[发明专利]基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法

说明书

技术领域

本发明属于卫星遥感图像处理的技术领域，利用小波预处理技术，提出一种基于稀疏表示的卫星遥感图像超分辨率重构方法。该方法能够提高原始遥感图像的空间分辨率，提供比原始图像更多的细节信息，有助于遥感图像的后续处理。

背景技术

遥感影像的空间分辨率是影响目标识别和精确判读的一个重要因素。为了提高低分辨率遥感图像的空间分辨率，可以采用超分辨率重构方法进行图像增强。超分辨率重构方法是一种指利用同一场景的一帧或多帧低分辨率图像来重构一帧或多帧高分辨率图像的算法。

近年来，基于稀疏表示的图像超分辨率重构引起了很多学者的关注。目前，国内外的图像超分辨率重构算法主要是针对常规图像进行重构，具有代表性的方法有：Yang等首先提出基于稀疏表示的超分辨率算法，先求解低分辨率图像块在对应字典下的稀疏表示，再通过线性组合的方法利用稀疏表示系数获得相应的高分辨率图像块(参见Yang J,Wright J,Huang T S.et al.,“Image super-resolution via sparse representation,”IEEE Transactions on Image Processing,19(11),2861-2873(2010)；Yang J,Wright J,Huang T,et al.,“Image super-resolution as sparse representation of raw image patches,”IEEE Conference on Computer Vision and Pattern Recognition,1-8(2008))。Zeyde和Elad等对Yang的算法提出改进，在图像重构过程中利用正交匹配追踪(OMP)算法求解稀疏表示系数，减少了算法的计算量(参见Zeyde R,Elad M,Protter M.,On single image scale-up using sparse-representations[M],Curves and Surfaces.Springer Berlin Heidelberg,711-730(2012)；Elad M.,Sparse and Redundant Representations:Chapter 15.4.2The Super-Resolution Algorithm[M],Springer Press,346-357(2010))。2014年，在Zeyde的算法的基础上，Nazzal采用小波域的字典训练算法，提高了重构质量和计算效率(参见Nazzal M,Ozkaramanli H.,“Wavelet domain dictionary learning-based single image superresolution,”Signal,Image and Video Processing,1-11(2014))。对于遥感图像的超分辨率重构算法的研究有：2013年，赵永光等采用基于稀疏表示的超分辨率重构算法来提高MODIS图像的空间分辨率，但该算法只能在一定程度上提高原MODIS图像的分辨率(参见赵永光,黄波,汪超亮.基于超分辨率重建的多时相MODIS与Landsat反射率融合方法[J].遥感学报,2013,17(3):590-608)。遥感图像序列中长时间的间隔导致了序列图像之间存在变化。宋慧慧分析了遥感图像之间的物候变化，认为该变化主要表现在低频信息的变化(参见宋慧慧.基于稀疏表示的图像超分辨率重建算法研究[D].合肥:中国科学技术大学,2011)。

综上所述，国内外学者利用基于稀疏表示的超分辨率重构方法主要是针对常规图像进行处理，取得了相关的研究成果。利用稀疏表示对于遥感影像超分辨率重构的研究属于初步的探讨，对于遥感图像空间分辨率提高的能力有限。

发明内容

本发明要解决的技术问题是，提供一种有效的基于小波预处理技术和稀疏表示的卫星遥感影像超分辨率重构的算法。该方法的应用条件是已知相同观测地区、不同时间分辨率的高分辨率遥感图像和低分辨率遥感图像，对其它观测时间的低分辨率遥感图像进行超分辨率重构，提高低分辨率遥感图像的空间分辨率。

为解决本发明要解决的技术问题，给出的具体技术方案如下。

一种基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法，是已知相同观测地区、不同时间分辨率的高分辨率遥感图像和低分辨率遥感图像，对其它观测时间的低分辨率遥感图像进行超分辨率重构；分为字典训练和对低分辨率遥感图像进行重构两个步骤；

所述的字典训练的过程是，