CN1804657A - 遥感图像小目标超分辨率重建方法 - Google Patents
遥感图像小目标超分辨率重建方法 Download PDFInfo
- Publication number
- CN1804657A CN1804657A CN 200610018282 CN200610018282A CN1804657A CN 1804657 A CN1804657 A CN 1804657A CN 200610018282 CN200610018282 CN 200610018282 CN 200610018282 A CN200610018282 A CN 200610018282A CN 1804657 A CN1804657 A CN 1804657A
- Authority
- CN
- China
- Prior art keywords
- image
- wavelet
- remote sensing
- high frequency
- noise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
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
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(N2logN);
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(N2logN);
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100182823A CN100510772C (zh) | 2006-01-23 | 2006-01-23 | 遥感图像小目标超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100182823A CN100510772C (zh) | 2006-01-23 | 2006-01-23 | 遥感图像小目标超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1804657A true CN1804657A (zh) | 2006-07-19 |
CN100510772C CN100510772C (zh) | 2009-07-08 |
Family
ID=36866741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2006100182823A Expired - Fee Related CN100510772C (zh) | 2006-01-23 | 2006-01-23 | 遥感图像小目标超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100510772C (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101795350A (zh) * | 2010-04-07 | 2010-08-04 | 浙江大学 | 一种基于相关性检测的非线性图像放大两倍方法 |
CN101493934B (zh) * | 2008-11-27 | 2010-12-29 | 电子科技大学 | 一种基于广义s变换的微弱目标检测方法 |
CN102044068A (zh) * | 2010-11-12 | 2011-05-04 | 北京空间机电研究所 | 一种基于最佳核形状的小波mtf补偿方法 |
CN101408621B (zh) * | 2008-11-28 | 2011-12-28 | 哈尔滨工业大学 | 基于极化合成孔径雷达图像的超分辨方法 |
CN101578632B (zh) * | 2007-10-10 | 2013-03-27 | 美国日本电气实验室公司 | 模糊边缘平滑度先验及其在阿尔法通道超分辨率上的应用 |
CN103020905A (zh) * | 2012-10-09 | 2013-04-03 | 武汉大学 | 针对文字图像的稀疏约束自适应nlm超分辨率重建方法 |
CN103714534A (zh) * | 2013-12-12 | 2014-04-09 | 河海大学 | 一种基于压缩感知的材料表面缺陷检测方法 |
CN106960416A (zh) * | 2017-03-20 | 2017-07-18 | 武汉大学 | 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 |
CN108090872A (zh) * | 2017-12-18 | 2018-05-29 | 武汉大学 | 基于梯度提取的单帧多光谱影像超分辨率重建方法及*** |
CN108765350A (zh) * | 2018-05-31 | 2018-11-06 | 北京空间机电研究所 | 一种面向航天光学遥感图像量子化滤波方法 |
CN110114799A (zh) * | 2017-01-10 | 2019-08-09 | 富士胶片株式会社 | 噪声处理装置及噪声处理方法 |
CN110163237A (zh) * | 2018-11-08 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 模型训练及图像处理方法、装置、介质、电子设备 |
CN111289470A (zh) * | 2020-02-06 | 2020-06-16 | 上海交通大学 | 基于计算光学的oct测量成像方法 |
CN111814814A (zh) * | 2019-04-10 | 2020-10-23 | 四川大学 | 一种基于图像超分辨网络的单阶段目标检测方法 |
CN112131994A (zh) * | 2020-09-16 | 2020-12-25 | 广东海洋大学 | 一种新型抗噪的卫星图像小目标检测算法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1284975C (zh) * | 2003-01-16 | 2006-11-15 | 上海交通大学 | 遥感图像双线性插值小波变换融合的优化方法 |
KR100504594B1 (ko) * | 2003-06-27 | 2005-08-30 | 주식회사 성진씨앤씨 | 데이터 압축 처리된 저해상도 영상으로부터 초해상도 영상복원 및 재구성 방법 |
-
2006
- 2006-01-23 CN CNB2006100182823A patent/CN100510772C/zh not_active Expired - Fee Related
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101578632B (zh) * | 2007-10-10 | 2013-03-27 | 美国日本电气实验室公司 | 模糊边缘平滑度先验及其在阿尔法通道超分辨率上的应用 |
CN101493934B (zh) * | 2008-11-27 | 2010-12-29 | 电子科技大学 | 一种基于广义s变换的微弱目标检测方法 |
CN101408621B (zh) * | 2008-11-28 | 2011-12-28 | 哈尔滨工业大学 | 基于极化合成孔径雷达图像的超分辨方法 |
CN101795350A (zh) * | 2010-04-07 | 2010-08-04 | 浙江大学 | 一种基于相关性检测的非线性图像放大两倍方法 |
CN102044068A (zh) * | 2010-11-12 | 2011-05-04 | 北京空间机电研究所 | 一种基于最佳核形状的小波mtf补偿方法 |
CN102044068B (zh) * | 2010-11-12 | 2012-05-09 | 北京空间机电研究所 | 一种基于最佳核形状的小波调制传递函数的补偿方法 |
CN103020905A (zh) * | 2012-10-09 | 2013-04-03 | 武汉大学 | 针对文字图像的稀疏约束自适应nlm超分辨率重建方法 |
CN103020905B (zh) * | 2012-10-09 | 2016-05-25 | 武汉大学 | 针对文字图像的稀疏约束自适应nlm超分辨率重建方法 |
CN103714534A (zh) * | 2013-12-12 | 2014-04-09 | 河海大学 | 一种基于压缩感知的材料表面缺陷检测方法 |
CN110114799A (zh) * | 2017-01-10 | 2019-08-09 | 富士胶片株式会社 | 噪声处理装置及噪声处理方法 |
CN106960416B (zh) * | 2017-03-20 | 2019-05-10 | 武汉大学 | 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 |
CN106960416A (zh) * | 2017-03-20 | 2017-07-18 | 武汉大学 | 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 |
CN108090872A (zh) * | 2017-12-18 | 2018-05-29 | 武汉大学 | 基于梯度提取的单帧多光谱影像超分辨率重建方法及*** |
CN108090872B (zh) * | 2017-12-18 | 2021-07-16 | 武汉大学 | 基于梯度提取的单帧多光谱影像超分辨率重建方法及*** |
CN108765350A (zh) * | 2018-05-31 | 2018-11-06 | 北京空间机电研究所 | 一种面向航天光学遥感图像量子化滤波方法 |
CN110163237A (zh) * | 2018-11-08 | 2019-08-23 | 腾讯科技(深圳)有限公司 | 模型训练及图像处理方法、装置、介质、电子设备 |
CN110163237B (zh) * | 2018-11-08 | 2023-03-14 | 腾讯科技(深圳)有限公司 | 模型训练及图像处理方法、装置、介质、电子设备 |
CN111814814A (zh) * | 2019-04-10 | 2020-10-23 | 四川大学 | 一种基于图像超分辨网络的单阶段目标检测方法 |
CN111814814B (zh) * | 2019-04-10 | 2022-04-12 | 四川大学 | 一种基于图像超分辨网络的单阶段目标检测方法 |
CN111289470A (zh) * | 2020-02-06 | 2020-06-16 | 上海交通大学 | 基于计算光学的oct测量成像方法 |
CN111289470B (zh) * | 2020-02-06 | 2021-12-10 | 上海交通大学 | 基于计算光学的oct测量成像方法 |
CN112131994A (zh) * | 2020-09-16 | 2020-12-25 | 广东海洋大学 | 一种新型抗噪的卫星图像小目标检测算法 |
CN112131994B (zh) * | 2020-09-16 | 2024-01-23 | 广东海洋大学 | 一种抗噪的卫星图像小目标检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN100510772C (zh) | 2009-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN1804657A (zh) | 遥感图像小目标超分辨率重建方法 | |
CN1831556A (zh) | 单幅卫星遥感影像小目标超分辨率重建方法 | |
CN1822046A (zh) | 基于区域特征模糊的红外与可见光图像融合方法 | |
CN101359399B (zh) | 光学图像去云方法 | |
CN111612695B (zh) | 一种低分辨率人脸图像超分辨重建方法 | |
CN112669214B (zh) | 一种基于交替方向乘子算法的模糊图像超分辨率重建方法 | |
CN110830043B (zh) | 一种基于混合加权全变分和非局部低秩的图像压缩感知重构方法 | |
CN101540039B (zh) | 单帧图象超分辨方法 | |
CN1917577A (zh) | 一种图像组合降噪方法 | |
CN103020905B (zh) | 针对文字图像的稀疏约束自适应nlm超分辨率重建方法 | |
Sun et al. | Junk band recovery for hyperspectral image based on curvelet transform | |
CN109615584B (zh) | 一种基于单应性约束的sar图像序列map超分辨率重建方法 | |
CN1885338A (zh) | 一种基于有限脊波变换的图像水印方法 | |
Veena et al. | Contrast Enhancement for Remote Sensing Images with Discrete Wavelet Transform | |
Feng et al. | A Fractal Image Compression Method Based on Multi-Wavelet | |
CN113902618B (zh) | 一种基于多模态空间滤波的图像超分算法 | |
Wu et al. | A Searchless Fractal Image Compression Algorithm Basedon Wavelet Transform | |
Liu et al. | Hyperspectral stripes removal with wavelet-domain low-rank/group-sparse decomposition | |
CN113781340B (zh) | 一种基于深度网络模型的合成孔径雷达图像散斑抑制*** | |
CN111179194B (zh) | 一种高光谱斜模成像复原与定标***及方法 | |
Xinyu et al. | Image enhancement algorithm of Dongba manuscripts based on wavelet analysis and grey relational theory | |
Thakur et al. | Image Reconstruction and Refinement | |
CN102663688B (zh) | 基于邻域阈值分类的表面波变换视频去噪方法 | |
Hashim | Image Denoising Based Improved Curvelet Threshold | |
Ma et al. | Research on Spatially Adaptive High-Order Total Variation Model for Weak Fluorescence Image Restoration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090708 Termination date: 20130123 |
|
CF01 | Termination of patent right due to non-payment of annual fee |