一种基于多源参考信息的遥感图像盲复原方法技术

本发明专利技术涉及一种基于多源参考信息的遥感图像盲复原方法，包括以下步骤：建立目标图像退化模型；建立虚拟观测模型；对各参数进行分布定义；得到模糊核、原始图像的目标函数以及超参数的计算关系；对模糊核、原始图像、超参数进行交替优化，提升图像复原效果。本发明专利技术能够利用参考图像支持模糊核估计，进而提升图像复原的效果，解决降晰的模糊图像的点扩展函数估计困难和复原效果较差的问题。

A blind restoration method of remote sensing image based on multi-source reference information

【技术实现步骤摘要】
一种基于多源参考信息的遥感图像盲复原方法
本专利技术涉及遥感图像处理领域，具体来说，涉及一种基于多源参考信息的遥感图像盲复原方法。
技术介绍
遥感图像处理(processingofremotesensingimagedata)是对遥感图像进行辐射校正和几何纠正、图像整饰、投影变换、镶嵌、特征提取、分类以及各种专题处理等一系列操作，以求达到预期目的的技术。在现有的技术需求中，对遥感图像的复原处理一直都是技术人员们孜孜追求的目标，不过时至今日，该技术还是并未得到突破性的进展，图像的复原效果还是很难达到要求。针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
针对相关技术中的上述技术问题，本专利技术提出一种基于多源参考信息的遥感图像盲复原方法，能够利用参考图像支持模糊核估计，进而提升图像复原的效果，解决降晰的模糊图像的点扩展函数估计困难和复原效果较差的问题。为实现上述技术目的，本专利技术的技术方案是这样实现的：一种基于多源参考信息的遥感图像盲复原方法，包括以下步骤：S1、建立目标图像退化模型；S2、建立虚拟观测模型；S3、对各参数进行分布定义；S4、得到模糊核、原始图像的目标函数以及超参数的计算关系；S5、对模糊核、原始图像、超参数进行交替优化，提升图像复原效果。进一步的，S1步骤具体为：建立目标图像退化模型：z＝k*u+nz(1)，其中，z为观测到的模糊图像，u是原始图像，k是模糊核，nz是噪声，符号*代表卷积运算。进一步的，假定噪声nz是方差为均值为零的高斯白噪声，将模糊图像z、原始图像u和模糊核k都展开成为向量：z＝[z1，z2，…，zN]T，u＝[u1，u2，...，uN]T，k＝[k1，k2，...，kM]T。进一步的，S2步骤具体为：引入同场景另一颗卫星清晰的参考图像v，并虚拟一个观测值y，所述观测值y是相同核函数k降晰条件下参考图像v的退化图像，虚拟的观测模型表示为y＝k*v+ny(2)。进一步的，定义方程(1)和(2)在服从高斯分布下有条件概率的形式：进一步的，S3步骤具体为：对任意的图像像素ui(u＝[u1，...，ui，...，uN]T)，设ui服从参数为αi的拉普拉斯分布那么图像向量u＝[u1，u2，…，uN]T的分布为：相应的超参数αi定义服从为伽马分布：此时，参数向量α＝[α1，…，αi，…，αN]T的分布定义为：卷积核k的分布定义为：进一步的，基于贝叶斯定理将上述步骤中各个分布的关系写成：p(k，u，y，α|z，v)＝p(z|k，u)p(y|k，v)p(k)p(v)p(u|α)p(α)(10)。进一步的，将方程(3)-(9)带入到方程(10)，整理得：进一步的，S4步骤具体为：以KL散度为代价函数并基于变分贝叶斯方法得到关于模糊核和原始图像的目标函数：以及超参数方程：进一步的，在实际求解过程中对方程(12)、(13)、(14)交替进行优化。本专利技术的有益效果：本专利技术利用参考图像支持模糊核估计，进而提升图像复原的效果。本专利技术能够解决现有算法面对盲复原问题时先验知识不足的问题，能够显著提高模糊图像的复原准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是根据本专利技术实施例所述的一种基于多源参考信息的遥感图像盲复原方法的流程图。图2a-2j是根据本专利技术实施例所述的对国产卫星HJ-1A的模糊图像z以Landsat-5为参考图像v的仿真实验结果示意图。其中，图2a为目标图像的原始图像及模糊核。图2b为模拟退化图像。图2c为Landsat-5图像集的第三波段的辅助参考图像。图2d为根据本专利技术所述方法实施后的结果图。图2e为D.Perrone等人的去模糊结果图。图2f为D.Krishnan等人的去模糊结果图。图2g为J.Pan等人的去模糊结果图。图2h为L.Xu等人的去模糊结果图。图2i为R.Fergus等人的去模糊结果图。图2j为S.D.Babacan等人的去模糊结果图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，根据本专利技术实施例所述的一种基于多源参考信息的遥感图像盲复原方法，包括以下步骤：首先，目标图像退化模型为：z＝k*u+nz(1)，其中z为观测到的模糊图像，u是原始图像，k是模糊核，nz是噪声。符号*代表卷积运算。假定噪声nz是方差为均值为零的高斯白噪声。图像z、u和模糊核k都展开成为向量，z＝[z1，z2，…，zN]T，u＝[u1，u2，…，uN]T，k＝[k1，k2，…，kM]T。因为图像u和卷积核k都未知，从模糊观测z同时求解u和k非常困难，为此引入同场景另一颗卫星的清晰的参考图像为v，并虚拟一个观测值y，它是相同核函数k降晰条件下参考图像v的退化图像，虚拟的观测模型表示为y＝k*v+ny(2)。方程(1)和(2)噪声都服从高斯分布，所以定义它们有条件概率的形式：对任意的图像像素ui(u＝[u1，…，ui，…，uN]T)，本专利技术设ui服从参数为αi的拉普拉斯斯分布那么图像向量u＝[u1，u2，…，uN]T的分布为相应的超参数αi定义服从为伽马分布此时，参数向量α＝[α1，…，αi，…，αN]T的分布定义为卷积核k的分布定义为基于贝叶斯定理将以上各个分布的关系可写成p(k，u，y，α|z，v)＝p(z|k，u)p(y|k，v)p(k)p(v)p(u|α)p(α)(10)。将方程(3-9)带入到(10)，经过整理我们有以KL散度为代价函数并基于变分贝叶斯方法可得到关于图像和模糊核的目标函数以及参数方程这里(12)是关于k的目标函数，直接线性优化即可求解这里(13)是关于u的目标函数，直接线性优化即可求解这里(14)是关于超参数αi的计算关系。实际求解过程中(12)、(13)和(14)交替进行优化。为了方便理解本专利技术的上述技术方案，以下通过具体使用方式上对本专利技术的上述技术方案进行详细说明。如图2a-2j所示，显示了对国产本文档来自技高网...

【技术保护点】
1.一种基于多源参考信息的遥感图像盲复原方法，其特征在于，包括以下步骤：/nS1、建立目标图像退化模型；/nS2、建立虚拟观测模型；/nS3、对各参数进行分布定义；/nS4、得到模糊核、原始图像的目标函数以及超参数的计算关系；/nS5、对模糊核、原始图像、超参数进行交替优化，提升图像复原效果。/n

【技术特征摘要】
1.一种基于多源参考信息的遥感图像盲复原方法，其特征在于，包括以下步骤：
S1、建立目标图像退化模型；
S2、建立虚拟观测模型；
S3、对各参数进行分布定义；
S4、得到模糊核、原始图像的目标函数以及超参数的计算关系；
S5、对模糊核、原始图像、超参数进行交替优化，提升图像复原效果。


2.根据权利要求1所述的一种基于多源参考信息的遥感图像盲复原方法，其特征在于，S1步骤具体为：建立目标图像退化模型：z＝k*u+nz(1)，其中，z为观测到的模糊图像，u是原始图像，k是模糊核，nz是噪声，符号*代表卷积运算。


3.根据权利要求2所述的一种基于多源参考信息的遥感图像盲复原方法，其特征在于，假定噪声nz是方差为均值为零的高斯白噪声，将模糊图像z、原始图像u和模糊核k都展开成为向量：z＝[z1，z2，...，zN]T，u＝[u1，u2，...，uN]T，k＝[k1，k2，...，kM]T。


4.根据权利要求3所述的一种基于多源参考信息的遥感图像盲复原方法，其特征在于，S2步骤具体为：引入同场景另一颗卫星清晰的参考图像v，并虚拟一个观测值y，所述观测值y是相同核函数k降晰条件下参考图像v的退化图像，虚拟的观测模型表示为y＝k*v+ny(2)。


5.根据权利要求4所述的一种基于多源参考信息的遥感图像盲复原方法，其特征在于，定义方程(1)和(2)在服从高斯分布下有条件概率的形式：

【专利技术属性】
技术研发人员：刘鹏，宁子涵，赵灵军，王力哲，
申请(专利权)人：中国科学院遥感与数字地球研究所，
类型：发明
国别省市：北京;11