利用稀疏编码的遥感影像超分辨率重建

针对现有的超分辨率重建算法存在重建效果不够理想以及算法效率低下的问题,提出了一种利用稀疏编码的超分辨率重建算法,利用遥感图像在特定字典下具有稀疏性,通过学习遥感图像集获取的字典,在已有遥感影像的基础上获取更高分辨率的影像,从而便于影像视觉解译和信息提取。所提出方法建立了高低分辨率影像块稀疏系数间的非线性映射关系,极大地减少了字典模型的冗余和误差,提高了重建的效率。实验表明,该算法不仅在信噪比值和结构相似性值优于其他算法,还提高了算法效率。     

基于反投影注意力网络的遥感影像超分辨率重建

近年来, 在诸如环境监测等一系列工作中, 遥感影像得到了广泛应用. 然而, 目前卫星传感器观测到的影像往往分辨率较低, 很难满足深入研究的需要. 超分辨率(SR)目的是提高图像分辨率, 同时提供更精细的空间细节, 完美地弥补了卫星图像的弱点. 因此, 本文提出了一种反投影注意力网络(back-projection attention network, BPAN)用于遥感图像的超分辨率重建, 该网络由反投影网络和初始残差注意块两部分组成. 在反投影网络中, 通过迭代误差反馈机制计算上下投影误差指导图像重建; 在初始残差注意块中, 引入初始模块融合局部多级特征为重建详细的纹理提供更丰富的信息, 以注意模块自适应地学习不同空间区域的重要性, 促进高频信息的恢复. 为了评价该方法的有效性, 在AID数据集上进行了大量的实验, 结果表明, 本文的网络模型提升了传统深度网络的重建性能, 且在视觉效果和客观指标方面有明显提升.     

卫星遥感影像特定目标的超分辨率重建算法北大核心CSCD

鉴于目前基于深度学习的超分辨率重建算法存在实际应用精度低、训练样本处理效果差等问题,提出了一种新的遥感影像超分辨率重建算法。该方法将飞机和机场作为特定目标样本集,创立混合降质模型实现数据预处理,通过引入全局和局部残差学习策略改进深度卷积神经网络结构,再采用卷积层与反卷积层的图像特征融合重建高精度目标。该模型在多个目标数据集中训练,并采用多种主观和客观评估方法测试,与目前主流方法展开对比。实验结果表明,在定量指标评估中,在不同缩放因子下,该方法的峰值信噪比和结构相似度相对Bicubic、SRCNN、SRGAN、RFANet、EDSR和MCSR方法有较高提升。在分辨率卡的主观视觉评价中,该方法的有效分辨率提升倍数明显高于其他方法。该方法对遥感影像特定目标的超分辨率重建中获取细节特征信息的能力更高,重建目标拥有更高精度和清晰度,有利于航天对地观测的高精度图像解译和信息研判。     

基于双稀疏度K-SVD字典学习的遥感影像超分辨率重建

为了通过软件方式增强遥感影像的空间分辨率,提出了一种基于双稀疏度K-SVD字典学习的遥感影像超分辨率重建算法。基于稀疏表示理论,利用K-SVD字典学习算法求解低分辨率字典及其稀疏系数,将稀疏系数传递至高分辨率字典学习空间,形成高、低分辨率字典对,重建得到高分辨率遥感影像,并在字典学习和稀疏重建两个阶段设置了不同的稀疏度。实验分别采用TM5影像、资源三号影像以及USC_SIPI图像库中的遥感影像进行重建,结果表明,不论重建影像有无噪声,所提算法的峰值信噪比和结构相似指标均高于Bicubic法以及Zeyde的算法。K-SVD和双稀疏度参数的引入,不仅减少了字典学习时间,且具有高的空间分辨率提升能力。     

基于深度学习与超分辨率重建的遥感高时空融合方法

针对遥感影像的“时空矛盾”,提出一种改进STARFM的遥感高时空融合方法。利用SRCNN对低分辨率影像进行超分辨率重建,由于所融合的2组影像分辨率差距过大,网络训练困难,先将2组影像均采样至某一中间分辨率,使用高分辨率影像作为低分辨率影像的先验知识进行SRCNN重建,再将得到的中间分辨率影像重采样后以原始高分辨率影像作为先验知识进行第2次SRCNN重建,得到的最终重建图像相比原先使用插值法重采样所得图像,在PSNR和SSIM上均有提升,缓解了传感器差异所造成的系统误差。STARFM融合方法在筛选相似像元与计算权重时均使用专家知识提取人工特征,基于STARFM时空融合的基本思想,以SRCNN作为基本框架 自动提取特征,实验结果表明,其MSE值相比原方法更低,进一步提高了遥感时空融合的质量,有利于充分利用遥感影像。     

全相位内插交错采样超分辨率融合

利用超分辨率重建技术可提高图像的空间分辨率,但是低分辨率图像序列的配准精度直接影响超分辨率重建的效果。如果能在现有硬件设备的基础上,通过合理安排CCD线阵对图像进行错位,就能对图像间的子像素位移进行精确控制,消除运动参数估计对图像超分辨率重建的制约,从而提高图像的空间分辨率。对超模式影像所代表的交错采样图像的超分辨率重建进行了研究,基于全相位滤波理论,构造了具有交错采样结构的全相位内插滤波器,并将其用于交错采样图像超分辨率内插融合。为交错采样图像超分辨率重建提供了快速、实用且性能优异的高分辨率图像初始估计,大大提高了图像超分辨率重建质量。     

一种优化的迭代反投影超分辨率重建方法

针对现有超分辨率重建方法存在重建的高分辨率图像具有边缘结构不清晰、高频信息提升有限的问题,提出了一种结合迭代反投影(iterative back-projection,IBP)与限制对比度自适应直方图均衡化(contrast limited adaptive histogram equalization,CLAHE)的遥感图像超分辨率重建方法。通过结合迭代反投影与限制对比度自适应直方图均衡的超分辨率重建方法重建高分辨率遥感影像,增加重建图像的纹理细节信息,并利用灰度信息与梯度特征的能量优化模型对重建图像进行优化处理。本文以不同地貌类型遥感图像为实验数据。实验结果表明,该重建方法与经典迭代反投影方法相比,纹理细节丰富,边缘结构清晰,与非局部迭代反投影(nonlocal iterative back-projection,NLIBP)相比,客观质量评价指标均有明显改善,验证了该方法具有较好的普适性与鲁棒性。     

基于图像配准的新媒体视觉影像超分辨率重建方法

针对传统的影像超分辨率重建方法受到原始影像分辨率的影响,导致重建效果差、信噪比高的问题,提出基于图像配准的新媒体视觉影像超分辨率重建方法.仿真结果表明,采用该方法进行新媒体视觉影像超分辨重建的视觉表达能力较好,输出峰值信噪比较高.     

基于稀疏表达的遥感影像超分辨率重建

针对其他超分辨率重建方法数据冗余量大,较为繁琐的问题,基于"稀疏表达"具备模型简单、容易理解、容易操作的特点,提出利用"稀疏表达"理论进行遥感图像的超分辨率重建的设想。先将整个图像空间分为几个不同的子空间,然后在各子空间内构建与正交匹配追踪算法迭代过程中各层面几何结构相适应的分层字典,即利用退化的遥感影像训练过完备字典。     

运用经验模态分解和压缩感知方法进行遥感影像超分辨率重建

遥感影像的超分辨率重建在提高遥感影像的地物识别能力、不同空间分辨率遥感影像融合等方面具有重要的意义。在前人研究的基础上,结合影像经验模态分解(Empirical Mode Decomposition,EMD)、压缩感知理论和主成分变换方法,实现彩色影像的超分辨率重建。算法运用EMD方法首先得到影像的高频成分,然后通过K-SVD学习方法得到过完备字典,运用MOP(Orthogonal Matching Pursuit,正交匹配追踪)方法重构影像。在此基础上,对多光谱影像进行PCA变换,利用第一主成分(PC1)进行字典学习,将得到的字典运用于多光谱影像的超分辨率重建,得到超分辨率的彩色影像。以Geoeye-1全色和多光谱影像为例,验证方法的有效性。