基于学习的二维压缩感知卫星光学图像快速超分辨重建

As optical satellite images are used more widely in various fields, their higher resolutions are required. The technique of learning-based super-resolution reconstruction (SRR) is becoming a new focus in the field of remote sensing engineering. The paper presents a two-dimensional compressive sensing (CS) optical satellite image fast super-resolution reconstruction method. 2-D sparse representation is established to protect optical satellite images structurally prior information. At the same time, taking into account the efficiency of learning-based super-resolution algorithm, kernel density estimation algorithm is introduced to determine the optimal number of training samples, and K-means clustering algorithm is used to remove redundancy similar samples, to streamline training samples, reduce learning dictionary training time. The contents mainly include observation model of optical satellite images, 2-D sparse representation of optical satellite image, designing of fast super-resolution, valuing method for SRR result images, and so on. The project aims to solve some key problems for optical satellite images SRR with 2-D CS, to further improve its spatial resolution and image quality, to reduce SRR time, and to push the development of learning-based optical satellite images SRR algorithm.

随着卫星光学图像在各领域的广泛应用，对其分辨率的要求也越来越高。目前，在不改变卫星成像系统硬件的情况下，采用基于学习的图像超分辨技术提高卫星光学图像空间分辨率，改善其图像质量已成为遥感工程领域中的一个新热点。本课题从保护卫星光学图像的结构相关性先验信息、提高基于学习的超分辨算法效率角度出发，提出一种二维压缩感知（CS）卫星光学图像快速超分辨重建方法，建立二维CS稀疏表示方法，引入核密度估计法确定最佳训练样本数量，并以K均值聚类算法去除相似的冗余样本，达到精简训练样本、降低学习字典训练时间的目的。课题研究重点在于建立卫星光学图像观测模型、图像的二维压缩感知稀疏表示、快速超分辨算法的设计、超分辨图像质量评价等内容，旨在解决基于学习的二维CS卫星光学图像快速超分辨的关键问题，进一步提高卫星光学图像的空间分辨率和图像质量，降低超分辨重建时间，推动基于学习的卫星光学图像超分辨技术的研究。

随着卫星光学图像在各领域的广泛应用，对其分辨率的要求也越来越高。提高卫星图像分辨率最直接、最有效的办法是增加其采集设备的传感器阵列密度，但其实现代价巨大，甚至现有的制造工艺和水平很难办到。图像超分辨重建（Super-resolution Reconstruction，SRR）技术就是在这种有着迫切需求但又很难直接改善的背景下产生的，该技术采用软件处理的方法突破成像系统硬件的限制，恢复成像过程中损失的高频信息，达到提高遥感图像分辨率的目的。.本项目致力于将基于学习的超分辨方法与二维压缩感知（Compressive Sensing, CS）技术相结合，主要研究了两种方法：（1）改进的稀疏表示遥感图像超分辨重建方法。该算法改进了特征提取算子，将字典学习过程中的稀疏系数分解为系数权值和字典原子的乘积，得到适用于两个特征空间的高低分辨率联合字典映射矩阵，再进行超分辨重建。实验结果表明，SRR结果可恢复出更多的纹理细节，与最经典的稀疏表示超分辨方法相比，客观参数PSNR最高高出1.7dB，SSIM高出约0.016，重建速度提高约2.28秒。（2）双参数贝塔过程联合字典遥感图像超分辨重建方法。针对以往仅适用于单特征空间的稀疏字典超分辨算法，提出一种同时适用于两个特征空间的双参数Beta过程联合字典遥感图像超分辨重建方法。先对高、低分辨率遥感图像进行分块和Gibbs采样，生成字典训练样本。依据贝塔过程先验模型，建立连接高、低分辨率遥感图像空间的双参数联合稀疏字典，依据字典原子指标训练和更新字典，得到高低分辨率联合字典映射矩阵，再进行超分辨稀疏重构。实验结果表明：该算法能以更小尺寸的稀疏字典重建更高质量的超分辨遥感图像，且纹理细节信息更丰富，与最经典的稀疏表示超分辨方法相比，客观参数PSNR最高高出1dB，SSIM高出约0.01，重建速度提高约3秒。