度最高达到0.8以上。与其他时空融合模型算法比较,本算法具有更好的融合效果和需要更少的已知图像,在已知图像很少的情况下是很有利的条件。