遙感圖像超分辨率復原算法的仿真實現

張 毅 周 詮 李敏奇

摘 要:超分辨率圖像復原是指使用一組低分辨率圖像進行處理,得到一幅高分辨率圖像。分析超分辨率處理算法并將其應用于遙感圖像分辨率增強領域,提出一種用Matlab對遙感圖像進行超分辨率處理的仿真方法,仿真結合POC原理將一組低分辨率遙感圖像進行分辨率增強處理,結果表明超分辨率處理技術有效提高了遙感圖像的分辨率,圖像中目標更易識別。

關鍵詞:遙感圖像;超分辨率復原;分辨率提高;目標識別

中圖分類號:TP391

0 引 言

高分辨率遙感圖像的獲得方法有兩種:一種是通過提高遙感成像系統性能直接獲得高分辨率圖像;另一種則是采用超分辨率處理技術間接獲得高分辨率遙感圖像。采用提高遙感成像系統性能時,通常是通過增大相機鏡頭或減小CCD單個像元尺寸實現,但隨著人們對高分辨率遙感圖像的需求越來越多,增大相機鏡頭或者減小CCD像元面積的實現越來越無法滿足實際需求,獲取成本也越來越高。通過超分辨率處理技術獲得高分辨率遙感圖像的方法越來越受到遙感圖像應用界人士的青睞。

對遙感圖像進行超分辨率復原處理最早由Harris于20世紀60年代提出,復原算法中采用傅里葉級數展開的方式獲得了分辨率提高的遙感圖像,但該技術在實際中應用效果并不理想,所以并沒有被廣泛應用。直到20世紀80年代超分辨率復原技術在圖像處理領域才得到突破性的進展,如H.Stark和P.Oskoui提出的基于凸集合投影理論的復原算法(POCS),S.E.Meinel提出的泊松最大似然復原算法(泊松[CD*2]ML),B. R.Hunt和P.J.Sementilli提出的泊松最大后驗概率復原算法 (泊松[CD*2]MAP)等。近年來又不斷有新的算法產生,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算法基礎上的改進算法、Nimish R.Shah和Avidech Zakhor提出了非均勻空域樣本內插算法。

超分辨率圖像復原算法中,POCS算法可以用于處理復雜的成像模型,并可以充分利用先驗知識,成為國內外廣泛采用和改進的超分辨率圖像復原算法[3[CD*2]7],這里對遙感圖像分辨率增強的仿真將采用POCS算法進行。

1 超分辨率復原算法分析

超分辨率復原算法是指由一序列低分辨率變形圖像來估計一幅或多幅高分辨率的非變形圖像,同時還能夠消除加性噪聲以及由有限檢測器尺寸和光學產生的模糊,是圖像融合領域中的一個重要分支。

超分辨率復原算法包括空域算法和頻域算法,由于頻域算法的觀察模型僅限于全局位移,頻域中數據缺乏相關性,難以將空域先驗信息考慮進來,因此頻域算法的研究較為緩慢。空域算法中較為常用的算法包括:非均勻空域樣本內插算法、IBP算法以及POCS算法。

非均勻空域樣本內插法由Nimish R Shah和Avidech Zakhor提出,算法中充分考慮了重建過程中運動估計的不準確性,同時利用顏色分量進一步提高運動矢量的精度。非均勻空域內插算法的系統框圖如圖1所示。

該觀測模型只適用于所有的低分辨率圖像的模糊和噪聲特性都相同的情況,當采集的圖像來自于不同的幾個相機時具有的模糊和噪聲便無法保持相同,此外由于恢復時忽略了插值過程中引入的誤差,無法保證整個恢復算法的最優。

IBP(Iterated Back Projection)算法由Michal Irani和Shmuel Peleg提出,該算法通過連續仿真和校正來恢復超分辨率圖像。IBP算法實現框圖如圖2所示。

該算法解不惟一,并且無法將先驗知識引入到復原算法中去。

POCS算法最早由H.Stark和P.Oskoui提出,后由Andrew J.Patti,M.Ibrahim等人對該算法進行優化改進,成為超分辨率復原算法中使用較為廣泛的一種,此后人們常使用的是Andrew J.Patti,M.Ibrahim等人改進的POCS算法。該算法的實現框圖如圖3所示。オお[KH-2]

該算法首先將低分辨率圖像中的一幀作為參考圖像,進行插值放大,并作為超分辨率復原圖像的初始估計,其他低分辨率圖像則以參考圖像為基準進行圖像的配準。根據先驗信息可以定義多個凸集合,這些集合的交集便包含了超分辨率復原圖像。通過迭代低分辨率圖像序列使之滿足對應的凸集合要求,便可得到超分辨率圖像。該算法具有可以充分利用先驗信息簡化解空間,并且可以處理復雜的退化模型等特點,成為眾多學者研究改進的算法。

2 遙感圖像超分辨率復原算法的仿真實現

研究遙感圖像分辨率提高的方法,首先要對遙感圖像分辨率降低的過程進行研究,通過分析高分辨率遙感圖像的降質模型,即可反推出遙感圖像超分辨率的復原過程。

高分辨率遙感圖像經過遙感成像系統的采樣、變形、模糊及下采樣后送入信道傳輸,傳輸過程中信道的噪聲加入到已經變壞的遙感圖像信號中,接收端獲得的遙感圖像也就是觀測到的低分辨率遙感圖像。通過分析降質模型可知,遙感圖像復原過程如圖4所示。

該部分提出了一種用Matlab對一組低分辨率遙感圖像進行超分辨率處理的仿真方法。首先模擬高分辨率遙感圖像的降質過程得到一組低分辨率遙感圖像,再結合文獻[8]中介紹的POCS算法的原理進行遙感圖像的超分辨率復原仿真。降質過程中低分辨率遙感圖像均采用全局平移,點傳播函數使用高斯型矩陣,分辨率放大因子為2。

其中采用POCS算法原理進行編程時,遙感圖像超分辨率處理的流程圖如圖5所示。

所提仿真方法的具體步驟如下:

(1) 低分辨率圖像獲得,如圖6所示。

使用Matlab軟件模擬圖像降質過程,獲得一組低分辨率圖像,作為超分辨率復原處理的輸入。

(2) 參考圖像選取

選取低分辨率遙感圖像序列中的一幀作為參考圖像,參考圖像選取后定義所對應的高分辨率柵格,并以參考圖像為基準計算其他低分辨率圖像相對于參考圖像的運動估計。如圖7所示。選取參考圖像后,將參考圖像進行線性插值放大2倍,作為程序運行的初始估計,根據框圖5進行估計圖像的更新,更新過程中可以使用以下幾種凸集合約束(如式(1)、式(2)所示)。

數據保持約束:

低分辨率遙感圖像序列循環結束后通過比較相鄰兩迭代幀的誤差決定程序是否跳出,條件不滿足時再進行低分辨率遙感圖像序列的迭代,直至滿足條件或循環次數達到最大的設定值,程序結束。程序結束后得到的估計圖像即為復原的超分辨率遙感圖像。對比仿真前后的遙感圖像,低分辨率遙感圖像序列及初始估計的超分辨率遙感圖像中的建筑以及道路均無法識別,但通過采用遙感圖像超分辨率處理技術使得圖像中的各目標可以識別。遙感圖像中部的機場部分跑道輪廓清晰,機場周邊建筑可以明顯的辨別。仿真結果表明使用遙感圖像超分辨率處理技術后遙感圖像分辨率可以明顯提高,更有利于目標的識別和遙感圖像的應用。

3 結 語

通過對超分辨率復原算法的分析,在此采用一組低分辨率遙感圖像實現了遙感圖像的超分辨率復原,所得復原遙感圖像分辨率明顯提高,圖像中目標可以清晰識別。近年來隨著超分辨率復原算法廣泛應用,這一技術已經成為一種新型的高分辨率圖像獲取方式,并在遙感圖像處理領域得到了一定的發展。但現有超分辨率處理技術仍存在著一定的問題,未來超分辨率處理技術的發展將集中在更準確的圖像配準算法、更接近實際情況的降質模型以及結合新的知識領域對現有算法進行改進等方面。

參 考 文 獻

[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.