全文摘要
本发明公开了基于自适应联合约束的遥感图像超分辨率重建方法。主要包括以下步骤：使用双三次插值对低分辨率图像上采样；利用主成分分析和K‑means方法学习高分辨图像的字典；利用图像的非局部自相似性，构建非局部稀疏先验；提出一个基于图像局部梯度的局部结构滤波器，然后构建结构保持局部先验；融合非局部和局部的先验，并根据噪声级自适应地选择参数，最终形成一个自适应的联合先验；构建代价函数，然后使用交替迭代方法来求解；最终获得高质量图像。本发明所述的单幅遥感超分辨率重建方法在保留图像细节方面具有良好的性能，且有更高的客观评价指标。因此，本发明是一种有效的单幅遥感图像超分辨重建方法。
主设计要求
1.一种基于自适应联合约束的遥感图像超分辨率重建方法，其特征在于包括以下步骤：步骤一：使用双三次插值方法对输入的低分辨图像进行3倍上采样，得到初始的高分辨HR图像；步骤二：对HR图像，利用主成分分析方法和K-means聚类方法计算HR图像的字典；步骤三：利用图像的非局部相似性和稀疏表示，得到非局部稀疏先验；步骤四：利用图像的局部梯度，构建一个局部结构滤波器；步骤五：根据步骤四中提出的局部结构滤波器，构建结构保持局部先验；步骤六：融合步骤三中的非局部稀疏先验和步骤五中的结构保持局部先验，并根据噪声级自适应地选择参数，最终形成一个自适应的联合先验；步骤七：构建超分辨率重建代价函数；步骤八：利用交替迭代方法求解代价函数，得到重建HR图像；步骤九：重复步骤三至步骤八直到达到预先设置的迭代次数；步骤十：若不满足预设的条件，则返回到步骤二；反之，则结束。
设计方案
1.一种基于自适应联合约束的遥感图像超分辨率重建方法，其特征在于包括以下步骤：
步骤一：使用双三次插值方法对输入的低分辨图像进行3倍上采样，得到初始的高分辨HR图像；
步骤二：对HR图像，利用主成分分析方法和K-means聚类方法计算HR图像的字典；
步骤三：利用图像的非局部相似性和稀疏表示，得到非局部稀疏先验；
步骤四：利用图像的局部梯度，构建一个局部结构滤波器；
步骤五：根据步骤四中提出的局部结构滤波器，构建结构保持局部先验；
步骤六：融合步骤三中的非局部稀疏先验和步骤五中的结构保持局部先验，并根据噪声级自适应地选择参数，最终形成一个自适应的联合先验；
步骤七：构建超分辨率重建代价函数；
步骤八：利用交替迭代方法求解代价函数，得到重建HR图像；
步骤九：重复步骤三至步骤八直到达到预先设置的迭代次数；
步骤十：若不满足预设的条件，则返回到步骤二；反之，则结束。
2.根据权利要求1所述的一种基于自适应联合约束的遥感图像超分辨率重建方法，其特征在于步骤四提出了一个可保持图像边缘的基于图像局部梯度的结构滤波器：
Ma<\/sub>＝I+ωM
其中，I为单位矩阵，ω是非负的参数，设计说明书
技术领域
本发明涉及图像超分辨率重建技术，具体涉及基于自适应联合约束的遥感图像超分辨率重建方法，属于数字图像处理领域。
背景技术
图像是人类获取、表达和传递信息的重要手段，因此图像对人类有着重要的意义。随着图像处理技术的深入发展，计算机视觉技术被广泛应用于各个领域，如科学研究、生物医学、航空航天、工业等。但是成像设备和成像环境限制了图像的分辨率，获得的图像常是低分辨率的，这并不能满足人们的需求。图像超分辨重建技术，是在不改变设备性能和成本的情况下，将低质量图像重建为高质量图像。因此，图像超分辨率重建技术的研究是十分有必要的。
因图像超分辨重建技术是一个病态问题，许多先验信息被用于约束超分辨率问题的解，以获得可靠的高分辨图像。目前，基于稀疏表示的超分辨重建方法在改善遥感图像质量方面取得了良好的效果。在传统的基于稀疏表示的超分辨重建方法中，稀疏先验展现了良好的约束性能。然而传统的基于稀疏表示的超分辨率重建方法忽略了遥感图像本身的一些互补的约束信息，这使得超分辨重建性能有限。
发明内容
本发明的目的是利用图像的非局部相似性和提出的局部结构滤波构建一个联合的先验，然后根据噪声级对联合先验的参数进行自适应选择，最终将自适应联合先验应用于超分辨重建，使重建的图像具有更加精细的结构，并减少噪声的影响。本发明通过以下操作步骤构成的技术方案来实现上述目的。
本发明提出的基于自适应联合约束的遥感图像超分辨率重建方法，主要包括以下操作步骤：
(1)使用双三次插值方法对输入的低分辨图像进行3倍上采样，得到初始的高分辨(high-resolution,HR)图像；
(2)对HR图像，利用主成分分析方法和K-means聚类方法计算HR图像的字典；
(3)利用图像的非局部相似性和稀疏表示，得到非局部稀疏先验；
(4)利用图像的局部梯度，构建一个局部结构滤波器；
(5)根据(4)中提出的局部结构滤波器，构建结构保持局部先验；
(6)融合(3)中的非局部稀疏先验和(5)中的结构保持局部先验，并根据噪声级自适应地选择参数，最终形成一个自适应的联合先验；
(7)构建超分辨率重建代价函数；
(8)利用交替迭代方法(Fast Iterative Soft Thresholding，FIST)求解代价函数，得到重建HR图像；
(9)重复步骤(3)至(8)直到达到预先设置的迭代次数；
(10)若不满足预设的条件，则返回到步骤(2)；反之，则结束。
附图说明
图1是本发明基于自适应联合约束的遥感图像超分辨率重建方法的框图
图2是本发明的测试图像
图3是本发明与不同的方法对无噪“aerial-airplane”图像的重建结果对比图
图4是本发明与不同的方法对含有噪声的“dense-residential”图像的重建结果对比图
具体实施方式
下面结合附图对本发明作进一步说明：
图1中，基于自适应联合约束的遥感图像超分辨率重建方法，包括以下步骤：
(1)使用双三次插值方法对输入的低分辨图像进行3倍上采样，得到初始的高分辨HR图像；
(2)对HR图像，利用主成分分析方法和K-means聚类方法计算HR图像的字典；
(3)利用图像的非局部相似性和稀疏表示，得到非局部稀疏先验；
(4)利用图像的局部梯度，构建一个局部结构滤波器；
(5)根据(4)中提出的局部结构滤波器，构建结构保持局部先验；
(6)融合(3)中的非局部稀疏先验和(5)中的结构保持局部先验，并根据噪声级自适应地选择参数，最终形成一个自适应的联合先验；
(7)构建超分辨率重建代价函数；
(8)利用交替迭代方法(FIST)求解代价函数，得到重建HR图像；
(9)重复步骤(3)至(8)直到达到预先设置的迭代次数；
(10)若不满足预设的条件，则返回到步骤(2)；反之，则结束。
具体地，所述步骤(2)中，使用主成分分析方法和K-means聚类方法学习HR图像的紧凑字典。具体的字典学习方法见参考文献“W.Dong,L.Zhang,G.Shi,and X.Li,“Nonlocally centralized sparse representation for image restoration,”IEEETransactions on Image Processing,vol.22,no.4,pp.1620–1630,2013.”。
所述步骤(3)中，利用图像的非局部相似性和稀疏表示，构建了一个非局部稀疏先验：
Jnonlocal<\/sub>＝||α-β||1<\/sub>
其中，α是HR图像的稀疏矢量，β是利用α的非局部相似矢量对α的估计值。具体地构建非局部稀疏先验方法为Dong等人提出的方法，参考文献“W.Dong,L.Zhang,G.Shi,andX.Li,“Nonlocally centralized sparse representation for image restoration,”IEEE Transactions on Image Processing,vol.22,no.4,pp.1620–1630,2013.”。
所述步骤(4)中，为更好地保留图像的局部结构，提出了一个基于图像局部梯度的结构滤波器：
Ma<\/sub>＝I+ωM
其中，I为单位矩阵，ω是非负的参数，设计图
相关信息详情
申请码:申请号:CN201910027043.1
申请日:2019-01-11
公开号:CN109741263A
公开日:2019-05-10
国家:CN
国家/省市:90(成都)
授权编号:CN109741263B
授权时间:20191011
主分类号:G06T 3/40
专利分类号:G06T3/40
范畴分类:40B;
申请人:四川大学
第一申请人:四川大学
申请人地址:610065 四川省成都市武侯区一环路南一段24号
发明人:任超;伏伶丽;何小海;吴晓红;王正勇;卿粼波;滕奇志
第一发明人:任超
当前权利人:四川大学
代理人:代理机构:代理机构编号:优先权:关键词:当前状态:审核中
类型名称:外观设计
标签：自适应论文; 图像分辨率论文; 遥感图像处理论文; 图像融合论文; 稀疏表示论文; 遥感论文; 相似性论文; 分辨率论文;