The invention discloses a complex adaptive video super resolution satellite image compression method, the observed image from the texture thickness and structure character point of view is divided into content complexity ranging from regional, then collect and sample image consistent characteristics consisting of a set of training images, image forming different attributes set, each set of images training a deep learning network model, then the optimal statistical properties with different regions of the image model for super resolution reconstruction of the corresponding region. The method of the invention aims at the difference of the content complexity of the different ground features of the satellite images, thereby effectively improving the accuracy of the super-resolution reconstruction of the video satellite images.
【技术实现步骤摘要】
一种内容复杂性自适应的视频卫星压缩图像超分辨率方法
本专利技术属于图像处理
,涉及一种图像超分辨率方法,具体涉及一种视频卫星压缩图像超分辨率方法。技术背景视频卫星是近几年发展起来的一种新型对地观测卫星,与传统的对地观测卫星相比,其最大的特点是可以对某一区域进行“凝视”观测,以“视频录像”的方式获得比传统卫星更多的动态信息,特别适于观测动态目标。视频卫星极大地提高了卫星遥感系统的动态观测能力,视频卫星动态影像正成为一种重要的空间大数据资源,广泛应用于资源普查、灾害监测、海洋监视、动态目标连续跟踪、动态事件观测等方面。视频卫星拍摄的是连续动态视频,为提高时间分辨率,相比于传统的只拍摄静态图像或序列图像的遥感卫星,光学成像系统牺牲了空间分辨率,客观上降低了像素的空间稠密度。进一步分析,随着视频卫星采集的连续视频的数据量的急剧攀升,为适应星地信道传输能力,星载通信系统不得不加大压缩比或降低回传视频的空间分辨率,导致压缩视频的清晰度严重下降。因此,视频卫星环境下压缩视频的超分辨率重建显得尤为必要。传统的图像超分辨率技术分为基于插值的方法、基于重建的方法和基于机器学习的方法。现有的基于机器学习的超分辨率重建对样本图像不加区分,只是用尽可能多的样本训练模型,然后用这个模型作用于整幅图像的超分辨率重建。由于训练样本不能适应图像内容的多变性,重建性能的好坏严重依赖训练样本的完备性和体量,导致超分辨率重建效率极其低下。
技术实现思路
为了解决上述技术问题,本专利技术将观测图像从纹理粗细、结构繁简的角度划分为内容复杂性不等的区域,然后收集与之特性一致的图像样本组成训练图像 ...
【技术保护点】
一种内容复杂性自适应的视频卫星压缩图像超分辨率方法,其特征在于,包括以下步骤:步骤1:获取若干高分辨率静态光学遥感影像,选取的图像是相同或相近场景下的多幅图像组成的图像序列,构成高分辨率训练图像集;步骤2:通过对高分辨率图像进行下采样和编码失真处理,产生具有低空间分辨率和模糊失真双重高频细节信息损失的低分辨率训练图像;步骤3:将高低分辨率训练图像进行分块,并根据图像纹理结构的复杂性,将图像块分为平坦块和粗糙块两类,收集到百万级别的图像块作为深度学习网络的训练样本;步骤4:利用平坦块训练内容简单的CNN网络sCNN,利用粗糙块训练内容复杂的CNN网络cCNN;步骤5:对于输入的压缩码流,按H.264标准解码一帧图像,并记录下每个宏块的编码模式;步骤6:根据上述宏块编码模式,将宏块判定为内容简单和内容复杂两类,内容简单的块用sCNN网络重建,内容复杂的块用cCNN网络重建:步骤7:将重建的高分辨率图像块按原来位置拼接成一幅完整图像,并用[1 21]滤波器改善拼接边缘的块效应,然后输出超分辨率重建图像。
【技术特征摘要】
1.一种内容复杂性自适应的视频卫星压缩图像超分辨率方法,其特征在于,包括以下步骤:步骤1:获取若干高分辨率静态光学遥感影像,选取的图像是相同或相近场景下的多幅图像组成的图像序列,构成高分辨率训练图像集;步骤2:通过对高分辨率图像进行下采样和编码失真处理,产生具有低空间分辨率和模糊失真双重高频细节信息损失的低分辨率训练图像;步骤3:将高低分辨率训练图像进行分块,并根据图像纹理结构的复杂性,将图像块分为平坦块和粗糙块两类,收集到百万级别的图像块作为深度学习网络的训练样本;步骤4:利用平坦块训练内容简单的CNN网络sCNN,利用粗糙块训练内容复杂的CNN网络cCNN;步骤5:对于输入的压缩码流,按H.264标准解码一帧图像,并记录下每个宏块的编码模式;步骤6:根据上述宏块编码模式,将宏块判定为内容简单和内容复杂两类,内容简单的块用sCNN网络重建,内容复杂的块用cCNN网络重建:步骤7:将重建的高分辨率图像块按原来位置拼接成一幅完整图像,并用[121]滤波器改善拼接边缘的块效应,然后输出超分辨率重建图像。2.根据权利要求1所述的内容复杂性自适应的视频卫星压缩图像超分辨率方法,其特征在于:步骤1中所述高分辨率静态光学遥感影像的地面分辨率优于0.3米,覆盖典型地貌,所述典型地貌包括城市、农田、森林、草原和河流。3.根据权利要求1所述的内容复杂性自适应的视频卫星压缩图像超分辨率方法,其特征在于,步骤2中所述的低分辨率压缩图像,其产生方法包括以下子步骤:步骤2.1:对于其中一幅高分辨率图像,将其宽度和高度均下采样k倍,得到低分辨率训练图像,其中k为2-4的整数;步骤2.2:将低分辨率图像按H.264进行视频编码,每个像素的码率不低于1.98bps,得到压...
【专利技术属性】
技术研发人员:王中元,韩镇,杜博,邵振峰,
申请(专利权)人:武汉大学,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。