CN1804657A - 遥感图像小目标超分辨率重建方法 - Google Patents

Abstract

遥感图像小目标超分辨率重建方法，提出了降晰遥感图像超分辨率图像重建的模型，空间分辨率增加到原图像的1.5倍，并有效的抑制了寄生波纹；线状地物和经验函数估计大气扰动图像降晰参数H；解相关消噪算子，冗余小波分解采用镜像小波基函数，利用其正交性相关，在小波域内实现形态学小波非线性小波编码的基础上，抑制高频随即噪声；根据信号噪声和信号能量谱密度动态均衡高频噪声信号和高频细节信号对解模糊的影响；解模糊算子，反卷积不需要预先知道精确的***光学传递函数。可应用于卫星图像军事目标识别、小目标的检测和土地资源的遥感影像测量。

Description

遥感图像小目标超分辨率重建方法

技术领域

本发明属卫星遥感图像超分辨率图像重建高效算法，主要应用于卫星图像军事目标识别、小目标的检测和遥感影像测量、高清晰度电视(HDTV)。

背景技术

遥感图像在卫星光学成像、传输、采集过程中，由于成像***受到大气扰动、散焦、相对运动的影响，图像会有不同程度的降晰，典型的为模糊、失真、加性噪声。超分辨率重建是从质量较差、分辨率较低的图像来重建图像质量更好、空间分辨率更高的影像的算法，主要应用于卫星图像军事目标识别、小目标的检测和遥感影像测量。2002年法国已成功的将超分辨率技术运用到SPOT5卫星上，空间分辨率提高了一倍，国外其他机构正进行研究。我国卫星成像空间分辨率目前只有4米左右(如资源二号)，而国外能够达到分米级(如QUICKBIRD为0.6米)。鉴于我国成像***硬件水平和我国实际现状，针对大气扰动降晰模型辨识的单幅遥感图像小目标超分辨率重建方法，运用反演的方法是提高遥感图像空间分辨率是的有效途径。

超分辨率图像重建技术涉及到流媒体、图像处理等遥感测量方面，因为超分辨率重建是一个病态(ill-posed)方程的求逆问题，进行反演运算时，不一定有解，或有多个解。这是图像恢复中最棘手的问题。这主要是由于在求逆的过程中受到高频噪声放大，进而淹没了有效信号的结果。因此图像超分辨率过程中在增加图像高频细节信息的同时，而避免放大高频随即噪声(即规整化)是关键。

经典的逆滤波(Inverse Filter)和维纳滤波(Weiner Filter)很早就运用到图像的复原，但由于不能有效的解决自然图像的噪声放大和奇异性问题求解，而不能实用化。80年代末，在超分辨率影响重建方法研究上取得了突破性进展，Andrews和Hunt诠释了超分辨率图像重建的理论基础，而且提出和发展了许多有使用价值的方法。超分辨率图像重建主要有三类方法：频域外推方法；空域迭代方法；Bayesian方法等非线性复原方法，以及多幅适用流媒体的多帧图像的超分辨率图像重建(P.Cheeseman，B.Kanefsky，R.Kruft，J.Stutz，and R.Hanson，″Super-Resolved Surface Reconstruction From Multiple Images，1994)。Tsai andHuang(1984)提出频域方法，将图像变换到频域做变换处理后重建得到空间域的高分辨率图像(R.Y.Tsai and T.S.Huang，Multiframe image restoration and registration，in Advancesin Computer Vision and Image Processing.)，但此方法难以包含先验知识，不能有效的抑制寄生波纹。Cheeseman(1994)在国家航天行星图片的超分辨重建项目基于Bayesian提出MAP(Maximum Posteriori Probability)方法(P.Cheeseman，B.Kanefsky，R.Kruft，J.Stutz，and R.Hanson，″Super-Resolved Surface Reconstruction From Multiple Images，″)。我国哈工大李金宗，黄建明等2003年对超分辨率处理中振铃现象的分析进行了分析(李金宗，黄建明等。超分辨率处理中振铃现象的分析与抑制)。

但目前超分辨率图像的研究，关键问题仍然是在图像复原过程中高频噪声的放大对图像带来的影响。本发明提出运用遥感图像线状地物和大气扰动经验公式来估计光学传递函数，提出基于形态学静态小波变换，图像重建过程中抑制高频噪声信号的基础上增加遥感图像的高频信息，运用反卷积实现小目标超分辨率重建反演方法。

发明内容

针对上述问题，本发明提出遥感图像小目标超分辨率重建方法，在不同的空间域动态均衡的超分辨率重建过程中，降低高频随机噪声和有效高频细节信号对重建图像的影响，提高空间分辨率和算法的计算速度。

本发明的技术方案是：遥感图像小目标超分辨率重建方法，其特征在于包括以下步骤：

1)定遥感影响降晰模型，主要考虑遥感图像的大气扰动造成的图像的模糊和随机加性噪声的影响，成像***可看成是空间线性不变***；

2)根据影响典型线状地物和经验函数估计大气扰动图像降晰参数H；

3)将大图像分成有重叠的512×512的子块，算法复杂度O(N²log^N)；

4)根据信号、噪声功率谱自适应的调整规整化因子α；根据规整化因子动态均衡在解模糊过程中高频噪声信号和细节信号对图像的影响，抑制高频噪声信号的放大和寄生波纹；

5)解相关消噪算子；镜像小波冗余小波分解，在小波域内实现形态学小波非线性小波编码的基础上，抑制高频随即噪声；

6)解模糊反卷积算子；在小波域内进行反卷积解模糊和抑制图像的寄生波纹，减少图像重建的伪信息；

7)将重叠的子块几何配准拼结成整幅图像。

本发明的特点：提出了降晰遥感图像超分辨率图像重建的模型，空间分辨率增加到原图像的1.5倍，并有效的抑制了寄生波纹；线状地物和经验函数估计大气扰动图像降晰参数H；解相关消噪算子，冗余小波分解采用镜像小波基函数，利用其正交性相关，在小波域内实现形态学小波非线性小波编码的基础上，抑制高频随即噪声；根据信号噪声和信号能量谱密度动态均衡高频噪声信号和高频细节信号对解模糊的影响；解模糊算子，反卷积不需要预先知道精确的***光学传递函数。

在抑制图像复原过程中高频随机噪声信号的基础上增加图像高频细节信息，提高图像空间分辨率，约1.5倍。基于图像恢复病态问题(ill-posed)逆问题求解，由于经典的逆滤波(inversefilter)和维纳滤波(Wiener filter)的局限性，本算法采用了分别在频域、小波域对由于图像复原求逆问题进行规整化(Regularity)的方法，在抑制高频随机噪声信号的同时可以有效增加图像高频细节信息。本发明方法解相关、解模糊效率高，空间分辨率提高到原图像1.5倍，算法速度快。可应用于卫星图像军事目标识别、小目标的检测和土地资源的遥感影像测量。

附图说明

图1，本发明实施例的卫星图像降晰空间不变线性模型。

图2，本发明实施例的算法流程框图。

图3，不同分辨率图像功率谱(资源二号卫星遥感图像，QuickBird遥感图像)。

其中，图3.1，资源二号空间分辨率4m，

图3.2，Qickbird空间分辨率0.6m，

图3.3，不同空间分辨率图像功率谱，

图4，仿真降晰图像重建及其功率谱。

其中，图4.1，原始图像，

图4.2，降晰图像SNR＝19.36dB，

图4.3，重建图像SNR＝29.28dB，

图4.4，图像功率普(左)，

图4.5，图像功率普(右)曲线拟和。

图5，低分辨率遥感图像及重建结果及大气扰动光学传递函数经验模型。

其中，图5.1，资源二号图像，

图5.2，重建图像结果，

图5.3，图像功率普(左)，

图5.4，图像功率普(右)曲线拟和，

图5.5，大气扰动经验降晰函数，

图5.6，与图5.5对应的光学传递函数。

具体实施方式

1、理论基础

卫星遥感成像***不可避免的受到大气扰动、成像***相对地物场景运动、几何变形等导致的散焦，欠采样，***随机噪声，造成遥感图像的降晰、退化。观测图像的支持域，大气扰动层给观测图像带来严重的变形。超分辨率重建是从质量较差、分辨率较低的图像来重建图像质量更好、空间分辨率更高的影像的算法，实际是求逆问题。进行反演运算时，反演不一定有解，—即奇异问题；另外反演方程可能有多个解。这两种情况都称为图像复原的病态性。

理论上观测图像的支持域是二维平面上的一个有限区域，其成像模型：

                g(x，y)＝f(x，y)*h(x，y)+n(x，y)

                        g(x，y)-观测图像

                        f(x，y)-实际地物的像

                        h(x，y)-***的光学传递函数

                        n(x，y)-随机噪声

根据以上模型综合考虑遥感图像光学成像的影响因素建立如图1所示的降晰模型。

图像复原在已知观测图像的基础上反演求逆估计实际地物场景。去相关，解模糊得到地物图像的最佳估计。

2、算法流程框图(见图2)

小波变换具有解相关的特性，且对非平稳信号—图像的边缘、纹理具有很好的逼近能力，这一点明显优于频域的滤波算法。本发明采用镜像小波基的正交特性，冗余小波变换将有效信号和噪声分解到不同的子带内，在小波子带内进行形态小波编码，消噪和去相关；反卷积解模糊。

3、步骤

1)将大图像分成有重叠的512×512的子块；

2)根据影响典型线状地物和经验点扩算函数(Point Spread Function)估计大气扰动图像降晰参数H，确定遥感影响降晰模型，主要考虑遥感图像的大气扰动造成的图像的模糊的影响。大气扰动降晰参数是解模糊的关键。

3)根据信号、噪声功率谱自适应的调整规整化因子α。

4)镜像小波冗余子带分解，利用镜像小波的正交性解相关。

5)在小波域内进行形态学小波编码，抑制高频随即噪声。

6)解模糊，在小波域内进行反卷积解模糊和抑制图像的寄生波纹，减少图像重建的伪信息。

7)冗余小波遥感图像重构。

8)将重叠的子块几何配准拼结成整幅图像。

同一地物不同分辨率遥感图像及其功率谱见图3

由功率谱可以明显的看出，Quickbird成像***的高频细节成分明显多于资源二细节部分，且资源二号遥感图像存在由于欠采样造成的高频混叠。

仿真降晰图像重建及其功率谱见图4

由功率谱可以明显的看出，降晰图像高频细节部分信号损失，图像变得模糊。图像重建后高频细节信号得到补偿，ISNR(Improvement SNR)为9.92。

资源二号卫星遥感图像大气扰动降晰图像及其重建图像见图5

由功率谱可以明显的看出，降晰图像高频细节部分信号损失，图像变得模糊。图像重建后高频细节信号得到补偿，因此边缘得到锐化，空间分辨率可提高约1.5倍。其中5.5和5.6是本算法中涉及的经验大气扰动降晰函数模型及其对应的光学传递函数(OTF)。

Claims (1)

1、遥感图像小目标超分辨率重建方法，其特征在于包括以下步骤：

1)确定遥感影响降晰模型，主要考虑遥感图像的大气扰动造成的图像的模糊和随机加性噪声的影响，成像***可看成是空间线性不变***；

2)根据影响典型线状地物和经验函数估计大气扰动图像降晰参数H；

3)将大图像分成有重叠的512×512的子块，算法复杂度0(N²log^N)；

4)根据信号、噪声功率谱自适应的调整规整化因子α；根据规整化因子动态均衡在解模糊过程中高频噪声信号和细节信号对图像的影响，抑制高频噪声信号的放大和寄生波纹；

5)解相关消噪算子；镜像小波冗余小波分解，在小波域内实现形态学小波非线性小波编码的基础上，抑制高频随即噪声；

6)解模糊反卷积算子；在小波域内进行反卷积解模糊和抑制图像的寄生波纹，减少图像重建的伪信息；

7)将重叠的子块几何配准拼结成整幅图像。

Images