發(fā)布時間：2020-04-02 16:46

【摘要】：在遙感領域各項應用中,高分辨率的影像非常重要。高分辨率的遙感影像具有更高的質(zhì)量和清晰度,具有很高的商業(yè)價值和應用價值。本文針對圖像超分辨率算法以及這些算法在遙感影像上的應用展開研究,工作的主要內(nèi)容主要包括以下三個方面:(1)調(diào)研了圖像超分辨率算法的發(fā)展歷史與現(xiàn)狀,對傳統(tǒng)圖像超分辨率算法以及近年來興起的深度學習相關算法進行了綜述。(2)提供了一種基于貝葉斯框架的超分辨率算法,有效地提升了高分微納衛(wèi)星的圖像分辨率。該算法基于最大后驗概率模型框架,分別實現(xiàn)了運動估計,模糊估計,噪聲估計以及圖像生成模型。并針對高分微納衛(wèi)星圖像拍攝的特點,將基于全變差先驗的運動估計模型根據(jù)圖像特點修正為基于固定位移量的運動模型,提高了運動估計的效率。通過與IBP,POCS等傳統(tǒng)的超分重建算法的性能進行比較可以發(fā)現(xiàn),本文提供的算法具有相對較好的重建效果。(3)針對哨兵二號衛(wèi)星圖像,設計了基于對抗學習和殘差塊結構的卷積神經(jīng)網(wǎng)絡SenSR-GAN,網(wǎng)絡包括生成器和判別器兩個部分,在生成器中,網(wǎng)絡首先采用不同尺寸的卷積層結構對輸入圖像進行多尺度的特征提取,然后網(wǎng)絡通過殘差塊結構學習低分辨率特征到高分辨率特征的非線性映射。最后采用亞像素卷積層將多通道特征重建為高分辨率圖像。而判別器主要用于判斷輸入圖片是真實圖片還是計算機生成的圖片。通過生成器和判別器的對抗訓練,可以獲得與真實圖片分布相近的高分辨率圖片。在對抗訓練中,我們采用了綜合視覺感知損失,對抗訓練損失,最小均方差損失以及正則項損失的誤差函數(shù),從多個維度保證生成圖像的質(zhì)量。我們采用了包括峰值信噪比,結構相似性在內(nèi)的多種指標對算法進行評估,量化的結果表示在哨兵二號圖片上文網(wǎng)絡具有一定的優(yōu)越性。此外,由于大氣的影響,在某些衛(wèi)星圖片中存在一定程度的霧化現(xiàn)象。為了有效地對這些霧化的輸入圖像進行超分辨率,我們設計訓練了Dehaze-SenSR網(wǎng)絡。相比于直接使用基于暗通道先驗的去霧算法,該網(wǎng)絡能夠在提高輸入圖像分辨率的同時有效的去除圖像中存在的霧化現(xiàn)象,并且生成圖像的細節(jié)也更加豐富。
【圖文】：

很難獲得這些信息，就需要將對模糊函數(shù)的估計納入到重建過程中。向下采樣函數(shù)定義了 HR 圖像到 LR 圖像的下采樣方法。這個函數(shù)描述了錯位和模糊的 HR 圖像生成混疊的 LR 圖像的過程。盡管模糊函數(shù)或多或少起到了反混疊濾波器的作用，但在 SR 圖像重建中，一般假設在 LR 圖像中總是存在混疊。在一般的情況下，可以使用不同的子采樣函數(shù)來處理不同大小的 LR圖像。在等式(2-4)中，HR 場景中每一個 像素大小的窗口在 LR 觀測圖像中僅被一個像素替換，而這個過程中采用的下采樣算法即是平均 HR 窗口的 像素值。在矩陣形式下，等式（2-5）可以簡要的表示為： (2-7)其中矩陣 A 代表上述幾種成像過程中的降解因子。這種成像模型已在許多SR 算法中使用。圖片 1 以圖形方式顯示了如何使用等式(2-5)的成像模型的不同參數(shù)從 HR 場景生成三個不同的 LR 圖像。該成像模型包括參數(shù) w,h,d 以及 ，，它們分別表示成像過程中涉及的圖像偏移，模糊，下采樣，以及噪聲參數(shù)

然后通過上采樣指數(shù)放大圖像作為起始 SR 圖像，根據(jù)配準信息將低分辨率圖像的像素點映射到高分辨率圖像的格點中，并使用插值算法填充所有高分辨率圖像像素點。最后可以考慮對生成的圖像進行去模糊操作。在插值算法中，圖像之間的相對位移被認為是精確已知的。常用的插值算法包括最鄰近插值，雙線性插值，雙三次插值等。最近鄰插值算法69：最鄰近插值也叫做零階插值算法，它是指在待求像素的鄰近采樣點中，將距離待求像素最鄰近的采樣點的像素值賦予待求像素。這是一種最基本、最簡單的圖像縮放算法。其插值公式如下： (2-8)方程(2-8)中變量 u 和 v 是表示位置偏移量的 0~1 之間的小數(shù)， 為 LR圖像中距 最近的點， 指改點的像素值。圖 2 展示了簡單的最鄰近插值方法，該算法的優(yōu)點在于計算速度快，但它生成的圖像通常像素值不連續(xù)并且存在模糊現(xiàn)象，因而質(zhì)量較差。
【學位授予單位】：上海大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP751

【相似文獻】

相關期刊論文 前10條

1 李昂;宋曉瑩;;基于生成對抗網(wǎng)絡的遙感圖像超分辨率重建[J];光學與光電技術;2019年06期

2 孫旭;李曉光;李嘉鋒;卓力;;基于深度學習的圖像超分辨率復原研究進展[J];自動化學報;2017年05期

3 曾凱;丁世飛;;圖像超分辨率重建的研究進展[J];計算機工程與應用;2017年16期

4 沈煥鋒;李平湘;張良培;王毅;;圖像超分辨率重建技術與方法綜述[J];光學技術;2009年02期

5 丁海勇;卞正富;;數(shù)字圖像超分辨率重構技術研究[J];計算機與數(shù)字工程;2007年10期

6 孔玲莉,黃華,齊春,劉美娟;圖像超分辨率研究的最新進展[J];光學技術;2004年03期

7 趙應武;;圖像超分辨率重建[J];中國新通信;2020年02期

8 張清勇;陳智勇;駱瀟原;;基于生成網(wǎng)絡的遙感圖像超分辨率的研究[J];實驗室研究與探索;2019年03期

9 王威;張彤;王新;;用于圖像超分辨率重構的深度學習方法綜述[J];小型微型計算機系統(tǒng);2019年09期

10 謝雪晴;;基于殘差密集網(wǎng)絡的單幅圖像超分辨率重建[J];計算機應用與軟件;2019年10期

相關會議論文 前10條

1 林國強;王博;孔英會;胡啟楊;;基于壓縮感知的變電站巡檢圖像超分辨率重建[A];第37屆中國控制會議論文集（F）[C];2018年

2 姜倩茹;白煌;;基于雙字典設計的圖像超分辨率重構[A];信號處理在生儀2014學術年會論文集[C];2014年

3 楊浩;高建坡;陳向東;吳鎮(zhèn)揚;;利用示例圖像獲取先驗知識的圖像超分辨率重建算法[A];第一屆中國高校通信類院系學術研討會論文集[C];2007年

4 張東;韓軍;;圖像超分辨率重建算法研究[A];2010年西部光子學學術會議摘要集[C];2010年

5 阮小燕;陳向?qū)?高孟男;;基于相位相關法與小波變換的圖像超分辨率重建[A];中國電子學會第十六屆信息論學術年會論文集[C];2009年

6 張煜東;吳樂南;奚吉;王水花;;變長小生境算法用于圖像超分辨率復原[A];2009年通信理論與信號處理學術年會論文集[C];2009年

7 閆允一;郭寶龍;;基于小波的圖像超分辨率重建算法研究[A];第三屆全國數(shù)字成像技術及相關材料發(fā)展與應用學術研討會論文摘要集[C];2004年

8 張瓊;付懷正;沈民奮;;基于稀疏表示的彩色圖像超分辨率重建算法[A];第十五屆全國圖象圖形學學術會議論文集[C];2010年

9 姚林;;基于雙邊濾波插值圖像超分辨率重建算法研究[A];云南省測繪地理信息學會2015年學術年會論文集[C];2015年

10 韓玉兵;殷瑋瑋;吳樂南;;基于Wavelet-HMM的圖像超分辨率重建[A];第一屆建立和諧人機環(huán)境聯(lián)合學術會議（HHME2005）論文集[C];2005年

相關重要報紙文章 前2條

1 記者 劉肖勇 蔡敏霞 通訊員 嚴PrPr;一套算法讓模糊低清小視頻變高清[N];廣東科技報;2019年

2 本報見習記者 丁寧寧 通訊員 嚴PrPr;一套算法奪四項冠軍[N];中國科學報;2019年

相關博士學位論文 前10條

1 熊東平;基于邊緣增強和深度學習的圖像超分辨率重建方法研究[D];華中科技大學;2019年

2 邱康;基于機器學習的圖像超分辨率重建關鍵技術研究[D];武漢大學;2018年

3 李瑩華;基于壓縮感知的圖像處理方法及應用研究[D];西安電子科技大學;2019年

4 王新華;面向復雜場景的圖像處理技術若干問題研究及其在計算光學成像系統(tǒng)中的應用[D];吉林大學;2019年

5 張鳳珍;分離字典優(yōu)化及其在圖像處理中的應用[D];北京交通大學;2018年

6 肖斐;圖像超分辨率與基于目標模型的目標識別方法研究[D];華中科技大學;2017年

7 唐永亮;單幅圖像超分辨率重建方法研究[D];重慶大學;2018年

8 岳波;基于學習的圖像超分辨率重建方法研究[D];西安電子科技大學;2018年

9 孫鐿誠;基于壓縮感知的圖像超分辨率重建方法研究[D];南京理工大學;2018年

10 魏燁;單幅圖像超分辨率重建方法及其視覺位移測量應用研究[D];中國科學技術大學;2019年

相關碩士學位論文 前10條

1 李p樜

本文編號：2612192