遥感图像超分辨率重建算法研究

发布时间：2021-02-26 22:52

　　卫星遥感成像系统与目标物体距离较远,导致图像处理中存在识别率降低和部分细节信息缺失等问题,影响遥感图像中目标的精确提取,因此对遥感图像超分辨率重建方法的研究具有重要意义。在稀疏表示理论和卷积神经网络超分辨率重建方法基础上,针对遥感图像局部细节模糊、部分特征信息丢失的问题,提出了一种基于非局部自相似性的多特征联合超分辨率重建算法,利用梯度算子和相位一致性方法联合表示遥感图像的高频信息,采用联合字典思想和K-SVD分解算法进行稀疏字典学习,并引入非局部自相似性约束项对重建图像进行全局优化。为了进一步解决结构复杂的遥感图像重建问题,提出了一种改进的卷积神经网络超分辨率重建算法,通过增加网络层数来学习更深层的图像特征,利用反卷积对遥感图像进行自适应上采样,并在网络中加入残差学习结构的方式,解决了人工特征提取方法难以准确地表达复杂遥感图像的结构细节信息问题。仿真结果表明,基于非局部自相似性的多特征联合超分辨率重建算法的平均PSNR值和SSIM值分别比SCSR算法提高了 1.17%、0.05%,改进的卷积神经网络超分辨率重建算法的平均PSNR值和SSIM值分别比基于非局部自相似性的多特征联合超分辨... 

【文章来源】：西安科技大学陕西省

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 研究内容及章节安排
2 图像超分辨率重建技术
    2.1 遥感图像分辨率
    2.2 图像超分辨率重建方法分类
        2.2.1 基于插值的超分辨率方法
        2.2.2 基于重建的超分辨率方法
        2.2.3 基于学习的超分辨率方法
    2.3 重建图像的评价标准
    2.4 本章小结
3 基于非局部自相似性的多特征联合重建算法
    3.1 遥感图像特征分析
        3.1.1 特征提取
        3.1.2 多特征联合表示
    3.2 基于非局部自相似性的多特征联合重建算法
        3.2.1 联合字典学习
        3.2.2 非局部自相似性约束
        3.2.3 多特征联合图像重建
    3.3 仿真结果及分析
        3.3.1 参数设置
        3.3.2 仿真结果及分析
    3.4 本章小结
4 改进的卷积神经网络超分辨率重建算法
    4.1 卷积神经网络
        4.1.1 卷积神经网络结构
        4.1.2 卷积神经网络训练过程
    4.2 改进的卷积神经网络超分辨率重建算法
        4.2.1 改进的网络结构
        4.2.2 残差网络结构
    4.3 仿真结果及分析
        4.3.1 网络参数设置及模型优化器选择
        4.3.2 数据集处理
        4.3.3 仿真结果及分析
    4.4 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
附录



本文编号：3053293