先验引导的多降质特征“珞珈一号”夜光遥感影像质量提升方法EI北大核心CSCD

珞珈一号夜光(NTL)遥感影像存在云雾、辉光、分辨率降低等多种复杂的降质现象,现有的深度学习影像质量提升网络往往只针对某一种类型的降质问题,且没有充分利用影像的先验信息,训练和学习过程的可解释性差,去除的降质类型单一。因此,针对含有多种复杂降质的影像质量提升问题,提出一种可解释性先验引导的多降质特征夜光影像质量提升方法。分析降质过程和降质表现,推导出了辉光、云雾噪声和空间分辨率下降的综合降质模型,并以该模型作为先验引导构建了云雾、辉光、分辨率3类数据集。在网络结构方面,针对3类降质设计了包含通道注意力模块和像素注意力模块的残差密连卷积神经网络,并用比值稀疏约束损失函数进一步提高影像的清晰度。利用珞珈一号夜光遥感影像进行了试验,结果表明,本文方法可有效去除云雾、辉光等的影响,处理后影像中的灯光边缘信息更加清晰,空间分辨率提高,影像质量提升明显。     

优化点扩散函数估计与稀疏约束的图像盲复原

在卫星光学图像盲复原问题中,点扩散函数的估计和复原模型选择对结果影响很大。针对点扩散函数模板估计困难的问题,该文在分析图像中近似点状地物成像特点的基础上,提出了基于点状地物信息的椭圆抛物面模型点扩散函数估计方法,得到较好的点扩散函数模板;针对图像噪声对复原的影响问题,采用能够分离图像的信号和噪声的归一化稀疏约束模型进行盲复原。利用"吉林一号"卫星图像进行了实验。结果表明:该文提出的优化点扩散函数估计方法可行,盲复原后图像质量得到了提高。