基于压缩感知的气象卫星云图超分辨率重建方法研究

Recently, super-resolution reconstruction method based on Compressive Sensing is on the foundation of super-resolution based on study, to obtain more knowledge from training samples by using the sparse prior characteristics of images signal, thus create a new way for image super-resolution reconstruction. Meteorology Satellite Cloud Images as the important tool of forecasting the weather changing，as the important tool of testing cloud and fog haze evolution processing. How to effectively digging and resoluing the complex structure and rich texture characteristics of Images, is the key to improve the prediction quality and accuracy, is one of the scientific problems to be solved. .In this project, we will explore for space and time resolution of cloud images, under compression awareness framework, from the diversity and complementarity of the image expression ability with multi-space redundant basis, according to the multi-channel meteorology satellite cloud images, researching the best solution for the multi-space feature extracted. According to the Self-similarity of single Image and the spatial and temporal correlation of image sequences ,we established multi-space redundancy basis that have stronger non-coincident with the observation, and proposed the super-resolution reconstruction model based on feature fusion. Based on the research foundation mentioned above, we will build a new, efficient, low complexity, flexible and robust scheme for the Meteorology Satellite Cloud Images super-resolution.

近年来出现的基于压缩感知的超分辨重建方法，在范例学习的基础上，利用图像信号的稀疏先验特性从训练样本中获取了更多的知识，为图像的超分辨率重建开辟了一条新途径。气象卫星云图作为本项目的主要研究对象是预测天气变化及检测云和雾霾演变过程的重要工具，如何有效的挖掘和重建出云图所富含的结构和纹理信息是提高预测质量和精度的关键，是亟待解决的科学问题之一。. 本项目拟从云图特有的时空分辨率性质入手，在压缩感知框架下，以下采样为观测，探索多空间冗余基对云图表示能力上的差异性和互补性机理，针对气象卫星多通道云图，研究云图多空间特征提取的最佳解决方案。针对单个云图的自相似性和序列云图的时空相关性，研究构造与观测具有较强的非一致性的多空间冗余基，建立基于特征融合的超分辨率重建模型。基于上述研究，构建高质量、低复杂度和灵活鲁棒的多通道气象卫星云图超分辨率重建方案。

近年来出现的基于压缩感知的超分辨重建方法，在范例学习的基础上，利用图像信号的稀疏先验特性从训练样本中获取了更多的知识，为图像的超分辨率重建开辟了一条新途径。气象卫星云图作为本项目的主要研究对象是预测天气变化及检测云和雾霾演变过程的重要工具，如何有效的挖掘和重建出云图所富含的结构和纹理信息是提高预测质量和精度的关键，是亟待解决的科学问题之一。.本项目从云图特有的时空分辨率性质入手，在压缩感知框架下，以图像全变分分解方法为基础对云图进行了多空间分解，重点研究各自图像中边缘、结构、纹理等多空间特征的分类和提取。基于图像多空间分解的基础上构建了各个空间的冗余基，并以此为基础建立相应的重建框架。针对气象卫星多通道云图，探索多空间冗余基对云图表示能力上的差异性和互补性机理，以典型相关性方法为基础，研究了不同空间特征的融合方法。基于目前最为高效的深度学习框架，研究了具有多分辨率的深度残差网络重建模型。