遥感图像空间分辨率改进值计算方法

为了克服超分辨重建后的遥感图像空间分辨率的界定还采用人工对比判读存在误差和结论不统一的缺点,利用调制传递函数、奈奎斯特采样定理和人眼极限频率,建立了一种新的空间分辨率客观评价方法。利用该方法计算超分辨率重建后的遥感图像相比原始遥感图像空间分辨率的提高倍数,从而推断出重建后遥感图像的空间分辨率的大小。在数值测试中,利用不同的超分辨率方法对分级变频矩形光栅图像进行重建,采用提出的空间分辨率评价方法,与归一化均方误差、峰值信噪比、信息熵、灰度平均梯度进行客观评价的结果一致。此方法为遥感图像空间分辨率改进值的计算提供了一种可行的量化模型。     

利用地面靶标的超分辨率重建图像分辨率评价

针对超分辨率重建后图像分辨率指标计算困难的问题,该文提出一种利用地面靶标的重建图像分辨率计算方法。依据靶标原理和分辨率测量需求设计出改进的线阵和辐射状地面靶标;实地拍摄不同分辨率的靶标图像,建立真实分辨率图像库;采用卷积神经网络方法对拍摄图像进行超分辨率重建,并利用靶标计算重建后图像的分辨率,并与MSE、RMSE、PSNR等指标进行对比,进一步验证本文方法的可行性。通过实验可以得出,线阵与辐射状靶标对图像分辨率的评价结果与主观评价结果一致。实验证明,该方法能够计算出超分辨率重建后图像分辨率值,研究成果具有实际应用价值。     

基于压缩感知的航空影像超分辨率重建

详细介绍了压缩感知的研究现状和发展趋势,对压缩感知理论的原理、稀疏基的选取、测量矩阵的构造和信号的重建进行了详细阐述。在图像超分辨率重建技术的基本模型的基础上,基于压缩感知的图像超分辨率重建模型,使用小波基作为稀疏基,并使用改进的正则化正交匹配追踪算法对单幅图像进行超分辨率重建。最后,进行仿真实验,实现了基于压缩感知的单幅图像超分辨率重建,并且和传统的超分辨率重建算法进行对比。结果表明,基于压缩感知的图像超分辨率重建算法,取得了比较好的效果。     

基于超分辨率重建的多时相MODIS与Landsat反射率融合方法

提出一种基于超分辨率重建的MODIS与Landsat反射率图像融合方法,以STARFM算法与超分辨率重建为基础,使用观测的MODIS和Landsat地表反射率图像预测给定时刻的Landsat合成反射率图像。该方法利用基于稀疏表示的超分辨率重建方法对MODIS图像进行分辨率增强,实验结果表明这一操作能够增加原MODIS图像的空间细节,有助于提高STARFM算法的预测精度;另一方面,考虑输入两个基时刻图像相差较大时原STARFM算法预测的反射率会存在"时间平滑"的问题,限制每次只使用一个基时刻MODIS和Landsat图像对进行STARFM预测,使用逐图像块选择策略,从由两个基时刻图像分别进行预测得到的两组预测图像中选择最优的预测,同样得到了优于STARFM算法的预测结果。     

利用在线字典学习实现图像超分辨率重建的算法

图像超分辨率重建是通过对单张或多张具有互补信息的低分辨率图像进行处理,重建一张高分辨率图像的技术。在单张图像的超分辨率重建中,基于稀疏表示的方法取得了很好的效果,得到了广泛的应用。一张图像中不同区域的图像块的内容一般会有显著变化。而基于稀疏表示的超分辨率重建算法多采用固定的字典,无法适应每一个图像块的重建需求。提出了一种结合外部数据和输入图像自身信息进行超分辨率重建的方法,通过搜索待处理图像块的非局部自相似块,结合在线字典学习方法对字典进行更新,从而保证更新后的字典能够匹配待处理的图像块。采用包括遥感图像在内的5张图像进行实验,并与4种经典的超分辨率重建算法进行比较,实验结果表明,此算法在主观评价和客观评价方面都有更好的表现。     

自相似性和边缘保持分解的超分辨率重建算法

针对目前遥感图像超分辨率重建中存在边缘细节信息重建效果不佳的问题,本文提出了—种自相似性特征和边缘特征保持分解的超分辨率重建方法。首先,为了充分利用原始低分辨率图像自身的相似性信息,通过局部自相似性重建方法得到图像的初始重建结果;然后,为进一步增加不同尺度的边缘信息,采用加权最小二乘法对初始重建结果进行多尺度边缘保持分解,并对分解的细节层进行加权线性组合;最后,通过优化计算,得到融合多尺度边缘、细节信息及局部相似性特征的超分辨率重建图像。利用多组仿真和遥感卫星图像进行对比试验。结果表明,该方法可有效提升遥感图像的边缘信息和细节信息。     

超分辨率图像重建技术及其在测绘应用中的研究重点

本文主要对超分辨率图像重建技术的理论基础、国内外技术的发展现状以及主要技术类型进行了综合性的描述，并简要分析了超分辨率图像重建技术在测绘领域中的应用前景，提出了在测绘应用研究中应考虑的主要技术问题。     

基于SIFT匹配和RANSAC算法的超分辨率重建

图像超分辨率重建技术是根据序列图像间信息互补重建高分辨率图像的技术,其主要步骤在于精确运动估计算法和有效超分辨率重建算法。针对存在旋转、缩放变换的序列图像,本文提出一种基于SIFT匹配和随机采样一致性算法（RANSAC）的运动估计算法,该方法首先使用SIFT算法对图像序列的特征点进行提取并匹配,然后使用RANSAC算法消除误匹配点并获取投影变换矩阵,从而获得图像序列间的亚像素级的运动信息;采用一组低分辨率序列图像进行试验,基于上述运动估计算法,采用迭代反投影进行超分辨率重建。试验结果表明,运动估计精度较高,重建影像具有较好的视觉效果,尤其适用于影像序列间存在旋转缩放运动的图像序列的超分辨率重建。     

基于双边结构张量的局部自适应图像超分辨率重建

利用超分辨率重建技术可以有效提高图像的空间分辨率,其中先验模型的选取尤为关键。在最大后验概率(MAP)的框架下引入双边结构张量测度,联合像素邻域4个方向的梯度算子提出一种局部自适应先验方法,构建图像超分辨率重建模型,并利用迭代重加权范数(iteratively reweighted norm)对其进行转换求解。基于标准的测试图像进行了实验,并将本方法与拉普拉斯先验、Huber-Markov先验以及BTV先验的重建结果进行对比,验证了该方法的有效性。     

积分型非线性平差模型及其在超分辨率图像重建中的应用

超分辨率图像重建过程就是对同一目标进行多次观测,获取多幅低分辨率影像,利用低分辨率影像求取目标的真实影像,即求取高分辨率影像的过程。这一过程与测绘领域中对同一对象进行观测,用测量平差求取对象最佳值的过程类似。本文尝试用测量平差的方法来解决超分辨率重建的问题。文中首先建立了超分辨率重建的积分型非线性平差模型,提出了用二次函数将平差模型中的积分函数参数化,用最小二乘平差方法求解。基于所提出的平差方法,制定了图像重建的具体策略。该方法可以定量分析成果的好坏,可以成功避免出现病态问题等。试验结果表明,相对于传统的超分辨率重建方法获得重建图像的视觉效果有较大的提高,而且其峰值信噪比及结构相似性指数也有很大的提高,因此方法可靠且可行。     

一种基于去混叠影像配准方法的POCS超分辨率序列图像重建

简要介绍超分辨率重建的原理和数学模型,采用一种新的超分辨率重建算法,这种算法通过去除低分辨率影像由于欠采样而产生的频率混叠部分以及频率中心的部分低频,来实现图像的精确配准;在计算旋转角度时,通过在图像中心建立极坐标系,求取设定角度精度范围内关于幅度谱的函数,将2维的相关函数转换成1维相关,大大提高计算效率;最后该算法采用POCS方法进行序列图像的高分辨率重建。实验仿真结果表明该算法具有良好的配准精度和超分辨率重建效果,具有良好的应用价值。     

遥感影像超分辨率重建的字典学习类算法

近年来基于字典学习的超分辨率重建技术已成为图像处理领域的研究热点,相比基于重建的超分辨率方法,基于学习的方法充分利用了先验知识,在放大倍数较高时,仍可取得较好的效果,因此被公认为一种非常有前途的方法。本文对国内外已有的基于字典学习的超分辨率重建方法进行了系统研究,梳理了3种基于字典学习超分重建算法的基本原理及优缺点。此外,本文根据遥感影像的特点,使用同一数据源进行字典学习,利用不同字典学习算法分别生成高、低联合字典对,采用不同尺寸大小及缩放倍数的测试图像,进行超分辨率重建,对各种算法的重建性能、鲁棒性和复杂度进行综合分析,进一步研究了各种算法对遥感影像不同应用需求的适用性。     

基于深度学习的高分四号卫星图像超分辨率重建

针对高分四号卫星图像中波红外谱段空间分辨率远低于相应的可见光近红外谱段,提出一种基于深度学习的高分四号卫星图像中波红外谱段超分辨率重建方法。首先,设计卷积回归网络进行初步重建,利用8倍下采样的可见光近红外谱段和原始中波红外谱段训练回归网络。然后,设计卷积重建网络进行进一步重建,利用低分辨率初步重建结果和原始中波红外谱段训练重建网络。最后,将原始可见光近红外谱段依次输入到训练好的回归网络和重建网络,得到最终的中波红外谱段超分辨率重建结果。以湖北和江西部分地区真实数据进行试验,结果表明该方法能有效提高中波红外谱段空间分辨率,与其他方法对比均方根误差至少下降了7.54,且目视效果更清晰自然,有利于扩展高分四号卫星的应用范围。     

基于导向滤波与迭代反向投影的遥感影像超分辨率重建

针对单帧遥感影像采取迭代反投影方法进行超分辨率重建时,重建图像的强边缘存在锯齿效应,在分析了导向滤波算法原理后,本文提出了一种将上述算法引入迭代过程来处理图像误差的方法,以进一步提升图像的高频信息,提高图像的重建质量。选取同时间不同地物的遥感影像作为实验数据,实验结果表明,本文重建的结果与双三次插值方法、边缘导向插值方法和迭代反投影方法相比,在客观评价指标上均有提高,改善了重建影像的纹理细节。本文提出的超分辨率重建方法,可以使重建影像提供更多的高频信息,具有较好的稳定性和鲁棒性。     

小波超分辨率重建算法及其在SPOT影像中的应用

影像超分辨率重建就是从一系列质量较差、分辨率较低的图像来重建图像质量更好、空间分辨率更高的影像的算法.在将所有低分辨率影像纳入同一参考格网中考虑的情况下,低分辨率数据相当于一非规则采样的交错采样数据.本文在多分辨率分析的基础上对基于小波的影像超分辨率重建理论进行介绍,并将现有的小波超分辨率重建算法推广到更一般的运动模型,以充分利用交错采样数据的内在规律性和结构特征,同时针对SPOT影像的特点,分析SPOT影像的调制传送函数,对SPOT重建影像进行包括去噪与解卷积的复原后处理.最后给出基于小波的SPOT影像超分辨率重建结果,表明遥感影像的超分辨率重建在应用中取得进展.     

基于光谱库优化学习的光谱超分与分类精度提升

光谱库优化学习是将光谱库中的光谱数据作为训练样本,在严格理论推导下构建字典优化学习过程。基于光谱库优化学习,本研究提出了一种光谱超分辨率重建方法,该方法在稀疏表示框架下,通过波段匹配,将光谱库映射为与待重建高光谱图像波段相对应的特定光谱库;并利用映射后的特定光谱库与高分多光谱图像,从理论上推导、并构建基于ADMM算法的光谱字典与稀疏系数优化学习过程。多种数据集上的对比分析表明,即使仅使用一幅高分多光谱图像,本研究方法仍能恢复重建出高质量的高分高光谱图像,同时光谱超分辨率重建后的高分高光谱图像可显著提升地物分类精度。结果表明,本研究实现了仅由一幅高分多光谱图像到高分高光谱图像的高质量光谱超分辨率重建。     

局部自相似性与MRF网络模型的超分重建算法

针对局部自相似性重建方法的块效应问题,以及MRF网络模型方法外部训练库数据不相关性产生的图像重建误差问题,提出了一种结合局部自相似性和MRF网络模型的超分辨率重建方法。首先,利用图像局部自相似特性,引入自身冗余信息构建高分训练库,然后建立低分与高分训练库映射的MRF网络模型,通过置信传播算法求解MRF模型重建高分图像。以仿真和真实卫星图像进行超分实验,结果表明本文方法能够改善图像的细节,较好地去除了块效应,提高了地物边缘的清晰度。     

月球车图像超分辨率重建算法

为了更好地满足嫦娥探月工程二期中月球车导航和探测规划任务对图像数据的要求,提出了一种基于压缩感知的超分辨率图像重建方法,利用经过模糊处理并加入噪声的低分辨率图像重建原始的高分辨率图像,实现了月球车图像的超分辨率重建。算法采用局部Sparse-Land模型,从美国阿波罗计划获取的月面图像、嫦娥二期工程实验中获取的图像以及随机选取的自然图像中提取了大量训练图块,采用K-SVD算法完成了高、低分辨率过完备字典Ah和Al的学习,在对待重建图像进行有效分割的基础上,通过求解优化问题获得待处理低分辨率图块的稀疏表示,并将表示系数用于Ah以生成对应的高分辨率图块。最后,运用最小二乘算法,得到满足重构约束的高分辨率图像。实验结果表明,此算法在视觉效果及PSNR指标上均优于插值方法和Yang的方法。     

基于HVS的SSIM超分辨率重建图像质量评价方法

结构相似度(structural similarity)算法在图像评价中,因具有操作简单、运行高效、与主观评价关联性较强等优点而被广泛使用。但SSIM算法在对图像评价时忽略了图像的区域性和人眼的敏感度,其评价结果不能很好地与人眼视觉感知相符。并且当对超分辨率重建后的图像进行评价时,利用SSIM方法无法进行图像评价。针对以上问题,提出一种基于人眼视觉特性(Human Visual System)的SSIM超分辨率重建图像质量评价算法。该算法对图像进行尺度不变特征变换(SIFT),其评价结果与人眼视觉感知相符,提高了评价准确度,具有良好的评价性能。     

基于参叉像元和非均匀B样条曲面的遥感图像超分辨率重建

遥感图像之间的信息互补可以提高图像分辨率,但插值方法易使图像边界模糊、部分细节信息丢失。针对这一问题,提出一种基于参叉像元与非均匀B样条插值相结合的遥感图像超分辨率重建方法。利用经灰度匹配和亚像元级几何配准的2景低分辨率图像,通过参叉交错像元采样到原图像网格2倍的网格中;对于没有值的坐标处用三次B样条插值,插值时选用非均匀的节点参数化方法,曲面图像网格点由邻域36个已知像元组成;在求解待插值点参数值时引入平行线法和黄金分割法迭代寻找最优值,使插值更准确;最后对插值后的图像进行复原处理,重建可视效果更好的"高"分辨率图像。对实验图像的评价表明,用本文方法重建的图像在清晰度、信息量、信噪比和分辨率等方面均有较大的提高。