[发明专利]一种非局部正则化遥感图像超分辨重建方法

说明书

技术领域

本发明属于遥感信息处理领域，涉及一种光学遥感卫星图像的超分辨率技术，尤其涉及 一种联合正则化滤波器的非局部正则化遥感图像超分辨重建方法。

背景技术

光学遥感卫星领域的分辨率主要指地面像元分辨率(名义分辨率)。众所周知，提高名义 分辨率可通过减少探测元尺寸、增长焦距、降低卫星轨道高度3条路径实现。然而，减小探 测元尺寸会降低图像信噪比，增长焦距会增加卫星发射成本，降低卫星轨道会导致卫星寿命 减少。相形之下，超分辨率或超分辨(super-resolution,SR)被实践证明是一种行之有效的技术， 其中以单幅遥感图像超分辨最具挑战性。

当前，较为流行的SR方法大致可分为基于重建的方法与基于学习的方法。

(1)基于重建的超分辨方法

图像SR重建方法可大致分为局部与非局部两类。局部正则化SR方法可细分为贝叶斯方 法与变分正则化方法。对于前者，最大后验估计(MAP)方法研究较多，图像先验概率模型选 取对该类方法的效果影响较大，已提出的先验模型有MRF及其改进模型，多层高斯非稳态模 型,以及总变差先验模型等。最近，在单幅遥感图像SR重建方法研究方面，Tai等通过图像 边缘先验知识与图像细节拟合，实现了单幅图像SR,Sun等通过对大量自然图像的学习，建 立了一种梯度形状先验模型，Jung等针对彩色图像，提出了一种非局部Mumford-Shahzh正 则化模型。虽然通过耦合更多图像边缘先验知识，上述方法取得了较好的重建结果，但对于 退化(混叠，模糊，噪声)的遥感图像，很难准确估计与提取边缘信息。

(2)基于学习的超分辨方法

基于学习的超分辨率方法研究中，以在基于稀疏表示的方法最受关注。在基于稀疏表述 的图像超分辨方法研究中，为建立高、低分辨率图像间的关系,Yang等为高、低分辨率图像设 置了对应的双字典，通过联合学习对高、低分辨率图像统一进行稀疏表示。Yang提出的模型 假定求解后的稀疏表示同时可重建高、低分辨率图像，这一约束“偏硬”，未能保证低分辨率 图像的稀疏表示较好地重建高分辨率图像，缺乏正则性与有效性。后续提出了改进策略与方 法，如Rubinstein等提出一种参数字典模型来平衡效率和自适应性,李等利用形态学分量分析 法选取样本集，练等基于图像分类思想的提出了改进模型。最近，Yang等提出了耦合的双字 典学习模型，首先假定高、低分辨率图像特征空间存在映射关系，形成耦合特征空间，进而 建立耦合的双字典对，通过模型求解得到了较好的SR结果。基于类似思想，Wang等直接假 定双字典间存在一定关系，提出了一种基于半耦合的高、低分辨率字典学习模型，提高了图 像SR效果。需要指出的是，上述方法在处理退化图像时，需要高，低分辨率图像块训练样 本集。对于高分遥感图像，较难获得适宜的样本集。

尽管目前超分辨方法考虑了采样、模糊、噪声3元图像降质因素，但较少分析三者间的 关系。实际中，光学成像领域中3元降质因素间存在难以调和的矛盾。特别在遥感领域中， 系统调制传递函数与混叠间的矛盾较难调和。直接基于退化图像的学习方法，目前难得到满 意的SR结果。理论上设计反混叠器可有效解决混叠问题，如此一则容易产生振铃效应，引 入虚假信息；二则因过滤了更多的高频信息，导致所成图像更为模糊。单幅图像SR研究， 除了方法本身研究外，还需进一步探索降质因素分析方法，特别是分析图像混叠的理论与方 法。

综上所述，在单幅图像超分辨研究中，降质因素往往会严重影响模型求解的稳定性，继 而影响问题的求解。目前诸多超分辨研工作偏重于模型的构造，特别是图像先验知识研究， 因此虽然已有大量的图像噪声、模糊的估计与检测工作以及最近开展的模糊因素对图像超分 辨率的影响研究，但关于综合分析降质因素对高分遥感图像超分辨影响的研究尚显不足，因 此现有的卫星遥感图像超分辨重建方法重建后的图片效果均不够理想。

发明内容

为解决上述问题，本发明公开了一种基于正则化滤波器的非局部正则化遥感图像超分辨 重建方法，一方面设计了正则化滤波器，以抑制降质因素对图像超分辨过程的影响；另一方 面构建了一种耦合了梯度保真项的非局部正则化超分辨模型；通过联合上述2者，最终有效 地提高光学遥感图像分辨率。

为了达到上述目的，本发明假定已知采样方式(混叠)，系统MTF模型(模糊核)以及噪 声模型，并采用以下步骤进行遥感：