基于多字典學(xué)習(xí)與非局部信息融合的遙感圖像超分辨率重建方法
【專利摘要】本發(fā)明提供一種基于多字典學(xué)習(xí)與非局部信息融合的遙感圖像超分辨率重建方法，該方法在利用學(xué)習(xí)字典重建圖像的基礎(chǔ)上，考慮了遙感圖像的非局部相似性，將低分辨率圖像自身所包含的信息加入重建圖像，使高頻細節(jié)內(nèi)容更豐富。同時，通過低秩分解的原理將多字典重建的圖像進行融合，有效利用了多幅圖像之間所包含的非冗余信息。最后，算法利用全局優(yōu)化，進一步減小了圖像的重建誤差。
【專利說明】
基于多字典學(xué)習(xí)與非局部信息融合的遙感圖像超分辨率重 建方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及圖像處理和遙感信息智能處理領(lǐng)域，具體而言設(shè)及一種基于多字典學(xué) 習(xí)與非局部信息融合的遙感圖像超分辨率重建方法。
【背景技術(shù)】
[0002] 隨著遙感技術(shù)的不斷發(fā)展，衛(wèi)星遙感影像的空間分辨率越來越高，但是衛(wèi)星遙感 器依舊面臨著較高的投入成本和硬件制作技術(shù)的限制。因此，從算法和軟件方面入手來提 高圖像分辨率成為目前研究的熱點。由此應(yīng)運而生的圖像超分辨率技術(shù)可W利用低分辨率 圖像重建出高分辨率圖像，從而克服成像設(shè)備固有的分辨率限制，在衛(wèi)星遙感成像領(lǐng)域具 有重要的應(yīng)用價值。
[0003] 目前，圖像超分辨算法主要包括基于插值、重建和學(xué)習(xí) Ξ類?；诓逯档某直?率算法并不考慮圖像的內(nèi)容而只是簡單地進行像素點之間的計算，例如最鄰近插值、雙線 性插值、雙Ξ次插值，運類算法計算復(fù)雜度小、運行速度快，但細節(jié)信息不易保留?；谥?建的超分辨率算法結(jié)合圖像的降質(zhì)模型，改進了插值算法無法引入先驗信息的問題，例如 迭代反向投影法（IBP:Iterative Back Projection)、最大后驗概率法（MAP:Maximum a 化steriori)、凸集投影法（P0CS:P;rojection Onto Convex Set),運類算法原理較為簡單， 對紋理結(jié)構(gòu)豐富的圖像重建效果不佳?；趯W(xué)習(xí)的超分辨率算法是把圖像訓(xùn)練集中的高低 分辨率圖像的對應(yīng)關(guān)系作為先驗信息，從而根據(jù)低分辨率圖像估計出高分辨率圖像，該類 方法可W獲得更多的高頻細節(jié)信息，是目前熱口的研究方向。
[0004] Yang等人根據(jù)壓縮感知理論，提出了基于稀疏編碼的超分辨率算法（Sparse Coding Super Resolution, SCSR)，其基本原理是為圖像的高、低分辨率塊分別訓(xùn)練對應(yīng)的 高、分辨率字典并且使它們具有相同的稀疏表示，再在重建時計算出低分辨率圖像塊在對 應(yīng)字典下的稀疏表示系數(shù)，由高分辨率字典與之相乘，便可估計出高分辨率圖像塊。與傳統(tǒng) 方法相比，稀疏表示法的重建效果取得了顯著提高。
[0005] 然而，傳統(tǒng)的基于字典學(xué)習(xí)的超分辨率算法重建遙感圖像時存在W下問題：
[0006] 1、對訓(xùn)練數(shù)據(jù)比較敏感，當訓(xùn)練數(shù)據(jù)不同時，重建的圖像也不相同，重建的結(jié)果并 不穩(wěn)定。在真實情況下，遙感圖像成像條件復(fù)雜，降質(zhì)模型并不確定，地物類型也各部相同， 利用單一字典進行超分辨率重建的圖像質(zhì)量有時候甚至不如傳統(tǒng)的插值算法。
[0007] 2、只考慮了外部信息，即利用訓(xùn)練字典進行圖像重建，而忽略了圖像自身所包含 的結(jié)構(gòu)信息。遙感圖像紋理復(fù)雜度高，非局部自相似性強。運種有別于自然圖像的特殊結(jié) 構(gòu)使得同一幅遙感圖像中往往存在大量非局部自相似性信息，例如道路、農(nóng)田、房屋等，傳 統(tǒng)方法對運些信息未能加 W有效利用。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明要解決的技術(shù)問題在于，針對傳統(tǒng)的基于字典學(xué)習(xí)的超分辨率算法重建遙 感圖像時對樣本數(shù)據(jù)敏感，進行多字典學(xué)習(xí)，針對重建圖像細節(jié)信息缺失，加入圖像自身的 非局部信息。
[0009] 為此，本發(fā)明目的在于提供一種基于多字典學(xué)習(xí)與非局部信息融合的遙感圖像超 分辨率重建方法。
[0010] 本發(fā)明的上述目的通過獨立權(quán)利要求的技術(shù)特征實現(xiàn)，從屬權(quán)利要求W另選或有 利的方式發(fā)展獨立權(quán)利要求的技術(shù)特征。
[0011] 為達成上述目的，本發(fā)明提出一種基于多字典學(xué)習(xí)與非局部信息融合的遙感圖像 超分辨率重建方法，包括單幅圖像重建和多幅圖像融合兩個過程，其中：
[0012] 前述的單幅圖像重建過程包括W下步驟：
[0013] 1)根據(jù)遙感圖像地物類型訓(xùn)練相應(yīng)的高、低分辨率字典對；
[0014] 2)利用稀疏表示重建算法對低分辨率圖像進行超分辨率重建；
[0015] 3)在超分辨率重建圖像中加入非局部信息；
[0016] 前述的多幅圖像融合過程包括W下步驟：
[0017] 4)利用低秩分解原理對多幅重建圖像進行融合；
[0018] 5)對融合后的圖像進行全局優(yōu)化，得到最終的高分辨率圖像。
[0019] 進一步的實施例中，所述步驟1)包括W下具體步驟：
[0020] 11)根據(jù)地物類型對遙感圖像進行分類，建立相應(yīng)的訓(xùn)練圖像集；
[0021] 12)對每一類訓(xùn)練圖像集學(xué)習(xí)相應(yīng)的高、低分辨率字典對。
[0022] 進一步的實施例中，所述步驟2)包括W下具體步驟：
[0023] 21)利用低分辨率字典求取低分辨率圖像的稀疏表示系數(shù)；
[0024] 22)將高分辨率字典與稀疏系數(shù)相乘得到超分辨率重建圖像。
[00巧]進一步的實施例中，所述步驟3)包括W下具體步驟：
[0026] 31)查找與高分辨率圖像塊最相似的低頻圖像塊，獲取相應(yīng)的高頻特征圖；
[0027] 32)利用相似結(jié)構(gòu)像素間的對應(yīng)關(guān)系將高頻特征加入重建圖像。
[0028] 進一步的實施例中，所述步驟4)包括W下具體步驟：
[0029] 41)使用低秩分解算法對多幅超分辨率重建圖像進行分解；
[0030] 42)提取分解圖像的低秩部分和稀疏部分；
[0031] 43)對多幅分解圖像求取平均值，得到融合后的高分辨率圖像。
[0032] 上述方法中，所述步驟5)包括W下具體步驟：
[0033] 51)對重建的高分辨率圖像進行隨機下采樣，得到相應(yīng)的低分辨率圖像；
[0034] 52)根據(jù)下采樣圖像與原始圖像的重建誤差對高分辨率圖像進行全局優(yōu)化，得到 最終的重建結(jié)果。
[0035] 有W上本發(fā)明的技術(shù)方案可知，本發(fā)明提出的基于多字典學(xué)習(xí)與非局部信息融合 的遙感圖像超分辨率重建方法，與現(xiàn)有技術(shù)相比，其顯著的優(yōu)點在于：
[0036] 其一，根據(jù)遙感圖像尺度大，地物類型豐富的特點，針對不同的地物類型，分別訓(xùn) 練各自的字典，并重建出與之對應(yīng)的高分辨率圖像，從而盡量多地保留圖像的本質(zhì)特征，克 服了單一字典重建對訓(xùn)練集敏感的缺點；
[0037] 其二，根據(jù)遙感圖像紋理復(fù)雜度高，非局部自相似性強的特點，通過圖像塊匹配的 方法在整幅圖像內(nèi)捜索相似的圖像塊，然后對運些非局部信息加 W利用，從而更好地恢復(fù) 圖像的紋理特征；
[0038] 其Ξ，根據(jù)遙感圖像高賭值，低冗余度的特點，通過低秩分解的方法，融合多幅重 建圖像，利用其中的非冗余信息來增強高分辨率圖像的細節(jié)信息。
[0039] 應(yīng)當理解，前述構(gòu)思W及在下面更加詳細地描述的額外構(gòu)思的所有組合只要在運 樣的構(gòu)思不相互矛盾的情況下都可W被視為本公開的發(fā)明主題的一部分。另外，所要求保 護的主題的所有組合都被視為本公開的發(fā)明主題的一部分。
[0040] 結(jié)合附圖從下面的描述中可W更加全面地理解本發(fā)明教導(dǎo)的前述和其他方面、實 施例和特征。本發(fā)明的其他附加方面例如示例性實施方式的特征和/或有益效果將在下面 的描述中顯見，或通過根據(jù)本發(fā)明教導(dǎo)的【具體實施方式】的實踐中得知。
【附圖說明】
[0041] 附圖不意在按比例繪制。在附圖中，在各個圖中示出的每個相同或近似相同的組 成部分可W用相同的標號表示。為了清晰起見，在每個圖中，并非每個組成部分均被標記。 現(xiàn)在，將通過例子并參考附圖來描述本發(fā)明的各個方面的實施例，其中：
[0042] 圖1為基于多字典學(xué)習(xí)與非局部信息融合的遙感圖像超分辨率重建方法總體流 程示意圖。
[0043] 圖2為字典訓(xùn)練流程示意圖。
[0044] 圖3為稀疏表示超分辨率重建流程示意圖。
[0045] 圖4為多幅圖像低秩融合示意圖。
[0046] 圖5為圖1所示方法的具體實現(xiàn)的一個示例性流程示意圖。
【具體實施方式】
[0047] 為了更了解本發(fā)明的技術(shù)內(nèi)容，特舉具體實施例并配合所附圖式說明如下。
[0048] 在本公開中參照附圖來描述本發(fā)明的各方面，附圖中示出了許多說明的實施例。 本公開的實施例不必定意在包括本發(fā)明的所有方面。應(yīng)當理解，上面介紹的多種構(gòu)思和 實施例，W及下面更加詳細地描述的那些構(gòu)思和實施方式可很多方式中任意一種來實 施，運是應(yīng)為本發(fā)明所公開的構(gòu)思和實施例并不限于任何實施方式。另外，本發(fā)明公開的一 些方面可W單獨使用，或者與本發(fā)明公開的其他方面的任何適當組合來使用。
[0049] 根據(jù)本發(fā)明的公開，針對現(xiàn)有技術(shù)存在的缺陷與不足，
[0050] 提出一種基于多字典學(xué)習(xí)與非局部信息融合的遙感圖像超分辨率重建方法，根據(jù) 低分辨率圖像，在利用學(xué)習(xí)字典重建圖像的基礎(chǔ)上，加入了遙感圖像的非局部信息，通過低 秩分解的原理將多字典重建的圖像進行融合，并使用全局優(yōu)化，重建出高分辨率圖像。其實 現(xiàn)包括單幅圖像重建和多幅圖像融合兩個過程。
[0051] 前述的單幅圖像重建過程包括W下步驟：
[0052] 1)根據(jù)遙感圖像地物類型訓(xùn)練相應(yīng)的高、低分辨率字典對；
[0053] 2)利用稀疏表示重建算法對低分辨率圖像進行超分辨率重建；
[0054] 3)在超分辨率重建圖像中加入非局部信息。 陽化5] 前述的多幅圖像融合過程包括W下步驟：
[0056] 4)利用低秩分解原理對多幅重建圖像進行融合；
[0057] 5)對融合后的圖像進行全局優(yōu)化，得到最終的高分辨率圖像。
[0058] 如圖1所示是按照本發(fā)明一實施例的基于多字典學(xué)習(xí)與非局部信息融合的遙感 圖像超分辨率重建方法的流程圖，該流程開始于步驟101。
[0059] 然后，在步驟102,輸入學(xué)習(xí)字典所需的訓(xùn)練樣本集和待重建的低分辨率圖像。
[0060] 接下來在步驟103,使用步驟102給定的訓(xùn)練樣本集，根據(jù)KSVD算法學(xué)習(xí)出多個字 典對。
[0061] 然后，在步驟104中，使用0MP算法和字典重建出對應(yīng)的高分辨率圖像。
[0062] 接下來，在步驟105中，W步驟104所得圖像為基礎(chǔ)，分別加入圖像自身所包含的 非局部信息。
[0063] 然后，在步驟107中，將步驟105得到的多幅重建圖像使用低秩分解的方法進行融 合。
[0064] 接下來在步驟107,使用反向投影對融合后的圖像進行全局優(yōu)化。 W65] 然后，在步驟108中，進行高分辨率圖像輸出。
[0066] 最后，在步驟109,結(jié)束流程。
[0067] 在整個流程中包括單幅圖像重建和多幅圖像融合兩個過程。
[0068] 單幅圖像重建過程是指通過每類學(xué)習(xí)字典重建出高分辨率圖像，并加入非局部信 息的過程。
[0069] 在步驟102中，根據(jù)地物類型，按照城市、山脈、農(nóng)田將遙感圖像分為Ξ類，每類選 取10幅圖像作為訓(xùn)練圖像。待重建的低分辨率遙感圖像沒有地物類型限制，可W任意選 取。
[0070] 參考圖2所示的字典訓(xùn)練流程，前述步驟1)的實現(xiàn)具體包括：
[0071] 11)根據(jù)地物類型對遙感圖像進行分類，建立相應(yīng)的訓(xùn)練圖像集； 陽072] 12)對每一類訓(xùn)練圖像集學(xué)習(xí)相應(yīng)的高、低分辨率字典對。
[0073] 具體地，如前述的步驟102,該步驟1)根據(jù)遙感圖像地物類型訓(xùn)練相應(yīng)的高、低分 辨率字典對，其示例性實現(xiàn)包括：
[0074] 在步驟202中對每幅高分辨率圖像進行下采樣得到相應(yīng)的低分辨率圖像，在步驟 203中對高、低分辨率圖像進行分塊，例如低分辨率圖像按照4X4分塊，高分辨率圖像按照 8X8分塊，即將原始圖像放大4倍；
[0075] 然后進入步驟204,根據(jù)公式（1)中的四個梯度算子為低分辨率圖像生成四幅梯 度圖像，并組合成向量，然后在步驟205中對步驟204中的低分辨率圖像塊利用方差闊值進 行剔除，將剩下的圖像塊構(gòu)成訓(xùn)練樣本集510 (如圖5的示例）。 陽076] fi= [-1,0, l]，f 2= f (1)
[0077]《二[!.0，-2.0，1]'./;二/;'
[0078] 接下來，在步驟206中根據(jù)公式（2)使用KSVD算法學(xué)習(xí)出Ξ個高分辨和低分辨字 典對502 (如圖5的示例）：
[0079]
口^ 陽080] 其中
λ表示正則化參數(shù)，Nh和N 1分別表示向量 形式的高低分辨率圖像塊維數(shù)，Z表示系數(shù)矩陣。
[0081] 字典學(xué)習(xí)完畢后，進入圖像重建階段。本例中，前述步驟2)的利用稀疏表示重建 算法對低分辨率圖像進行超分辨率重建，其實現(xiàn)包括W下具體步驟：
[0082] 21)利用低分辨率字典求取低分辨率圖像的稀疏表示系數(shù)；
[0083] 22)將高分辨率字典與稀疏系數(shù)相乘得到超分辨率重建圖像。
[0084] 具體地，參考圖3所示，在步驟302中輸入任意一幅低分辨率圖像，進入步驟303， 對302中的低分辨率圖像按照4X4進行分塊，并計算四幅梯度圖像，組合成向量y。在步驟 304中根據(jù)公式（3)使用低分辨率字典化求出每個分塊構(gòu)成的向量y的最優(yōu)稀疏表示α :
[00 財
（3 )
[0086] 其中，
λ表示正則化參數(shù)，參數(shù)β用來平衡低分辨塊與 高分辨塊之間相似性和鄰域的兼容性，F(xiàn)用來提取高頻信息，Ρ用來提取當前重建圖像塊和 之前已重建圖像塊的重疊區(qū)域，W表示已重建圖像塊與當前圖像塊的重疊區(qū)域。
[0087] 在本發(fā)明中使用正交匹配追蹤0ΜΡ算法求解稀疏系數(shù)α，接下來進入步驟305,根 據(jù)公式（4)，利用高分辨字典Dh和步驟304中求得的稀疏系數(shù)α可獲得高分辨圖像塊。在 步驟306中，將步驟305得到的高分辨率圖像快放到圖像的相應(yīng)位置。完成所有低分辨率 圖像塊的超分辨重建過程，在步驟307即可獲得超分辨率圖像503 (如圖5的示例）。
[0088] X = Dh α (4)
[0089] 最后，利用非局部信息來學(xué)習(xí)低分辨率圖像的像素結(jié)構(gòu)，并根據(jù)最匹配的原則，查 找與高分辨率圖像塊最相似的低頻圖像塊，從而獲取相應(yīng)的高頻特征圖，用來恢復(fù)圖像的 細節(jié)信息。
[0090] 本例中，前述步驟3)在超分辨率重建圖像中加入非局部信息，其實現(xiàn)包括W下具 體步驟：
[0091] 31)查找與高分辨率圖像塊最相似的低頻圖像塊，獲取相應(yīng)的高頻特征圖；
[0092] 32)利用相似結(jié)構(gòu)像素間的對應(yīng)關(guān)系將高頻特征加入重建圖像。
[0093] 具體地，加入非局部信息包括W下兩個步驟： 陽094] 第一步：捜索相似結(jié)構(gòu)的像素
[0095] 把利用多字典重建出的高分辨率圖像作為初始化圖像，設(shè)h(i。，j。）是高分辨率圖 像中（i。，j。）位置的像素，Ph(i。，j。）是W h(i。，j。）為中屯、的一個方形窗口。l(i，_]')是低分 辨率像素 ，Pi (i，j)是W其為中屯、的方形窗口。窗口大小為ηΧη像素，兩個圖像塊之間的相 似性通過平均歐氏距離來度量：
[0096]
城
[0097] 為了簡化計算，我們在高分辨率圖像中尋找相似結(jié)構(gòu)時，使用固定大小的捜索窗 口，如10 X 10像素。在該窗口中，逐個計算低分辨率圖像中W相應(yīng)像素為中屯、的窗口的SIM 值，從中選擇固定個數(shù)的相似結(jié)構(gòu)像素，將運些像素歸為一類，組成非局部信息504,包括原 始的高分辨率像素 h(i。，j。）和捜索得到的具有相似結(jié)構(gòu)的低分辨率像素。
[0098] 第二步：利用相似結(jié)構(gòu)像素間的對應(yīng)關(guān)系優(yōu)化高分辨率圖像
[0099] 該步驟在多字典學(xué)習(xí)重建的高分辨率圖像中加入非局部信息，從而增強高頻細 節(jié)，去除銀齒效應(yīng)。利用相似結(jié)構(gòu)像素的集合C來優(yōu)化高分辨率圖像的公式如下：
[0100]
(6) 陽101] 其中，（i，j)代表低分辨率像素的位置，（i。，j。）代表高分辨率像素的位置，Q(i，j) 是低分辨率像素值，P(i。，j。）是加入非局部信息后的像素值。ω (i，j) = exp(-SIM(i, j)/ t)是權(quán)重，由Ph(i。，j。）和Pi (i，j)的相似性決定。
是歸一化常數(shù)。參 數(shù)t控制指數(shù)函數(shù)的衰落速度。 陽102] 在完成單幅圖像的超分辨率重建后，是對多幅重建圖像的融合過程。 陽103] 本例中，前述步驟4)的融合過程包括：
[0104] 41)使用低秩分解算法對多幅超分辨率重建圖像進行分解； 陽105] 42)提取分解圖像的低秩部分和稀疏部分； 陽106] 43)對多幅分解圖像求取平均值，得到融合后的高分辨率圖像。 陽107] 具體地，結(jié)合前述圖1所示，融合過程包括W下具體步驟：
[0108] 首先，結(jié)合圖4、圖5所示，將Ξ類字典重建的圖像401拉成向量402,組成高維矩 陣X，根據(jù)公式（7)對其進行低秩分解403 : 陽 109]
(7；
[0110] 其中，目標函數(shù)II乂-王-馬目是單調(diào)遞減的，可W收斂到一個局部最小值。在具體 求解時，使用了交替最小化的思想，將上式分解為W下兩個迭代式：
[011引公式做通過求解|陣-也奇異值，更新Lt;通過取1疋-的前k項元素得 到St。將矩陣分解為低秩部分404,稀疏部分405和噪聲部分406,即 陽114] X = L+S+G，rank (L)《r，card 做《k (9) 陽115] 其中，X為原始矩陣，L為低秩部分，S為稀疏部分，G為噪聲部分。
[0116] 在融合圖像時，本例子中保留了低秩部分404和稀疏部分405,舍棄噪聲部分406， 并通過對多幅分解圖像取平均值得到融合后的重建圖像505 (如圖5的示例）。
[0117] 接下來，在步驟5)中，進行下述處理：
[0118] 51)對重建的高分辨率圖像進行隨機下采樣，得到相應(yīng)的低分辨率圖像；
[0119] 52)根據(jù)下采樣圖像與原始圖像的重建誤差對高分辨率圖像進行全局優(yōu)化，得到 最終的重建結(jié)果。
[0120] 具體地，結(jié)合圖1所示的步驟，本例中，步驟5)的全局優(yōu)化與最終輸出，其具體實 現(xiàn)包括： 陽121] 根據(jù)圖像的降質(zhì)模型Y = QX和高分辨率圖像與低分辨率圖像之間的映射關(guān)系，可 得： 陽122] VY = Q(X〇-X) (10)從而根據(jù)公式（11)將X投影到QX = Y來求解最終的高 分辨率圖像X*: 陽 123]
C1U 陽124] 公式（11)的優(yōu)化問題可W利用梯度下降法進行計算，迭代過程如下：
[0125] X"i = X t+c 陽T 燈-QXt) + 入狂。-訝](12)
[01%] 其中，Xt是第t次迭代后高分辨率圖像的估計，C是梯度下降的步長。
[0127] 本例中先對重建的高分辨率圖像X。進行隨機下采樣，得到相應(yīng)的低分辨率圖像 Y。，并根據(jù)Yd-Y的結(jié)果估計重建誤差ε。
[0128] 經(jīng)過全局優(yōu)化處理后，即可得到最終的高分辨率重建圖像506,如圖5所示。
[0129] 雖然本發(fā)明已W較佳實施例掲露如上，然其并非用W限定本發(fā)明。本發(fā)明所屬技 術(shù)領(lǐng)域中具有通常知識者，在不脫離本發(fā)明的精神和范圍內(nèi)，當可作各種的更動與潤飾。因 此，本發(fā)明的保護范圍當視權(quán)利要求書所界定者為準。
【主權(quán)項】
1. 一種基于多字典學(xué)習(xí)與非局部信息融合的遙感圖像超分辨率重建方法，其特征在 于，包括單幅圖像重建和多幅圖像融合兩個過程，其中： 前述的單幅圖像重建過程包括以下步驟： 1) 根據(jù)遙感圖像地物類型訓(xùn)練相應(yīng)的高、低分辨率字典對； 2) 利用稀疏表示重建算法對低分辨率圖像進行超分辨率重建； 3) 在超分辨率重建圖像中加入非局部信息； 前述的多幅圖像融合過程包括以下步驟： 4) 利用低秩分解原理對多幅重建圖像進行融合； 5) 對融合后的圖像進行全局優(yōu)化，得到最終的高分辨率圖像。2. 根據(jù)權(quán)利要求1所述的基于多字典學(xué)習(xí)與非局部信息融合的遙感圖像超分辨率重 建方法，其特征在于，所述步驟1)包括以下具體步驟： 11) 根據(jù)地物類型對遙感圖像進行分類，建立相應(yīng)的訓(xùn)練圖像集； 12) 對每一類訓(xùn)練圖像集學(xué)習(xí)相應(yīng)的高、低分辨率字典對。3. 根據(jù)權(quán)利要求2所述的基于多字典學(xué)習(xí)與非局部信息融合的遙感圖像超分辨率重 建方法，其特征在于，所述訓(xùn)練字典時所用的樣本即是按照遙感地物類型，分為城市、農(nóng)田、 山脈三類，且訓(xùn)練字典才有KSVD算法和聯(lián)合字典訓(xùn)練方法：λ表示正則化參數(shù)，NjPNi分別表示向量形式 的高低分辨率圖像塊維數(shù)，Z表示系數(shù)矩陣。4. 根據(jù)權(quán)利要求3所述的基于多字典學(xué)習(xí)與非局部信息融合的遙感圖像超分辨率重 建方法，其特征在于，所述步驟2)包括以下具體步驟： 21) 利用低分辨率字典求取低分辨率圖像的稀疏表示系數(shù)； 22) 將高分辨率字典與稀疏系數(shù)相乘得到超分辨率重建圖像。5. 根據(jù)權(quán)利要求3或4所述的基于多字典學(xué)習(xí)與非局部信息融合的遙感圖像超分辨率 重建方法，其特征在于，所述的超分辨率重建中使用OMP算法求解最優(yōu)稀疏表示系數(shù)α :λ表示正則化參數(shù)，參數(shù)β用來平衡低分辨塊與高分 辨塊之間相似性和鄰域的兼容性，F(xiàn)用來提取高頻信息，Ρ用來提取當前重建圖像塊和之前 已重建圖像塊的重疊區(qū)域，w表示已重建圖像塊與當前圖像塊的重疊區(qū)域。6. 根據(jù)權(quán)利要求1所述的基于多字典學(xué)習(xí)與非局部信息融合的遙感圖像超分辨率重 建方法，其特征在于，所述步驟3)包括以下具體步驟： 31)查找與高分辨率圖像塊最相似的低頻圖像塊，獲取相應(yīng)的高頻特征圖； 32)利用相似結(jié)構(gòu)像素間的對應(yīng)關(guān)系將高頻特征加入重建圖像。7. 根據(jù)權(quán)利要求6所述的基于多字典學(xué)習(xí)與非局部信息融合的遙感圖像超分辨率重 建方法，其特征在于，所述步驟3)中的加入非局部信息包括以下步驟： 第一步：搜索相似結(jié)構(gòu)的像素 將利用多字典重建出的高分辨率圖像作為初始化圖像，設(shè)h(i。，j。）是高分辨率圖像中 (i〇, j〇)位置的像素，Ph(i〇, j〇)是以h(i0, j0)為中心的一個方形窗口，l(i，j)是低分辨率像 素，Pi^j)是以其為中心的方形窗口，窗口大小為ηΧη像素，兩個圖像塊之間的相似性通 過平均歐氏距離來度量：第二步：利用相似結(jié)構(gòu)像素間的對應(yīng)關(guān)系優(yōu)化高分辨率圖像 在多字典學(xué)習(xí)重建的高分辨率圖像中加入非局部信息，從而增強高頻細節(jié)，去除鋸齒 效應(yīng)，利用相似結(jié)構(gòu)像素的集合C來優(yōu)化高分辨率圖像的公式如下：其中，（i，j)代表低分辨率像素的位置，jc)代表高分辨率像素的位置，Q(i，j)是低 分辨率像素值，P(i〇, j〇)是加入非局部信息后的像素值，ω (i，j) = exp(-S頂(i, j)/t)是 權(quán)重，由Ph (i。，j。）和Pi (i，j)的相似性決定，是歸一化常數(shù)，參數(shù)t控 制指數(shù)函數(shù)的衰落速度。8. 根據(jù)權(quán)利要求1所述的基于多字典學(xué)習(xí)與非局部信息融合的遙感圖像超分辨率重 建方法，其特征在于，所述步驟4)包括以下具體步驟： 41) 使用低秩分解算法對多幅超分辨率重建圖像進行分解； 42) 提取分解圖像的低秩部分和稀疏部分； 43) 對多幅分解圖像求取平均值，得到融合后的高分辨率圖像。9. 根據(jù)權(quán)利要求1所述的基于多字典學(xué)習(xí)與非局部信息融合的遙感圖像超分辨率重 建方法，其特征在于，所述步驟5)包括以下具體步驟： 51) 對重建的高分辨率圖像進行隨機下采樣，得到相應(yīng)的低分辨率圖像； 52) 根據(jù)下采樣圖像與原始圖像的重建誤差對高分辨率圖像進行全局優(yōu)化，得到最終 的重建結(jié)果。
【文檔編號】G06T5/00GK105825477SQ201510005327
【公開日】2016年8月3日
【申請日】2015年1月6日
【發(fā)明人】孫權(quán)森, 陳偉業(yè), 劉亞洲
【申請人】南京理工大學(xué)