论文部分内容阅读
图像空间分辨率是遥感成像系统设计的一项关键技术指标,更高的分辨率意味着更高的数据量,也利于我们得到更多有用的信息。目前,遥感技术能够快速和有效的提供各种地面观测数据,成为在地形测绘、城市建设、道路建设,以及军事侦察等领域的主要信息来源。然而,由于卫星遥感成像系统与目标之间距离比较大,不能准确的识别地物目标,使得成像后的物体辨识度低、细节信息较少。因此,本文针对低分辨率遥感图像的特点,如非局部区域存在相似的图像块,纹理丰富,边缘结构明显等,采用不同的方法实现单幅的遥感图像超分辨率重建。本文结合稀疏表示理论和字典学习方法,重点研究单幅遥感图像超分辨率重建技术,具体工作包括:(1)分析卫星遥感在成像过程中受到的多种影响因素,给出遥感图像的退化过程,然后,阐述了稀疏表示理论;最后,介绍了三类典型的超分辨率重建方法,常用的字典学习算法以及图像质量评价指标。(2)提出一种基于非局部自相似性字典学习的图像超分辨率算法。针对卫星遥感受外界因素无法获取高清图像,目前常用的基于稀疏表示的算法重建细节信息不佳等问题。该算法考虑到遥感图像不同区域的两块图像结构上可能存在相似的特点,引入非局部自相似性约束到单幅遥感图像稀疏表示模型中,首先根据K-Means算法将高分辨率图像块随机选取k个点作为初始质心,充分考虑图像重建过程中各个图像块之间的相似性,根据非局部自相似性聚类成k个簇,然后使用奇异值(SVD)分解实现PCA字典。实验结果表明,该算法对遥感图像重建取得了良好的效果,细节信息更加清晰。(3)提出一种基于多字典学习的图像超分辨率算法。针对到一些遥感图像的结构比较复杂,具有不同的特征形态,单字典表达能力差,难以准确表示各种不同类型的图像块,计算时间长等问题。该算法采用MCA(Morphological Component Analysis)分解方法得到结构层图像和纹理层图像;然后针对不同的图像层特征采用不同的分解方法,增加特征匹配精确度;在字典学习阶段,训练不同图像层高、低分辨率字典对;然后计算不同层图像重建后的初始图像与原始高分辨率图像之间的残差图像,并训练残差字典对进一步重建高分辨率图像,最后使用全变分对结构图像进行修复,从而得到最终的高分辨率遥感图像。实验结果表明,重建图像的结构和纹理更加清晰,不论在视觉上,还是在评价指标上都有所提高,重建图像质量比较好。