[发明专利]双参数贝塔过程联合字典的遥感图像超分辨重建方法

权利要求书

1.双参数贝塔过程联合字典的遥感图像超分辨重建方法，其特征在于，所述方法包括：

S1、输入待重建的低分辨率图像L、高分辨率图像字典D^(x)、低分辨率图像字典D^(y)和映射矩阵A；

S2、根据低分辨率训练图像字典D^(y)，对输入的低分辨率图像L进行稀疏编码，获得低分辨率稀疏系数，然后，利用映射矩阵A映射出低分辨率稀疏系数对应的高分辨率稀疏系数，最后，利用所述高分辨率稀疏系数和高分辨率训练图像字典D^(x)重建高分辨率图像；

所述高分辨率图像字典D^(x)、低分辨率图像字典D^(y)和映射矩阵A的获取方法为：

根据成对的高、低分辨率训练图像，利用双参数贝塔过程，获得高分辨率图像字典D^(x)、低分辨率图像字典D^(y)、映射矩阵A，所述映射矩阵A为低分辨率图像字典D^(y)的稀疏系数到高分辨率图像字典D^(x)的稀疏系数的映射矩阵，所述稀疏系数为系数权值和字典原子的乘积。

2.根据权利要求1所述的遥感图像超分辨重建方法，其特征在于，所述映射矩阵A：

A＝[(α^(y)α^(y)T)^-1α^(y)α^(x)T]^T

其中，α^(y)表示低分辨率图像字典D^(y)的稀疏系数矩阵，α^(x)表示高分辨率图像字典D^(x)的稀疏系数矩阵。

3.根据权利要求2所述的遥感图像超分辨重建方法，其特征在于，所述双参数贝塔过程包括：

S31：以像素重叠分别从高、低分辨率训练图像中提取训练图像块x_i和y_i,i＝1,2,...,N，N表示高/低分辨率训练图像块的数量，

S32：初始化字典D^(x)、字典D^(y)及参数π_k、z_i、设置循环次数；

π_k表示贝塔过程函数，z_i表示字典原子，s_i^(x)表示图像块x_i对应的稀疏系数权值，s_i^(y)表示图像块y_i对应的稀疏系数权值；

S33：由吉布斯采样更新π_k；

π_k～Beta(a/k,b(k-1)/k)，参数a,b>0，Beta表示贝塔分布，k＝1,2,...K，K表示字典原子的数量；

S34：根据更新

P_x和P_y分别表示高、低分辨率训练图像块耦合特征空间的维数；表示P_x的逆，表示P_y的逆，表示P_x维的单位矩阵，I_Py表示P_y维的单位矩阵；

S35：根据更新z_i，Bernoulli表示伯努利分布；

S36：根据更新s_i^(x)、s_i^(y)；

和分别表示s_i^(x)和s_i^(y)的伽玛分布，由伽玛分布采样得到，I_K表示K维单位矩阵，和分别表示s_i^(x)和s_i^(y)的方差；

S37：根据更新

表示图像块x_i的重建误差，表示图像块y_i的重建误差，表示的伽玛分布，由伽玛分布采样得到，表示的伽玛分布，由伽玛分布采样得到；

S38：根据更新α_i^(x)、α_i^(y)，表示元素依次相乘；

α_i^(x)表示图像块x_i对应的稀疏系数，α_i^(y)表示图像块y_i对应的稀疏系数；

S39：执行S33至S38，直至达到循环次数，根据N个图像块x_i、y_i、α_i^(x)、α_i^(y)、和之间的关系，学习得到高分辨率图像字典D^(x)和低分辨率图像字典D^(y)，根据N个训练图像块的稀疏系数α_i^(x)、α_i^(y)，获得矩阵α^(x)和α^(y)，再根据A＝[(α^(y)α^(y)T)^-1α^(y)α^(x)T]^T求映射矩阵A。