遙感影像超分辨率處理方法與研究進展

喬燕英

（山東省國土測繪院，濟南 250013）

1 引言

具體來講，圖像超分辨率處理指的是借助于計算機軟件算法的應用，用高分辨率圖像轉換低分辨率圖像的技術。目前，遙感影像在土地利用、災害監測等諸多領域得到了廣泛的應用，但是傳感器噪聲、物像相對移動以及光學系統的像等因素較大程度上影響到遙感衛星影像的空間分辨率。為了促使遙感影像分辨率得到提升，通常會從硬件和軟件兩個方面著手。通過改進硬件，促使影像空間分辨率得到提升，這種途徑需要較長的周期和較大的成本。因此，逐漸出現了遙感影像超分辨率重建技術。調查研究發現，目前國外已經在遙感系統中成功應用了超分辨率重建技術。如德國徠卡公司在三線陣航空數字相機系統中應用了超分辨率重建技術，美國有大學在實驗中成功了提高了紅外圖像的分辨率。我國因為在遙感影像重建研究方面只有很短時間的發展歷程，應用還不夠成熟，但是引起了領域內專家的廣泛關注和重視。

2 遙感影像超分辨率處理流程

在遙感影像超分辨率處理過程中，首先，如果低分辨率圖像的數量無法滿足要求，則需要將模擬圖像退化模型構建起來，對一序列的低分辨率實驗圖像進行獲取。其次，從亞像級角度匹配低分辨率圖像，通過運動估計，對運動矩陣、模糊矩陣、下采樣矩陣等進行獲取。第三，結合運動參數，對重建方法合理選擇，重建影像。第四，模糊、去噪處理高分辨率圖像。最后，對圖像的評價指標合理計算，量化評價重建效果。

3 遙感影像超分辨率處理技術及研究進展

3.1 圖像退化模型

研究發現，超分辨率重建技術主要是在轉換模型的支持下，綜合低分辨率圖像序列的互補信息，進而將高分辨率圖像重新構建起來。在這個過程中，圖像的清晰度會受到像差、失真等因素的不利影響，因此，就需要將圖像退化模型技術運用過來。圖像退化具有十分復雜的過程，一般將線性模型運用過來，以便對其過程進行簡單模擬。包括三個步驟：首先為形變，包括全局形變和局部形變兩種類型，目前全局形變得到廣泛應用。通過配準處理，對亞像素級別的運動估計、形變矩陣進行獲取。其次為模糊，將點擴散函數運用過來，對光學模糊、運動模糊等進行表述。最后為下采樣，相較于采樣之前，采樣后的空間分辨率較低，對降采樣矩陣進行確定。然后在退化模型公式中輸入矩陣參數、噪聲以及低分辨率圖像，即可對高分辨率圖像進行獲取。

3.2 遙感影像配準

在遙感影像超分辨率處理技術中，低分辨圖像序列間互補信息的獲取是關鍵環節，只有獲得豐富的互補信息，方可以提高重建效果。而通過影像序列配準后的運動估計，方可以獲取互補信息。圖像配準主要是疊加匹配各幀圖像，進而將最佳變換的對應關系找出來。目前，出現了三種配準算法：

首先，頻率域法。在傅里葉變換性質的影響下，頻率域法可以對影像平移、旋轉、縮放等進行處理，局限性較大，但是可以非常便捷的處理混疊。其中，Fourier變換域法得到了十分廣泛的應用，其具有較小的運算量，復雜的影像轉換需求無法實現，且先驗約束無法添加。

其次，空間域法。本種方法可以在大部分運動模型中實施，既可以處理整幅圖像，局部分塊、運動向量場的構建需求也可以得到有效滿足。有專家將Taylor級數性質充分運用起來，借助于迭代法的實施，即可對影像序列間的運動情況精確求解。在特征算法支持下，將配準映射關系構建于提取到的圖像特征中。實踐研究表明，本種方法具有較強的通用性和魯棒性。基于光流的算法近些年來成為研究的熱點，主要是對目標運動信息進行估算，進而將影像間的對應形變關系確定出來。

最后，空頻域法。相較于空間域法，本種方法可以更加高效的處理混疊效應，但是在適用性方面不如空間域法，因此，就可以綜合使用這兩種技術。其中，基于小波的運動模型、復數小波變換算法等都屬于重要的空頻域法，這些技術需要花費較長的時間，制約到了其廣泛的應用[1]。

3.3 遙感影像重建

目前，頻率域的頻譜解混疊算法理論與非均勻插值算法是比較經常用到的圖像重建技術，前者具有十分簡單的理論，實現難度較??；后者直觀性較強。但是這兩種方法不具備較強的適應性，僅僅可以重建一般圖像，無法超分辨率重建遙感影像。針對這種情況，下面主要介紹遙感影像重建技術。

首先，迭代反向投影法。本種方法指的是對低分辨率圖像序列、實際觀測圖像之間的差值進行獲取，然后借助于迭代公式，最大程度的縮小誤差，促使圖像估計值得到不斷更新。本種方法難度較小，直觀性較強，但是唯一解缺乏，先驗約束難以引入，且反向投影算子參數無法合理選擇。

其次為凸集投影法。本種技術主要是在若干閉合且滿足一定特性的凸集里限制可行解，用向量集合對其定義。一旦有非空交集出現于約束集中，本交集就是解空間，向凸集中交替投影本交集，以便對高分辨率圖像進行獲取。實踐表明，本種方法的實施，先驗信息能夠快速有效的引入，但是計算收斂不快，且沒有唯一的解。

再次，正則化重建法。一般情況下，可以將本種方法分為兩種類型，分別為統計先驗模型與重建模型。統計先驗模型是將貝葉斯方法運用過來，將解的先驗知識規整化問題引入進來，其具有唯一的解，且圖像先驗知識能夠快速引入，空間觀測模型的靈活性較強，重建效果較好，但是無法高質量的處理圖像邊緣與細節，針對這種情況，就需要結合使用Huber-Markov模型與GIBBS圖像先驗知識[2]。

最后，學習訓練法。本種方法指的是借助于訓練數據集，對低分辨率圖像、高分辨率圖像之間的映射關系進行尋找。在具體實施過程中，結合低分辨率圖像與高分辨率圖像，對退化的先驗信息、高低分辨率圖像之間的關聯參數進行獲取，然后對訓練庫中的同類圖像進行搜索，保證其類似于輸入圖像。做出合理假設，兩者的退化模型、先驗知識是統一的，然后結合學習信息，重建低分辨率圖像，即可將高分辨率圖像構建起來。

綜合分析這些重建技術可以得知，頻率域法僅僅能夠在全圖平移運動、線性空間中應用，且包含了十分有限的先驗知識，因此，逐漸不再受到人們的關注。而學習訓練方法將圖像先驗知識充分利用了起來，高頻細節能夠產生，獲取結果比較優質，但是在本種技術的實施過程中，需要將圖像數據庫構建起來，對訓練樣本數量要求較高，通常處理一些特定類型的圖像，如復原文字、復原人臉等等，無法有效應用于遙感影像高分辨率處理當中。空間域技術則借助于數學方程組來表示觀測模型，涵蓋了較多的因素和內容。經過不斷發展，目前開始聯合使用空間域法和其他的圖像處理技術，效果比較顯著。由此可見，空間域法的靈活性較強，適用范圍較大，可以有效應用于遙感影像超分辨率處理當中[3]。

3.4 重建效果評價

通常情況下，可以采用兩種類型來評價圖像質量，分別是主觀視覺感受與客觀量化指標。具體來講，主觀視覺感受指的是人們在眼睛觀察的基礎上，將已有的經驗和知識運用過來，對比評價圖像，這樣就會存在很大差異，影響到評價的精確性。而客觀量化指標的引入，則能夠促使主觀評價的缺陷和問題得到有效彌補與解決，其中，平均絕對誤差、歸一化均方誤差、均方誤差、峰值信噪比等是比較經常用到的客觀量化指標。這些指標可以將圖像誤差的整體統計特性反映出來，但是圖像誤差的局部特性卻無法反應，針對這種情況，又提出了結構相似性指標。

4 結束語

通過超分辨率重建技術的應用，遙感觀測系統不需要改變的基礎上，即可促使影像分辨率得到提升，具有較大的優勢和研究價值。在未來的發展中，需要緊密結合實際應用需求，對現有算法大力完善，對算法效率不斷提升，促使遙感影像超分辨率處理技術水平得到提升，應用范圍得到擴大，以便推動相關領域的進步和發展。