[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

说明书

本发明提供一种准确、运算量少的双参数贝塔过程联合字典的遥感图像超分辨重建方法,属于遥感图像处理技术领域。本发明包括：S1、输入待重建的低分辨率图像、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、根据字典D^(y)，对输入的低分辨率图像进行稀疏编码，获得低分辨率稀疏系数，利用矩阵A映射出低分辨率稀疏系数对应的高分辨率稀疏系数，利用所述高分辨率稀疏系数和字典D^(x)重建高分辨率图像；字典D^(x)、D^(y)和矩阵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，获得字典D^(x)、D^(y)和矩阵A，矩阵A为字典D^(y)的稀疏系数到字典D^(x)的稀疏系数的映射矩阵，稀疏系数为系数权值和字典原子的乘积。

技术领域

本发明涉及一种遥感图像重建方法，特别涉及一种双参数贝塔过程联合字典的遥感图像超分辨重建方法,属于遥感图像处理技术领域。

背景技术

高分辨率遥感图像是遥感应用的重要保证，但获取高分辨率遥感图像并非易事，会受到遥感成像传感器阵列密度、大气扰动、相对运动、环境噪声等多种因素的影响，因此，提高遥感图像的空间分辨率是遥感技术的重要研究方向。获取高分辨率遥感图像最直接的方法是改进遥感成像硬件系统，但会带来成本高昂、周期长、甚至技术无法实现等缺陷。遥感图像超分辨重建(Super-resolution Reconstruction,SRR)就是一种在不改变现有遥感硬件成像设备及工艺水平条件下，利用软件处理的方法对同一场景的单帧或多帧地物遥感低分辨率图像(Low-resolution Images,LRIs)进行处理得到一帧高分辨率图像(High-resolution Images,HRI)的技术。这种SRR技术可以经济、高效地提高遥感图像空间分辨率，改善图像视觉质量，已成为遥感图像处理领域的研究热点。

随着国内外对超分辨技术研究的深入，SRR可总结为基于重建的超分辨和基于学习的超分辨方法两类，近年基于学习的图像超分辨方法已成为研究热点。基于学习的SRR方法是利用机器学习的思想，通过对样本图像进行训练和学习，获取HRI和LRIs间的关系，并利用这种关系对类似的LRI进行超分辨重建。随着压缩感知、稀疏表示技术的发展，很多学者提出基于字典学习的超分辨方法，如奇异值分解(K-SVD)法、在线字典更新(ODL)法、有效稀疏编码法等。这种方法采用字典学习技术获取高、低分辨率图像块间的共同先验信息，高分辨率图像块采用高分辨率字典和稀疏系数来恢复，而稀疏系数采用低分辨率特征块和低分辨率特征字典计算得到。这些算法都可以生成过完备字典和稀疏系数，但其中的稀疏系数都是高、低分辨率字典共享的，因此，算法很难拟合两个特征空间的字典和系数。Zeyde等人提出了两步字典学习算法，其中低分辨率字典由K-SVD算法学习，高分辨率字典通过最小二乘法生成，尽管这种方法大大降低了计算量，但重建高分辨率图像仍然不准确。Yang等人提出了该问题的双层优化解决方案，用一种映射函数代表两个特征空间的关系的经典稀疏表示超分辨方法，但这种方法依然是共享两个特征空间的系数。

发明内容

针对上述不足，本发明提供一种准确、运算量少的双参数贝塔过程联合字典的遥感图像超分辨重建方法。

本发明的双参数贝塔过程联合字典的遥感图像超分辨重建方法，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；