遥感图像超分辨率复原算法的仿真实现

张 毅 周 诠 李敏奇

摘 要:超分辨率图像复原是指使用一组低分辨率图像进行处理,得到一幅高分辨率图像。分析超分辨率处理算法并将其应用于遥感图像分辨率增强领域,提出一种用Matlab对遥感图像进行超分辨率处理的仿真方法,仿真结合POC原理将一组低分辨率遥感图像进行分辨率增强处理,结果表明超分辨率处理技术有效提高了遥感图像的分辨率,图像中目标更易识别。

关键词:遥感图像;超分辨率复原;分辨率提高;目标识别

中图分类号:TP391

0 引 言

高分辨率遥感图像的获得方法有两种:一种是通过提高遥感成像系统性能直接获得高分辨率图像;另一种则是采用超分辨率处理技术间接获得高分辨率遥感图像。采用提高遥感成像系统性能时,通常是通过增大相机镜头或减小CCD单个像元尺寸实现,但随着人们对高分辨率遥感图像的需求越来越多,增大相机镜头或者减小CCD像元面积的实现越来越无法满足实际需求,获取成本也越来越高。通过超分辨率处理技术获得高分辨率遥感图像的方法越来越受到遥感图像应用界人士的青睐。

对遥感图像进行超分辨率复原处理最早由Harris于20世纪60年代提出,复原算法中采用傅里叶级数展开的方式获得了分辨率提高的遥感图像,但该技术在实际中应用效果并不理想,所以并没有被广泛应用。直到20世纪80年代超分辨率复原技术在图像处理领域才得到突破性的进展,如H.Stark和P.Oskoui提出的基于凸集合投影理论的复原算法(POCS),S.E.Meinel提出的泊松最大似然复原算法(泊松[CD*2]ML),B. R.Hunt和P.J.Sementilli提出的泊松最大后验概率复原算法 (泊松[CD*2]MAP)等。近年来又不断有新的算法产生,例如由Michal Irani和Shmuel Peleg提出的迭代反投影(IBP)算法、Andrew J.Patti和M.Ibrahim等人在H.Stark和P.Oskoui的POCS算法基础上的改进算法、Nimish R.Shah和Avidech Zakhor提出了非均匀空域样本内插算法。

超分辨率图像复原算法中,POCS算法可以用于处理复杂的成像模型,并可以充分利用先验知识,成为国内外广泛采用和改进的超分辨率图像复原算法[3[CD*2]7],这里对遥感图像分辨率增强的仿真将采用POCS算法进行。

1 超分辨率复原算法分析

超分辨率复原算法是指由一序列低分辨率变形图像来估计一幅或多幅高分辨率的非变形图像,同时还能够消除加性噪声以及由有限检测器尺寸和光学产生的模糊,是图像融合领域中的一个重要分支。

超分辨率复原算法包括空域算法和频域算法,由于频域算法的观察模型仅限于全局位移,频域中数据缺乏相关性,难以将空域先验信息考虑进来,因此频域算法的研究较为缓慢。空域算法中较为常用的算法包括:非均匀空域样本内插算法、IBP算法以及POCS算法。

非均匀空域样本内插法由Nimish R Shah和Avidech Zakhor提出,算法中充分考虑了重建过程中运动估计的不准确性,同时利用颜色分量进一步提高运动矢量的精度。非均匀空域内插算法的系统框图如图1所示。

该观测模型只适用于所有的低分辨率图像的模糊和噪声特性都相同的情况,当采集的图像来自于不同的几个相机时具有的模糊和噪声便无法保持相同,此外由于恢复时忽略了插值过程中引入的误差,无法保证整个恢复算法的最优。

IBP(Iterated Back Projection)算法由Michal Irani和Shmuel Peleg提出,该算法通过连续仿真和校正来恢复超分辨率图像。IBP算法实现框图如图2所示。

该算法解不惟一,并且无法将先验知识引入到复原算法中去。

POCS算法最早由H.Stark和P.Oskoui提出,后由Andrew J.Patti,M.Ibrahim等人对该算法进行优化改进,成为超分辨率复原算法中使用较为广泛的一种,此后人们常使用的是Andrew J.Patti,M.Ibrahim等人改进的POCS算法。该算法的实现框图如图3所示。オお[KH-2]

该算法首先将低分辨率图像中的一帧作为参考图像,进行插值放大,并作为超分辨率复原图像的初始估计,其他低分辨率图像则以参考图像为基准进行图像的配准。根据先验信息可以定义多个凸集合,这些集合的交集便包含了超分辨率复原图像。通过迭代低分辨率图像序列使之满足对应的凸集合要求,便可得到超分辨率图像。该算法具有可以充分利用先验信息简化解空间,并且可以处理复杂的退化模型等特点,成为众多学者研究改进的算法。

2 遥感图像超分辨率复原算法的仿真实现

研究遥感图像分辨率提高的方法,首先要对遥感图像分辨率降低的过程进行研究,通过分析高分辨率遥感图像的降质模型,即可反推出遥感图像超分辨率的复原过程。

高分辨率遥感图像经过遥感成像系统的采样、变形、模糊及下采样后送入信道传输,传输过程中信道的噪声加入到已经变坏的遥感图像信号中,接收端获得的遥感图像也就是观测到的低分辨率遥感图像。通过分析降质模型可知,遥感图像复原过程如图4所示。

该部分提出了一种用Matlab对一组低分辨率遥感图像进行超分辨率处理的仿真方法。首先模拟高分辨率遥感图像的降质过程得到一组低分辨率遥感图像,再结合文献[8]中介绍的POCS算法的原理进行遥感图像的超分辨率复原仿真。降质过程中低分辨率遥感图像均采用全局平移,点传播函数使用高斯型矩阵,分辨率放大因子为2。

其中采用POCS算法原理进行编程时,遥感图像超分辨率处理的流程图如图5所示。

所提仿真方法的具体步骤如下:

(1) 低分辨率图像获得,如图6所示。

使用Matlab软件模拟图像降质过程,获得一组低分辨率图像,作为超分辨率复原处理的输入。

(2) 参考图像选取

选取低分辨率遥感图像序列中的一帧作为参考图像,参考图像选取后定义所对应的高分辨率栅格,并以参考图像为基准计算其他低分辨率图像相对于参考图像的运动估计。如图7所示。选取参考图像后,将参考图像进行线性插值放大2倍,作为程序运行的初始估计,根据框图5进行估计图像的更新,更新过程中可以使用以下几种凸集合约束(如式(1)、式(2)所示)。

数据保持约束:

低分辨率遥感图像序列循环结束后通过比较相邻两迭代帧的误差决定程序是否跳出,条件不满足时再进行低分辨率遥感图像序列的迭代,直至满足条件或循环次数达到最大的设定值,程序结束。程序结束后得到的估计图像即为复原的超分辨率遥感图像。对比仿真前后的遥感图像,低分辨率遥感图像序列及初始估计的超分辨率遥感图像中的建筑以及道路均无法识别,但通过采用遥感图像超分辨率处理技术使得图像中的各目标可以识别。遥感图像中部的机场部分跑道轮廓清晰,机场周边建筑可以明显的辨别。仿真结果表明使用遥感图像超分辨率处理技术后遥感图像分辨率可以明显提高,更有利于目标的识别和遥感图像的应用。

3 结 语

通过对超分辨率复原算法的分析,在此采用一组低分辨率遥感图像实现了遥感图像的超分辨率复原,所得复原遥感图像分辨率明显提高,图像中目标可以清晰识别。近年来随着超分辨率复原算法广泛应用,这一技术已经成为一种新型的高分辨率图像获取方式,并在遥感图像处理领域得到了一定的发展。但现有超分辨率处理技术仍存在着一定的问题,未来超分辨率处理技术的发展将集中在更准确的图像配准算法、更接近实际情况的降质模型以及结合新的知识领域对现有算法进行改进等方面。

参 考 文 献

[1]Patti A J,Sezan M I,Tekalp A M.Superresolution Video Reconstruction with Arbitrary Sampling Lattices and Nonzero Aperture Time[J].IEEE Trans.on IP,1997,6(8):1 064[CD*2]1 076.