面向喀斯特区的光学遥感影像超分辨率重建研究

Spatial resolution is very important in image acquisition and application. However, there is a contradiction between space resolution and time resolution in the optical remote sensing image. The karst areas in Southwest of China are almost in rainy days, cloudy days, in where the acquisition of high resolution remote sensing image is particularly difficult. So it limits the development and application of remote sensing technology. Based on the sparse representation theory, this subject analyzes the characteristics of remote sensing image in karst areas with different topographic features, and constructs the double-sparse representation model of different image features. So the sparse representation of image features is realized. From the perspective of loose coupling, a kind of learning model on double-sparse representation dictionary is studied. It is strong sparse in a dictionary and irrelevant between different dictionaries. Based on majorization minimization method, augmented lagrange method and nonparametric bayesian method, the fast and effective dictionary learning algorithm is studied in the project，which solves the problem of dictionary learning. The subject starts from the theoretical basis and method construction, builds super resolution reconstruction model and algorithm of single remote sensing image. The method of quality evaluation and measurement index of reconstructed image are studied, and the super-resolution reconstruction of optical remote sensing image of different landforms in karst areas is realized. This study attempts to provide a new way for karst areas to obtain high resolution optical remote sensing image, and to provide a new theory and method for the further research and application of super-resolution reconstruction technology in remote sensing image.

空间分辨率在影像获取和应用中至关重要，然而，光学遥感影像在分辨率上存在空间与时间的矛盾。我国西南喀斯特区阴雨天气多，云量多，云层厚，在获取高分辨率遥感影像上尤为困难，限制了遥感技术的发展与应用。本课题分析喀斯特区不同地貌形态的遥感影像特征，基于稀疏表示理论，构建不同影像特征的双重稀疏表示模型，实现影像特征的稀疏表达。从松耦合的角度研究类内强稀疏、类间强不相干的多类别双重稀疏表示字典学习模型，研究基于MM优化方法、增广拉格朗日方法、非参数贝叶斯等方法的字典学习算法，解决高、低分辨率字典的学习问题。本课题从模型的理论基础和构建方法入手，构建单幅遥感影像的超分辨率重建模型和算法，研究重建图像的质量评价方法和衡量指标，实现喀斯特区不同地貌形态的光学遥感影像超分辨率重建。本课题尝试为喀斯特区获取高分辨率光学遥感影像提供新的途径，为遥感影像超分辨率重建技术的进一步研究与应用提供新的理论和方法。

本课题以解决喀斯特区难以获取高分辨率光学遥感影像这一迫切问题为立足点，围绕单幅光学遥感影像超分辨率重建问题，从理论基础和构建方法入手，构建针对喀斯特地区光学遥感影像的稀疏表示模型和重建方法。. （1）本课题探讨了稀疏先验约束的表达方法，研究了光学遥感影像的稀疏表示模型。研究了稀疏表示理论中基于学习的字典，通过机器学习的方法，从训练样本中学习获得，具有较好的自适应性，能对各种特征的图像进行有效表示，但结构性较弱，计算复杂度较高。. （2）本课题提出了一种基于Majorization Minimization方法的联合字典对学习算法，通过构造一个参数互相解耦的易于优化的代理函数，保证每一次迭代求解的值在局部范围内最优。提出了一种耦合学习字典对学习方法，通过在高、低分辨率特征块空间中分别学习高、低分辨率字典，保证了字典对具有相同的稀疏表示。提出了一种耦合稀疏字典对学习方法，将耦合思想推广到稀疏字典学习中，一方面保证了高、低分辨率稀疏字典对具有相同的稀疏表示，另一方面，使字典同时具有良好的自适应性和紧凑的结构。提出了一种松耦合稀疏字典对学习模型，通过在学习高、低分辨率稀疏字典的同时，学习它们之间的线性关系，将相同的稀疏表示这一严格要求进一步放松，使得高、低分辨率稀疏字典对之间的关系更加灵活。. （3）本课题提出了一种基于联合字典对的超分辨率重建算法，将学习的高、低分辨率字典对作为先验知识用以指导其他影像的超分辨率重建，实验验证了稀疏先验约束的有效性，算法可为相同区域相同类型的低分辨率遥感影像的超分辨率重建提供有用的高频信息。提出了一种基于预分类联合字典对的遥感影像超分辨率重建算法。依据字典中原子之间的结构特征，通过改进的K均值聚类方法将原字典进一步分为多个子字典，将影像特征块的稀疏分解过程限制在一个原子数更少的学习字典子集中。在影像重建质量评价方法上，通过研究，最后选择常用的全参考图像质量评价指标：PSNR和SSIM。