基于稀疏字典学习的遥感图像超分辨率重建研究
发布时间：2022-02-26 15:16
图像空间分辨率是遥感成像系统设计的一项关键技术指标,更高的分辨率意味着更高的数据量,也利于我们得到更多有用的信息。目前,遥感技术能够快速和有效的提供各种地面观测数据,成为在地形测绘、城市建设、道路建设,以及军事侦察等领域的主要信息来源。然而,由于卫星遥感成像系统与目标之间距离比较大,不能准确的识别地物目标,使得成像后的物体辨识度低、细节信息较少。因此,本文针对低分辨率遥感图像的特点,如非局部区域存在相似的图像块,纹理丰富,边缘结构明显等,采用不同的方法实现单幅的遥感图像超分辨率重建。本文结合稀疏表示理论和字典学习方法,重点研究单幅遥感图像超分辨率重建技术,具体工作包括:（1）分析卫星遥感在成像过程中受到的多种影响因素,给出遥感图像的退化过程,然后,阐述了稀疏表示理论;最后,介绍了三类典型的超分辨率重建方法,常用的字典学习算法以及图像质量评价指标。（2）提出一种基于非局部自相似性字典学习的图像超分辨率算法。针对卫星遥感受外界因素无法获取高清图像,目前常用的基于稀疏表示的算法重建细节信息不佳等问题。该算法考虑到遥感图像不同区域的两块图像结构上可能存在相似的特点,引入非局部自相似性约束到单幅...
【文章来源】：西北大学陕西省211工程院校
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 论文研究内容及章节安排
第二章 相关技术理论概述
2.1 遥感图像重建原理
2.1.1 观测模型
2.1.2 稀疏表示理论
2.2 典型的图像超分辨率重建方法
2.2.1 基于插值的方法
2.2.2 基于重构的方法
2.2.3 基于学习的方法
2.3 稀疏字典学习方法
2.3.1 PCA字典学习算法
2.3.2 MOD字典学习算法
2.3.3 K-SVD字典学习算法
2.3.4 OLD字典学习算法
2.4 重建图像的质量评价
2.4.1 主观评价
2.4.2 客观评价
2.5 本章小结
第三章 基于非局部自相似性字典学习的算法
3.1 引言
3.2 图像的非局部自相似性
3.3 本章算法
3.3.1 算法流程
3.3.2 字典学习
3.3.3 图像重建
3.4 实验结果与分析
3.4.1 实验环境及实验数据
3.4.2 参数设置及结果分析
3.5 本章小结
第四章 基于多字典学习的算法
4.1 引言
4.2 图像的MCA分解
4.3 本章算法
4.3.1 算法流程
4.3.2 字典学习
4.3.3 图像重建
4.4 实验结果与分析
4.4.1 实验环境及实验数据
4.4.2 参数设置及结果分析
4.5 本章小结
第五章 总结与展望
5.1 全文总结
5.2 研究展望
参考文献
攻读硕士学位期间取得的学术成果
致谢
【参考文献】：
期刊论文
[1]基于AP聚类的多特征融合方法[J]. 郭蕾蕾,俞璐,段国仑,陶性留. 计算机技术与发展. 2019(08)
[2]采用深度学习的快速超分辨率图像重建方法[J]. 张圣祥,郑力新,朱建清,潘书万. 华侨大学学报(自然科学版). 2019(02)
[3]基于特征聚类的多能源系统负荷预测方法研究[J]. 高靖,张明理,邓鑫阳,杨博,张子信,韩震焘. 可再生能源. 2019(02)
[4]改进超分辨率卷积神经网络和字典学习的图像超分辨率重构算法[J]. 张海涛,赵燚. 小型微型计算机系统. 2018(09)
[5]基于加权l1范数稀疏信号表示的DOA估计[J]. 窦慧晶,高立菁,朱子云. 北京工业大学学报. 2018(10)
[6]基于GPU并行计算的星载SAR影像数据高效重采样算法研究[J]. 刘传富,吴启琛. 矿山测量. 2018(03)
[7]GPU并行计算技术在配电网运行分析中的应用研究[J]. 段明明,陈昆磊,赵惠琳,吴迟林. 信息系统工程. 2018(05)
[8]局部线性嵌入的快速单幅图像超分辨率技术[J]. 姜杰,刘哲,吕林涛. 红外技术. 2018(01)
[9]一种基于分类改进的LARS调度算法及其动态参数性能分析[J]. 何志强,林永君. 河北大学学报(自然科学版). 2017(05)
[10]基于l2,p-范数的ECT图像重建算法[J]. 马敏,郭琪,闫超奇,薛倩. 计量学报. 2017(05)
博士论文
[1]超分辨率重建与图像增强技术研究[D]. 乔建苹.山东大学 2008
[2]图像稀疏表示理论及其应用研究[D]. 邓承志.华中科技大学 2008
硕士论文
[1]分类字典学习超分辨率重建算法研究[D]. 王怡.西安电子科技大学 2017
[2]基于稀疏表示的单幅图像超分辨率重建[D]. 朱林华.重庆邮电大学 2017
[3]基于马尔科夫网络的人脸图像超分辨率算法[D]. Bosco Wabwire（伯斯科）.中南大学 2008
本文编号：3644688
【文章来源】：西北大学陕西省211工程院校
【文章页数】：62 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 论文研究内容及章节安排
第二章 相关技术理论概述
2.1 遥感图像重建原理
2.1.1 观测模型
2.1.2 稀疏表示理论
2.2 典型的图像超分辨率重建方法
2.2.1 基于插值的方法
2.2.2 基于重构的方法
2.2.3 基于学习的方法
2.3 稀疏字典学习方法
2.3.1 PCA字典学习算法
2.3.2 MOD字典学习算法
2.3.3 K-SVD字典学习算法
2.3.4 OLD字典学习算法
2.4 重建图像的质量评价
2.4.1 主观评价
2.4.2 客观评价
2.5 本章小结
第三章 基于非局部自相似性字典学习的算法
3.1 引言
3.2 图像的非局部自相似性
3.3 本章算法
3.3.1 算法流程
3.3.2 字典学习
3.3.3 图像重建
3.4 实验结果与分析
3.4.1 实验环境及实验数据
3.4.2 参数设置及结果分析
3.5 本章小结
第四章 基于多字典学习的算法
4.1 引言
4.2 图像的MCA分解
4.3 本章算法
4.3.1 算法流程
4.3.2 字典学习
4.3.3 图像重建
4.4 实验结果与分析
4.4.1 实验环境及实验数据
4.4.2 参数设置及结果分析
4.5 本章小结
第五章 总结与展望
5.1 全文总结
5.2 研究展望
参考文献
攻读硕士学位期间取得的学术成果
致谢
【参考文献】：
期刊论文
[1]基于AP聚类的多特征融合方法[J]. 郭蕾蕾,俞璐,段国仑,陶性留. 计算机技术与发展. 2019(08)
[2]采用深度学习的快速超分辨率图像重建方法[J]. 张圣祥,郑力新,朱建清,潘书万. 华侨大学学报(自然科学版). 2019(02)
[3]基于特征聚类的多能源系统负荷预测方法研究[J]. 高靖,张明理,邓鑫阳,杨博,张子信,韩震焘. 可再生能源. 2019(02)
[4]改进超分辨率卷积神经网络和字典学习的图像超分辨率重构算法[J]. 张海涛,赵燚. 小型微型计算机系统. 2018(09)
[5]基于加权l1范数稀疏信号表示的DOA估计[J]. 窦慧晶,高立菁,朱子云. 北京工业大学学报. 2018(10)
[6]基于GPU并行计算的星载SAR影像数据高效重采样算法研究[J]. 刘传富,吴启琛. 矿山测量. 2018(03)
[7]GPU并行计算技术在配电网运行分析中的应用研究[J]. 段明明,陈昆磊,赵惠琳,吴迟林. 信息系统工程. 2018(05)
[8]局部线性嵌入的快速单幅图像超分辨率技术[J]. 姜杰,刘哲,吕林涛. 红外技术. 2018(01)
[9]一种基于分类改进的LARS调度算法及其动态参数性能分析[J]. 何志强,林永君. 河北大学学报(自然科学版). 2017(05)
[10]基于l2,p-范数的ECT图像重建算法[J]. 马敏,郭琪,闫超奇,薛倩. 计量学报. 2017(05)
博士论文
[1]超分辨率重建与图像增强技术研究[D]. 乔建苹.山东大学 2008
[2]图像稀疏表示理论及其应用研究[D]. 邓承志.华中科技大学 2008
硕士论文
[1]分类字典学习超分辨率重建算法研究[D]. 王怡.西安电子科技大学 2017
[2]基于稀疏表示的单幅图像超分辨率重建[D]. 朱林华.重庆邮电大学 2017
[3]基于马尔科夫网络的人脸图像超分辨率算法[D]. Bosco Wabwire（伯斯科）.中南大学 2008
本文编号：3644688
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3644688.html
