论文部分内容阅读
遥感是检测地表动态变化的重要手段.由于技术的原因,单个遥感卫星提供既拥有高时间分辨率又拥有高空间分辨率的图像仍然比较困难.而时空融合算法是一种获取高时空分辨率遥感图像的有效方法.图像超分辨率重建是一类经典的计算机视觉问题,它的目的是将给定的低分辨率图像重建为对应的高分辨率图像.图像超分辨率重建被广泛地应用于许多计算机视觉任务中,比如遥感图像融合、安全与监控和医学成像等领域.基于字典学习和稀疏表示理论,本文提出了端对端的融合模型和自适应多波段约束的融合模型.基于神经网络的逼近原理,改进了利用深度学习进行单张图像超分辨率重建的方法.具体研究内容如下:1.传统基于字典学习的融合模型先利用字典学习阶段训练字典对,再将其应用于重建阶段,这两个阶段分开进行.这种方法获得的字典对没有充分包含目标时刻的信息,特别是已知的目标时刻低分辨率图像的信息.为了提高字典对的表达能力,我们提出了一种端对端的融合模型.这个模型将字典学习阶段和重建阶段统一到一个模型中,通过交替迭代的方法,不断更新字典对.另外,为了更符合实际情况,我们的模型还结合了半耦合字典学习的思想.通过一系列数值和视觉上的实验对比,证明了我们的算法相较于传统算法确实获得了更好的融合效果.2.虽然字典学习的融合模型在时空融合问题中展现了很好的潜力,但目前这些模型都没有考虑波段间的结构相似性.基于这个想法,本文提出了一种新的融合模型,我们称之为自适应多波段约束的融合模型（Adaptive Multi-Band Constraints Fusion Model,AMCFM）.这个模型考虑了波段间的结构相似性,通过自适应多波段约束项,利用边缘信息来提高融合效果.另外,为了克服?1范数只考虑字典稀疏性的缺点,我们的模型使用核范数代替了?1范数.在重建阶段,通过生成合适的系数,核范数可以有效地平衡稀疏性和相关性.我们采用在真实图像上的实验结果来支持我们的算法.实验主要对Landsat ETM+（Enhanced Thematic Mapper Plus）和MODIS（Moderate Resolution Imaging Spectroradiometer）的NIR（near-infrared）、红色和绿色波段进行了融合,并从指标评估和视觉效果两方面评价了预测精度,结果证明了我们提出的方法比目前最先进的算法效果更好.3.零次学习超分辨率重建（”Zero-Shot”Super-Resolution,ZSSR）算法是一种通过探索图像内部的重复信息,利用图像自身产生的样本集训练卷积神经网络,进行图像超分辨率重建的算法.为了克服这个算法的缺陷,我们提出了增强的零次学习超分辨率重建（Enhanced”Zero-Shot”Super-Resolution,EZSSR）算法.该算法改良了生成训练集过程中下采样的方法,更好地保留了样本的高频信息.并且结合密集连接网络,重新设计了网络结构,提升了网络的特征提取能力.通过在图像超分辨率重建标准数据集上的对比实验,证明了EZSSR不但拥有很好的重建效果,还增加了算法的稳定性.