基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法技术

本发明专利技术的基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法属于卫星遥感图像处理的技术领域。该方法的应用条件是已知相同观测地区、不同时间分辨率的高分辨率遥感图像和低分辨率遥感图像，对其它观测时间的低分辨率遥感图像进行超分辨率重构，提高低分辨率遥感图像的空间分辨率。具体分为字典训练和对低分辨率遥感图像进行重构两个步骤。本发明专利技术考虑到遥感图像的物候变化，构建了含不同特征信息的小波域的字典，基于三对子波段字典的训练，结合稀疏表示，有效地实现低分辨率遥感图像的超分辨率重构，更好地获取了图像的细节特征；本发明专利技术的方法可有效提高低分辨率遥感图像的重构质量，为低分辨率遥感图像的后期应用提供基础。

【技术实现步骤摘要】
基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法
本专利技术属于卫星遥感图像处理的
，利用小波预处理技术，提出一种基于稀疏表示的卫星遥感图像超分辨率重构方法。该方法能够提高原始遥感图像的空间分辨率，提供比原始图像更多的细节信息，有助于遥感图像的后续处理。
技术介绍
遥感影像的空间分辨率是影响目标识别和精确判读的一个重要因素。为了提高低分辨率遥感图像的空间分辨率，可以采用超分辨率重构方法进行图像增强。超分辨率重构方法是一种指利用同一场景的一帧或多帧低分辨率图像来重构一帧或多帧高分辨率图像的算法。近年来，基于稀疏表示的图像超分辨率重构引起了很多学者的关注。目前，国内外的图像超分辨率重构算法主要是针对常规图像进行重构，具有代表性的方法有：Yang等首先提出基于稀疏表示的超分辨率算法，先求解低分辨率图像块在对应字典下的稀疏表示，再通过线性组合的方法利用稀疏表示系数获得相应的高分辨率图像块(参见YangJ,WrightJ,HuangTS.etal.,“Imagesuper-resolutionviasparserepresentation,”IEEETransactionsonImageProcessing,19(11),2861-2873(2010)；YangJ,WrightJ,HuangT,etal.,“Imagesuper-resolutionassparserepresentationofrawimagepatches,”IEEEConferenceonComputerVisionandPatternRecognition,1-8(2008))。Zeyde和Elad等对Yang的算法提出改进，在图像重构过程中利用正交匹配追踪(OMP)算法求解稀疏表示系数，减少了算法的计算量(参见ZeydeR,EladM,ProtterM.,Onsingleimagescale-upusingsparse-representations[M],CurvesandSurfaces.SpringerBerlinHeidelberg,711-730(2012)；EladM.,SparseandRedundantRepresentations:Chapter15.4.2TheSuper-ResolutionAlgorithm[M],SpringerPress,346-357(2010))。2014年，在Zeyde的算法的基础上，Nazzal采用小波域的字典训练算法，提高了重构质量和计算效率(参见NazzalM,OzkaramanliH.,“Waveletdomaindictionarylearning-basedsingleimagesuperresolution,”Signal,ImageandVideoProcessing,1-11(2014))。对于遥感图像的超分辨率重构算法的研究有：2013年，赵永光等采用基于稀疏表示的超分辨率重构算法来提高MODIS图像的空间分辨率，但该算法只能在一定程度上提高原MODIS图像的分辨率(参见赵永光,黄波,汪超亮.基于超分辨率重建的多时相MODIS与Landsat反射率融合方法[J].遥感学报,2013,17(3):590-608)。遥感图像序列中长时间的间隔导致了序列图像之间存在变化。宋慧慧分析了遥感图像之间的物候变化，认为该变化主要表现在低频信息的变化(参见宋慧慧.基于稀疏表示的图像超分辨率重建算法研究[D].合肥:中国科学技术大学,2011)。综上所述，国内外学者利用基于稀疏表示的超分辨率重构方法主要是针对常规图像进行处理，取得了相关的研究成果。利用稀疏表示对于遥感影像超分辨率重构的研究属于初步的探讨，对于遥感图像空间分辨率提高的能力有限。
技术实现思路
本专利技术要解决的技术问题是，提供一种有效的基于小波预处理技术和稀疏表示的卫星遥感影像超分辨率重构的算法。该方法的应用条件是已知相同观测地区、不同时间分辨率的高分辨率遥感图像和低分辨率遥感图像，对其它观测时间的低分辨率遥感图像进行超分辨率重构，提高低分辨率遥感图像的空间分辨率。为解决本专利技术要解决的技术问题，给出的具体技术方案如下。一种基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法，是已知相同观测地区、不同时间分辨率的高分辨率遥感图像和低分辨率遥感图像，对其它观测时间的低分辨率遥感图像进行超分辨率重构；分为字典训练和对低分辨率遥感图像进行重构两个步骤；所述的字典训练的过程是，1)对已知低分辨率遥感图像上采样，使其和已知高分辨率遥感图像具有相同的图像尺寸；2)对已知高分辨率遥感图像、低分辨率遥感图像分别进行小波分解提取特征，获得低频、水平、和垂直高频三对子波段；3)在已知高分辨率遥感图像、低分辨率遥感图像的三对子波段图像上提取图像块作为训练样本；4)利用冗余字典训练算法对已知低分辨率图像块进行训练，得到已知低分辨率图像块对应的字典和稀疏表示系数；5)计算已知高辨率卫星遥感图像块对应的字典；所述的对低分辨率遥感图像进行重构的过程是，1)对待重构的低分辨率遥感图像进行小波分解，提取特征，获得低频、水平、垂直和对角线高频四个子波段；2)在待重构低分辨率遥感图像的低频、水平、和垂直高频三个子波段图像上提取图像块作为训练样本；3)求解图像块在已知低分辨率遥感图像块对应的字典中的稀疏表示系数；4)根据求得的已知高分辨率遥感图像块对应的字典，计算待重构遥感图像在低频、水平、和垂直高频三个子波段上对应的高分辨率遥感图像，结合待重构遥感图像的对角线高频子波段，通过小波逆变换合成高辨率遥感图像重构结果。在字典训练的过程的第4)步中，所述的冗余字典训练算法，是K-SVD冗余字典训练算法；具体的是通过(1)式对已知低分辨率遥感图像块进行训练，得到三个尺寸大小为n2×ma的低分辨率遥感图像块对应的字典和稀疏表示系数其中ma是冗余字典的列数或者原子数；式(1)中，k0为稀疏表示系数中非零元素的个数，f，h和v分别表示低频、水平、和垂直高频，i＝1,...,P，表示第i个训练样本，P表示训练样本的个数。在字典训练的过程的第5)步中，所述的计算已知高辨率卫星遥感图像块对应的字典通过伪逆表达式(2)求得；式(2)中，Ly是由作为其列组成，Qy是字典训练的过程的第4)步求得的作为其列组成，其中T代表矩阵的转置。在对低分辨率遥感图像进行重构过程的第3)步中，所述的求解图像块在已知低分辨率遥感图像块对应的字典中的稀疏表示系数，是利用OMP算法求解图像块在已知低分辨率遥感图像块对应的字典中的稀疏表示系数在对低分辨率遥感图像进行重构过程的第4)步中，所述的通过小波逆变换合成高辨率遥感图像重构结果，是利用式(3)求得对应的分辨率增强后的图像块再对所有图像块进行以上过程然后合并得到最后结合Td通过小波逆变换合成重构结果更完整具体的技术方案可以叙述如下：已知相同观测地区、不同时间分辨率的高分辨率遥感图像L和低分辨率遥感图像M，获得其他观测时间的低分辨率遥感图像T的超分辨率重构结果本专利技术的流程图如图1所示，具体包括如下过程：步骤一：字典训练1)对已知低分辨率遥感图像M上采样，使其和已知高分辨率遥感图像L具有相同的图像尺寸；2)对已知高、低分辨率遥感图像分别进行小波本文档来自技高网...

【技术保护点】
一种基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法，是已知相同观测地区、不同时间分辨率的高分辨率遥感图像和低分辨率遥感图像，对其它观测时间的低分辨率遥感图像进行超分辨率重构；分为字典训练和对低分辨率遥感图像进行重构两个步骤；所述的字典训练的过程是，1)对已知低分辨率遥感图像上采样，使其和已知高分辨率遥感图像具有相同的图像尺寸；2)对已知高分辨率遥感图像、低分辨率遥感图像分别进行小波分解提取特征，获得低频、水平、和垂直高频三对子波段；3)在已知高分辨率遥感图像、低分辨率遥感图像的三对子波段图像上提取图像块作为训练样本；4)利用冗余字典训练算法对已知低分辨率图像块进行训练，得到已知低分辨率图像块对应的字典和稀疏表示系数；5)计算已知高辨率卫星遥感图像块对应的字典；所述的对低分辨率遥感图像进行重构的过程是，1)对待重构的低分辨率遥感图像进行小波分解，提取特征，获得低频、水平、垂直和对角线高频四个子波段；2)在待重构低分辨率遥感图像的低频、水平、和垂直高频三个子波段图像上提取图像块作为训练样本；3)求解图像块在已知低分辨率遥感图像块对应的字典中的稀疏表示系数；4)根据求得的已知高分辨率遥感图像块对应的字典，计算待重构遥感图像在低频、水平、和垂直高频三个子波段上对应的高分辨率遥感图像，结合待重构遥感图像的对角线高频子波段，通过小波逆变换合成高辨率遥感图像重构结果。...

【技术特征摘要】
1.一种基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法，是已知相同观测地区、不同时间分辨率的高分辨率遥感图像和低分辨率遥感图像，对其它观测时间的低分辨率遥感图像进行超分辨率重构；分为字典训练和对低分辨率遥感图像进行重构两个步骤；所述的字典训练的过程是，1)对已知低分辨率遥感图像上采样，使其和已知高分辨率遥感图像具有相同的图像尺寸；2)对已知高分辨率遥感图像、低分辨率遥感图像分别进行小波分解提取特征，获得低频、水平和垂直高频三对子波段；3)在已知高分辨率遥感图像、低分辨率遥感图像的三对子波段图像上提取图像块作为训练样本；4)利用冗余字典训练算法对已知低分辨率图像块进行训练，得到已知低分辨率图像块对应的字典和稀疏表示系数；所述的冗余字典训练算法，是K-SVD冗余字典训练算法；具体的是通过(1)式对已知低分辨率遥感图像块进行训练，得到三个尺寸大小为n2×ma的低分辨率遥感图像块对应的字典和稀疏表示系数其中ma是冗余字典的列数或者原子数，n2是在已知高、低分辨率遥感图像的子波段图像上提取图像块的大小；式(1)中，k0为稀疏表示系数中非零元素的个数，f，h和v分别表示低频、水平和垂直高频，i＝1,...,P，表示第i个训练样本，P表示训练样本的个数；5)计算已知高分辨率卫星遥感图像块对应的字典；所述的计算已知高分辨率卫星遥感图像块对应的字典通过伪逆表达式(2)求得；

【专利技术属性】
技术研发人员：顾玲嘉，任瑞治，庞悦，张爽，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22