遥感面阵凝视图像并行超分辨重建方法

遥感面阵凝视成像系统可以得到同一场景的多幅图像,研究者常利用这一特点进行多幅图像超分辨重建,以提高遥感图像空间分辨率。但是这类研究往往将超分辨过程独立出来,很少结合成像系统的几何参数优化超分辨重建模型。因此,对成像姿态影响图像不同方向上分辨率的问题进行了分析,提出了基于姿态角的各向异性模糊估计,使退化模型更加准确。同时,为了进一步精确面阵凝视成像系统超分辨重建中的匹配参数估计,提高由系统引起的全局初始匹配误差的包容性,基于最大后验法提出并行优化超分辨率图像和匹配参数的方法。算法充分利用成像过程信息并实时优化匹配参数,实验结果证明与现有方法相比,不仅可以得到细节信息更丰富,更易于人眼观察的遥感图像,并且均方误差降低0.3倍左右,信息熵平均提高1.2。     

基于投影的单幅图像超分辨率重构算法

利用矩阵的Kronecker积,将现有的向量式成像模型转化为等价的矩阵式成像模型.基于新的矩阵式成像模型,提出了由高分辨图像构成的全空间到超分辨重构问题的解流形的投影算子,利用该算子可以直接得到超分辨重构结果.给出了理论分析.实验结果证实,所提算法能有效地改进超分辨率重构效果,对于标准Lenna图像,其峰值信噪比(PSNR)较双线性插值法和B-样条插值方法提高2.5dB以上,相对于其他算法也有不同程度的改进.     

基于改进Keren配准方法的超分辨率算法

提出一种基于边缘检测和Keren配准方法的自适应归一化卷积超分辨率重建算法。为了进一步提高低分辨率序列图像间的配准精度,该算法将边缘检测与Keren配准算法相结合。首先利用Roberts算子对图像序列进行边缘检测,然后利用基于简化四参数仿射变换模型的Keren改进算法求出边缘图像间的平移和旋转参数。仿真实验结果表明即使在含有噪声及大角度旋转情况下,相比Keren改进算法该算法配准精度得到了显著提高;其中采用Roberts算子相比其他传统算子可获得更高的配准精度。最后采用自适应归一化卷积超分辨率融合算法进行超分辨率重建,真实混叠图像序列的实验表明,基于提出的这种配准方法的超分辨率重建图像获得了很好的视觉效果和更高的分辨能力,具有良好的应用价值。     

基于后小波处理的超分辨力图像复原算法

介绍了最大后验概率(MAP)复原超分辨力算法发展现状,然后着重介绍了基于Markov随机场的泊松最大后验概率复原算法(MPMAP)和小波滤波方法。以MPMAP算法为基础,提出了基于后端小波滤波处理和Markov分布的最大后验概率算法(PWMPMAP),试验证明这种算法具有很强的抑制噪声和振铃现象的能力,与MPMAP算法相比,复原效果明显提高,对红外热图像等低信噪比图像尤为有效,以30 dB的红外“建筑物”图像为例,相对MPMAP算法,峰值信噪比(PSNR)可以提高0.4 dB左右。     

基于生成对抗网络的超声图像超分辨率重建

针对医学超声图像的分辨率低而导致视觉效果差的问题,使用基于神经网络的图像超分辨率(SR)重建方法提升医学超声图像的分辨率。采用针对自然图像超分辨率重建的生成对抗网络(SRGAN)作为基本方法,通过减少2个输入通道和删除1个残差块对该网络的结构进行更改,并且改进网络损失函数,新增模糊处理数据集,使该网络适应医学超声图像所具备的灰度图像、散斑纹理单一等特点,从而重建出放大4倍的边缘清晰没有伪影的医学超声图像。将改进SRGAN与原始SRGAN的结果相比,峰值信噪比(PSNR)和结构相似性(SSIM)分别有1.792 dB和3.907%的提升;与传统双立方插值的结果相比,PSNR和SSIM分别有2.172 dB和8.732%的提升。     

基于结构稀疏化的红外图像超分辨率重建算法

本文在稀疏编码的基础上,对红外图像特性进行分析,提出了一种基于结构稀疏化的红外图像超分辨率重建算法。该算法将稀疏作为先验知识,通过对稀疏进行结构化编组,学习字典中高能量的区域,通过纹理代价函数和结构代价函数来实现图像的超分辨率重建。实验结果表明,本文算法较传统的稀疏编码方法在PSNR方面提高4-5dB,重建后的图像更加清晰,背景层次感更强。     

图像超分辨率重建处理算法研究

超分辨算法为实现图像和视频分辨率提高的一种方法。其广泛应用于数字电视、医学图像处理、军事与遥感等领域。超分辨率图像通过融合多帧相似的低分辨率图像达到提高图像细节的目的。本文对使用较为普遍的频域方法、非均匀差值算法、凸集投影算法、迭代反投影算法、最大后验概率方法及基于学习的方法进行了分析,并简要讨论了超分辨算法未来的发展方向。     

一种基于自适应正则化的图像超分辨率重建模型

为了解决图像超分辨率重建中稀疏系数解的不精确问题,提出了一种自适应正则化级联稀疏矩阵的超分辨率重建算法。根据图像自身的特性,采用自适应正则化项对图像局部进行处理,实现图像的局部约束,构建基于自适应正则化的稀疏矩阵函数。另外,为了提高图像的可清晰性,采用基于全局约束的退化模型改进处理结构。测试结果表明,与其他常用算法相比,提出的自适应正则化的图像超分辨率重建算法能够构建更清晰的超分辨率图像。     

基于稀疏K-SVD的单幅图像超分辨率重建算法

图像的超分辨率重建技术可以提升图像质量,改善图像视觉效果,在现实中具有很高的实用价值。针对基于K-SVD的超分辨率重建算法的不足,本文提出一种基于稀疏K-SVD的单幅图像超分辨率重建算法。首先,采用稀疏K-SVD方法进行训练获得高低分辨率字典对,以待重建的低分辨率图像及其降采样作为字典训练的样本,提高了字典和待重建的低分辨率图像的相关性;然后,采用逐级放大的思想进行重建;最后,利用非局部均值的方法,进一步提高重建效果。实验表明,与基于K-SVD的超分辨率重建算法相比,本文算法重建图像的峰值信噪比平均提高了0.6dB左右。重建图像在视觉效果上,也有一定程度的提升。     

融合内外特征的图像超分辨率算法

针对单一先验知识不足以约束病态严重的图像超分辨率问题,本文提出了融合内外特征的图像超分辨率算法。针对图像的自相似性,通过采用基于内部特征的深度卷积网络学习来增强输入图像的细节纹理,去除超分辨率图像伪影;同时,使用基于外部图像的稀疏约束方法来学习图像结构信息,并结合高频残差字典来解决超分辨率重建中的高频信息缺失问题;最后通过卷积稀疏方法分别从基础层和细节层来融合内外特征的重建图像,以获得细节清晰、去伪影的超分辨率图像,进一步提高图像质量。与传统算法相比,本文算法在重建图像的纹理特征和质量上都得到了增强,且视觉效果与峰值信噪比较传统算法有所改善。     

基于视觉显著模型的遥感图像舰船快速检测

为了降低传统高分辨率海面遥感图像舰船目标检测方法的计算复杂度,提高检测速度,在舰船目标检测中引入了基于直方图对比度的视觉显著模型和空间降维算法,提出一种新的高分辨率海面遥感图像舰船目标快速检测算法。首先对高分辨率遥感图像进行空间降维,然后计算降维图的视觉显著图,突出感兴趣目标区域,最后利用最大类间方差法分割视觉显著图以获取舰船目标候选区域。结果表明,目标检测所消耗的时间减小为原来的10%~12%,弱化了复杂海面纹理背景对目标检测的影响。该研究提高了高分辨率遥感图像舰船目标的检测效率。     

数字图像空间分辨率改善的插值--模拟采样迭代方法

在遥感图像和计算机视觉的一些应用中,需要从已有的一些低分辨率图像来获得更高分辨率的图像.已有一些方法都是针对大小完全相同和图像之间不存在局部的几何畸变(或假设如此)的图像,而对从大小不同或分辨率不同的图像和图像之间存在相对的几何畸变等更普遍存在的实际图像来重构更高分辨率图像的问题未加涉及.本文用从带限信号的非均匀采样进行信号重构的迭代方法和凸集投影方法出发,导出了一种应用范围更加广泛的从多幅空间分辨率低的图像重构更高空间分辨率图像的一般性空间域插值-模拟采样迭代方法,并提出了凸集投影的变权迭代解法.该迭代方法可以对付图像之间存在相对的几何畸变、辐射亮度差异、空间分辨率差异及图像存在噪声等情形.实验表明,该迭代解法具有很好的收敛性和很好的收敛效果.     

Integration of Spatial–Spectral Information for Resolution Enhancement in Hyperspectral Images

In this paper, a new algorithm is proposed for resolution enhancement in hyperspectral images (HSIs). The key techniques are included: spectral unmixing and superresolution mapping, by which spatial and spectral information of HSIs is substantially fused. The proposed algorithm first represents each pixel in scene as a linear combination of landcover spectra and noise. Then, a fully constrained least squares algorithm is used to obtain the proportion of each landcover in each pixel, i.e., abundance, subjecting to two constraints: nonnegativity and sum-to-one. After that, superresolution mapping is performed on high-resolution grids according to spectral unmixing abundances of each landcover and following spatial correlation of clutters. Thus, by reasonably integrating spatial and spectral information of landcovers in HSIs, the proposed algorithm realizes resolution enhancement of the HSIs based on a back-propagation neural network. The proposed algorithm is independent from the a priori information associated with original HSIs, i.e., a main merit of the algorithm. In order to evaluate the performance of the new algorithm, numerical experiments are conducted on both simulated images and real HSIs collected by the Airborne Visible/Infrared Imaging Spectrometer. The proposed algorithm is compared with the traditional method in the experiments. The experimental results prove that the proposed algorithm effectively enhances the resolution of HSIs and indicate its applicability.     

Superresolution technique with edge-based ringing reduction forpassive millimetre-wave images

Images obtained by passive millimetre-wave systems are heavily blurred and band-limited owing to diffraction. A superresolution algorithm has been developed to improve their spatial resolution beyond the diffraction limit. Initially the spectrum of an image is restored within the passband but the resulting image then contains strong ringing owing to the lack of higher spatial frequencies. These ringing artifacts are then reduced using a piecewise-linear model which identifies and restores sharp edges, so introducing higher spatial frequencies beyond the passband. This method has been applied to synthetised and real millimetre-wave images, but may have applications in other fields such as in magnetic resonance imaging     

A unified framework for MAP estimation in remote sensing image segmentation

A complete framework is proposed for applying the maximum a posteriori (MAP) estimation principle in remote sensing image segmentation. The MAP principle provides an estimate for the segmented image by maximizing the posterior probabilities of the classes defined in the image. The posterior probability can be represented as the product of the class conditional probability (CCP) and the class prior probability (CPP). In this paper, novel supervised algorithms for the CCP and the CPP estimations are proposed which are appropriate for remote sensing images where the estimation process might to be done in high-dimensional spaces. For the CCP, a supervised algorithm which uses the support vector machines (SVM) density estimation approach is proposed. This algorithm uses a novel learning procedure, derived from the main field theory, which avoids the (hard) quadratic optimization problem arising from the traditional formulation of the SVM density estimation. For the CPP estimation, Markov random field (MRF) is a common choice which incorporates contextual and geometrical information in the estimation process. Instead of using predefined values for the parameters of the MRF, an analytical algorithm is proposed which automatically identifies the values of the MRF parameters. The proposed framework is built in an iterative setup which refines the estimated image to get the optimum solution. Experiments using both synthetic and real remote sensing data (multispectral and hyperspectral) show the powerful performance of the proposed framework. The results show that the proposed density estimation algorithm outperforms other algorithms for remote sensing data over a wide range of spectral dimensions. The MRF modeling raises the segmentation accuracy by up to 10% in remote sensing images.     

基于KL与小波联合变换的多光谱图像压缩

鉴于卫星拍摄的遥感图像的空间分辨率和光谱分辨率越来越高,在一些应用中,常会对多光谱图像进行压缩。为了提高多光谱图像的压缩质量,提出了联合相位相关和仿射变换的图像配准方法,有效提高了图像谱段之间的相关性。针对多光谱图像压缩,提出了结合Karhunen-Love,KL变换去除谱间相关和嵌入式二维小波编码方法。相比JPEG2000谱段图像独立压缩方法,提出方法解压图像的Peak Signal to Noise Ratio,PSNR值平均提高2.1 dB。实验结果表明:所提出的方法能在相同的压缩率下获得比JPEG2000谱段图像独立压缩方法更好的图像质量。     

基于深度学习的红外遥感信息自动提取

为了提高红外遥感图像地物 信息自动提取的精确性,同时避免人工提取遥感 信息的低效性,提出了一种基于UNet深度学习模型 的遥感信息提取算法。该算法用于从红外遥感图像中分割 出5类地物信息(包括道路、建筑、树木、农田和水 体)。首先,对分辨率高但数量较少的训练数 据进行小像幅的随机裁剪,并对其进行相应的数据增 强处理。然后搭建UNet深度学习模型,并用它 自动提取遥感图像的特征信息。采用交叉熵损失函数 以及Adam反向传播优化算法对该模型进行训练,并对测 试样本中的5幅遥感图像进行精确的地物信息提取。最后,运 用Jaccard指数对测试结果进行精度评定。实验结果表明,该 方法对高分辨率红外遥感图像信息和可见光 遥感图像信息进行了充分融合,对于不同种类地物 的定位和分类都取得了较高精度。     

超分辨率重建算法在热红外图像中的应用

高空间分辨率的热红外图像能够提供更多关于目标场景的细节信息,因而在 计算机视觉、医学和遥感等诸多领域有着广泛的应用需求。由于通过提升热红外相机硬件性 能的方式往往需要付出高昂的代价,因此我们选择通过超分辨率重建的方式来提高热红外图像的空间分辨 率。本文所重建的热红外图像来源于舟山航拍试验,所用热红外相机由自主设计搭载。分别采 用凸集投影法和迭代反投影法对热红外序列图像进行了超分辨重建。实验结果表明,这两种算 法均能有效提高热红外图像的空间分辨率。     

约束最大相关系数的高光谱影像目标探测研究

高光谱遥感影像具有高的空间分辨率和连续的光谱信息,在目标探测领域具有独特的优势。基于高光谱影像的目标探测技术是遥感理论与应用的重要领域之一。本文从统计学中的相关系数的概念出发,提出了基于约束最大相关系数的高光谱影像目标探测算法。利用高光谱影像的线性混合模型,在真实图像中添加目标光谱,获得不同含量的亚像素目标及大目标,利用实验室高光谱成像仪对大目标进行推扫成像获取真实大目标高光谱影像。对仿真图像与真实图像进行约束能量最小化算子和约束最大相关系数算子进行对比,实验结果表明,基于约束最大相关系数的高光谱影像目标探测算法在探测大目标中具有更稳健的探测性能。     

基于生成式对抗网络的遥感图像半监督语义分割

高分辨率遥感图像的语义分割问题是目前遥感图像处理领域中的研究热点之一。传统的有监督分割方法需要大量的标记数据,而标记过程又较为困难和耗时。针对这一问题,提出一种基于生成式对抗网络的半监督高分辨率遥感图像语义分割方法,只需要少量样本标签即可得到较好的分割结果。该方法为分割网络添加全卷积形式的辅助对抗网络,以助于保持高分辨率遥感图像分割结果中的标签连续性;更进一步,提出一种新颖的能够进行注意力选择的对抗损失,以解决分割结果较好时判别器约束的分割网络更新过程中存在的难易样本不均衡问题。在ISPRS Vaihingen 2D语义标记挑战数据集上的实验结果表明,与现有其它语义分割方法相比,所提出方法能够较大幅度地提高遥感图像的语义分割精度。