CN106169183B - 一种基于欧氏距离正则化的sar图像超分辨率重建方法 - Google Patents

一种基于欧氏距离正则化的sar图像超分辨率重建方法 Download PDF

Info

Publication number
CN106169183B
CN106169183B CN201610551986.0A CN201610551986A CN106169183B CN 106169183 B CN106169183 B CN 106169183B CN 201610551986 A CN201610551986 A CN 201610551986A CN 106169183 B CN106169183 B CN 106169183B
Authority
CN
China
Prior art keywords
mrow
msup
msub
sar
sar image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201610551986.0A
Other languages
English (en)
Other versions
CN106169183A (zh
Inventor
徐枫
高红民
蒋德富
石爱业
张振
高建强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Original Assignee
Hohai University HHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU filed Critical Hohai University HHU
Priority to CN201610551986.0A priority Critical patent/CN106169183B/zh
Publication of CN106169183A publication Critical patent/CN106169183A/zh
Application granted granted Critical
Publication of CN106169183B publication Critical patent/CN106169183B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于欧氏距离正则化的SAR图像超分辨率重建方法。首先输入时相相近的多帧SAR图像并配准，将其置于一个网格中并处理为像素均匀分布的SAR观测图像；然后在建立SAR图像退化模型的基础上，构建基于欧氏距离双边全差分正则化的高分辨率SAR图像重建公式；接着初始化观测图像，而后根据重建公式，采用一种可计算的优化方式对高分辨率SAR图像进行迭代估计；最后将估计图像作为SAR图像超分辨率重建结果输出。本发明将SAR图像重建中曼哈顿距离的双边全差分改为欧氏距离形式，使先验知识刻画更合理；为解决优化迭代过程中微分求解的困境，构建了重建公式的替代式，从而在优化求解可计算的基础上，提高了SAR图像超分辨率重建结果的准确性。

Description

一种基于欧氏距离正则化的SAR图像超分辨率重建方法
技术领域
本发明涉及遥感图像处理技术领域，特别是一种基于欧氏距离正则化的SAR图像超分辨率重建方法。
背景技术
合成孔径雷达(Synthetic Aperture Radar，SAR)是一种利用多普勒效应和脉冲压缩技术实现高分辨的微波成像雷达。具有全天时、全天候的遥感成像能力。伴随不断提高的科研和应用要求，SAR图像的空间分辨率亟需进一步提升，可采用如下方法：一、直接改善雷达系统的天线长度、合成孔径长度和扩展信号带宽，但此法受限于硬件技术瓶颈和开发周期，且代价高；二、利用SAR成像系统的原始回波数据(非图像数据)，通过超分辨率成像方法获取高分辨率的SAR图像，但由于信息保密等因素，原始回波数据有时无法获得，只能得到成像系统处理后甚至是退化的图像数据；三、利用得到的SAR图像数据，通过超分辨率重建方法提高SAR图像的分辨率，此法实现的受限条件较少，是突破技术壁垒和信息封锁的可行方法。
SAR图像超分辨率重建，是由已有的SAR图像重建高分辨率SAR图像的过程，属于Hardmard非适定性逆问题。为解决此问题，通常采用正则化方法，即用真实地物场景的先验知识，来约束重建图像，尽可能提高其分辨率以逼近真实地物场景。在已有的正则化方法中，双边全差分正则化凭借特有的灰度/几何双测度机制，能从两个不同角度对场景的先验知识进行表征，因此被广泛使用。双边全差分表征的先验知识，包含两个认定的常识：1)SAR图像分片平滑，即梯度模不会过大；2)像素间相关性，随距离变长会降低。而为了简化计算、避免优化过程中微分求解的繁复与困难，双边全差分正则项中的灰度/几何双测度，均采用了曼哈顿距离形式。
但是，问题在于：1)曼哈顿距离的灰度测度，并不能准确表示图像梯度模；2)曼哈顿距离的几何测度，会使像素间的相关性不再依据像素间直线段的长度。显然，上述问题会对先验知识的刻画造成一定影响，进而降低SAR图像重建的准确度。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种基于欧氏距离正则化的SAR图像超分辨率重建方法，该方法仍然基于双边全差分正则化来实现SAR图像重建，但其中的灰度/几何双测度改用欧氏距离形式，这样不仅能更准确地表示SAR图像的梯度模，而且对像素间相关性的表征更符合像素空间关系，先验知识刻画也就更合理；改用欧氏距离形式的同时，为避免优化过程中微分求解的困境，该方法在迭代优化过程中，构建了重建公式的替代式，替代式在优化中更易于微分求解，从而在优化求解可计算的基础上，提高SAR图像超分辨率重建结果的准确性。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种基于欧氏距离正则化的SAR图像超分辨率重建方法，包括以下步骤：
1)、输入同一场景的多帧SAR图像；
2)、对输入的多帧SAR图像进行空间配准；
3)、根据配准结果，将所有SAR图像置于一个图像网格中，形成图像其像素为非均匀分布；利用核回归对图像进行处理，得到像素均匀分布的SAR观测图像y；
4)、建立SAR图像的退化模型：y＝Hx+n，其中，x为待估计的高分辨率SAR图像，H为已知的退化线性算子，n为独立同分布的高斯白噪声；
5)、构建高分辨率SAR图像x的重建公式：
其中，λ是设定的正则参数，α是设定的距离度量参数，p为设定的图像最大差分阶数，l和m分别表示像素间水平和垂直距离，e(l,m)为像素间距，为x的lm阶的梯度，为在第i个像素处的模；正则项中的e(l,m)和均表示为欧氏距离形式：
其中，Δlhx和Δmvx分别表示x在水平和垂直方向上的l阶和m阶差分，(Δlhx)i和(Δmvx)i分别表示Δlhx和Δmvx在第i个像素处的值；
6)、通过维纳滤波，将SAR观测图像y初始化为SAR图像x(0)；
7)、在已知初始SAR图像x(0)的条件下，根据步骤5)中的重建公式，对高分辨率SAR图像x进行迭代估计；
8)、将步骤7)迭代估计的结果作为SAR图像x的超分辨率重建结果，并输出。
作为本发明所述的一种基于欧氏距离正则化的SAR图像超分辨率重建方法进一步优化方案，步骤2)中是利用Keren配准算法对输入的多帧SAR图像进行空间配准。
作为本发明所述的一种基于欧氏距离正则化的SAR图像超分辨率重建方法进一步优化方案，所述0<α<1。
作为本发明所述的一种基于欧氏距离正则化的SAR图像超分辨率重建方法进一步优化方案，所述步骤7)具体如下：
7-1)、设定终止迭代阈值ε，迭代次数t＝0；
7-2)、根据步骤5)中重建公式，构建替代式如下：
7-3)、采用共轭梯度算法对步骤7-2)中的替代式迭代求解，得到估计的高分辨率SAR图像，并表示为x(t+1)；
7-4)、如果成立，则令将x(t+1)作为迭代估计的结果，退出迭代；否则，令t＝t+1，返回步骤7-2)。
作为本发明所述的一种基于欧氏距离正则化的SAR图像超分辨率重建方法进一步优化方案，ε取10-4。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：在利用双边全差分正则化对SAR图像进行超分辨率重建时，双边全差分中的灰度/几何双测度均改用欧氏距离来表征，不仅能更准确地表示SAR图像的梯度模，而且对像素间相关性的表征更符合像素空间关系，先验知识刻画也就更合理；改用欧氏距离形式的同时，为避免优化过程中微分求解的困境，该方法在迭代优化过程中，构建了重建公式的替代式，替代式在优化中更易于微分求解，从而在优化求解可计算的基础上，提高SAR图像超分辨率重建的准确性，可为SAR图像的检测、跟踪、识别等应用提供有力保障。
附图说明
图1是本发明方法的流程图；
图2是根据重建公式对高分辨率SAR图像估计的迭代流程图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
如图1所示，本发明提供一种基于欧氏距离正则化的SAR图像超分辨率重建方法，步骤如下：
1)输入同一场景时相相近的多帧SAR图像；
2)利用Keren配准算法对输入的多帧SAR图像进行空间配准；
3)根据配准结果，将所有SAR图像置于一个图像网格中，形成图像其像素为非均匀分布；利用核回归对图像进行处理，得到像素均匀分布的SAR观测图像y；
4)建立SAR图像的退化模型：y＝Hx+n，其中x表示待估计的高分辨率SAR图像，H为已知的退化线性算子，n表示独立同分布的高斯白噪声，其均值为0、方差为σ2；
5)构建高分辨率SAR图像x的重建公式为：
其中，λ是设定的正则参数，0<α<1是设定的距离度量参数，p为设定的图像最大差分阶数，l和m分别表示像素间水平和垂直距离，e(l,m)为像素间距，为x的lm阶的梯度，为在第i个像素处的模；正则项中的e(l,m)和均表示为欧氏距离形式：
其中，Δlhx和Δmvx分别表示x在水平和垂直方向上的l阶和m阶差分，(Δlhx)i和(Δmvx)i分别表示Δlhx和Δmvx在第i个像素处的值；
6)通过维纳滤波，将图像y初始化为SAR图像x(0)；
7)根据步骤5)中的重建公式，对高分辨率SAR图像x进行迭代估计，如图2所示，过程如下：
7-1)在已知初始SAR图像x(0)的条件下，设定终止迭代阈值ε为10-4，t＝0；
7-2)为便于对步骤5)中重建公式进行梯度寻优求解，构建替代式如下：
7-3)用共轭梯度算法对步骤7-2)中的替代式迭代求解，得到估计的高分辨率SAR图像，并表示为x(t+1)；
7-4)如果成立，则令将x(t+1)作为迭代估计的结果，退出迭代；否则，令t＝t+1，返回步骤7-2)；
8)将步骤7)迭代估计的结果作为SAR图像x的超分辨率重建结果，并输出。
以上所述的具体实施方案，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，所应理解的是，以上所述仅为本发明的具体实施方案而已，并非用以限定本发明的范围，任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所做出的等同变化与修改，均应属于本发明保护的范围。

Claims (4)

1.一种基于欧氏距离正则化的SAR图像超分辨率重建方法，其特征在于，包括以下步骤：
1)、输入同一场景的多帧SAR图像；
2)、对输入的多帧SAR图像进行空间配准；
3)、根据配准结果，将所有SAR图像置于一个图像网格中，形成图像其像素为非均匀分布；利用核回归对图像进行处理，得到像素均匀分布的SAR观测图像y；
4)、建立SAR图像的退化模型：y＝Hx+n，其中，x为待估计的高分辨率SAR图像，H为已知的退化线性算子，n为独立同分布的高斯白噪声；
5)、构建高分辨率SAR图像x的重建公式：
<mrow> <mover> <mi>x</mi> <mo>^</mo> </mover> <mo>=</mo> <munder> <mi>argmin</mi> <mi>x</mi> </munder> <mrow> <mo>(</mo> <mo>|</mo> <mo>|</mo> <mi>y</mi> <mo>-</mo> <mi>H</mi> <mi>x</mi> <mo>|</mo> <msubsup> <mo>|</mo> <mn>2</mn> <mn>2</mn> </msubsup> <mo>+</mo> <mi>&amp;lambda;</mi> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <msup> <mi>&amp;alpha;</mi> <mrow> <mi>e</mi> <mrow> <mo>(</mo> <mi>l</mi> <mo>,</mo> <mi>m</mi> <mo>)</mo> </mrow> </mrow> </msup> <munder> <mi>&amp;Sigma;</mi> <mi>i</mi> </munder> <mo>|</mo> <msub> <mrow> <mo>(</mo> <mrow> <msub> <mo>&amp;dtri;</mo> <mrow> <mi>l</mi> <mi>m</mi> </mrow> </msub> <mi>x</mi> </mrow> <mo>)</mo> </mrow> <mi>i</mi> </msub> <mo>|</mo> <mo>)</mo> </mrow> </mrow>
其中，λ是设定的正则参数，α是设定的距离度量参数，p为设定的图像最大差分阶数，l和m分别表示x在水平和垂直方向上的差分阶数，e(l,m)为像素间距，为x的lm阶的梯度，为在第i个像素处的模；正则项中的e(l,m)和均表示为欧氏距离形式：
<mrow> <mi>e</mi> <mrow> <mo>(</mo> <mi>l</mi> <mo>,</mo> <mi>m</mi> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <mrow> <msup> <mi>l</mi> <mn>2</mn> </msup> <mo>+</mo> <msup> <mi>m</mi> <mn>2</mn> </msup> </mrow> </msqrt> <mo>,</mo> </mrow>
<mrow> <mrow> <mo>|</mo> <msub> <mrow> <mo>(</mo> <msub> <mo>&amp;dtri;</mo> <mrow> <mi>l</mi> <mi>m</mi> </mrow> </msub> <mi>x</mi> <mo>)</mo> </mrow> <mi>i</mi> </msub> <mo>|</mo> </mrow> <mo>=</mo> <msqrt> <mrow> <msup> <mrow> <mo>(</mo> <msub> <mrow> <mo>(</mo> <mrow> <msup> <mi>&amp;Delta;</mi> <mrow> <mi>l</mi> <mi>h</mi> </mrow> </msup> <mi>x</mi> </mrow> <mo>)</mo> </mrow> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msub> <mrow> <mo>(</mo> <mrow> <msup> <mi>&amp;Delta;</mi> <mrow> <mi>m</mi> <mi>v</mi> </mrow> </msup> <mi>x</mi> </mrow> <mo>)</mo> </mrow> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>,</mo> </mrow>
其中，Δlhx和Δmvx分别表示x在水平和垂直方向上的l阶和m阶差分，(Δlhx)i和(Δmvx)i分别表示Δlhx和Δmvx在第i个像素处的值；
6)、通过维纳滤波，将SAR观测图像y初始化为SAR图像x(0)；
7)、在已知初始SAR图像x(0)的条件下，根据步骤5)中的重建公式，对高分辨率SAR图像x进行迭代估计；具体如下：
7-1)、设定终止迭代阈值ε，迭代次数t＝0；
7-2)、根据步骤5)中重建公式，构建替代式如下：
<mrow> <mover> <mi>x</mi> <mo>^</mo> </mover> <mo>=</mo> <munder> <mi>argmin</mi> <mi>x</mi> </munder> <mrow> <mo>(</mo> <mo>|</mo> <mo>|</mo> <mi>y</mi> <mo>-</mo> <mi>H</mi> <mi>x</mi> <mo>|</mo> <msubsup> <mo>|</mo> <mn>2</mn> <mn>2</mn> </msubsup> <mo>+</mo> <mi>&amp;lambda;</mi> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>l</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <munderover> <mi>&amp;Sigma;</mi> <mrow> <mi>m</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>p</mi> </munderover> <msup> <mi>&amp;alpha;</mi> <mrow> <mi>e</mi> <mrow> <mo>(</mo> <mi>l</mi> <mo>,</mo> <mi>m</mi> <mo>)</mo> </mrow> </mrow> </msup> <munder> <mi>&amp;Sigma;</mi> <mi>i</mi> </munder> <mfrac> <msup> <mrow> <mo>|</mo> <msub> <mrow> <mo>(</mo> <msub> <mo>&amp;dtri;</mo> <mrow> <mi>l</mi> <mi>m</mi> </mrow> </msub> <mi>x</mi> <mo>)</mo> </mrow> <mi>i</mi> </msub> <mo>|</mo> </mrow> <mn>2</mn> </msup> <mrow> <mn>2</mn> <msqrt> <mrow> <msup> <mrow> <mo>(</mo> <msub> <mrow> <mo>(</mo> <mrow> <msup> <mi>&amp;Delta;</mi> <mrow> <mi>l</mi> <mi>h</mi> </mrow> </msup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </msup> </mrow> <mo>)</mo> </mrow> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msup> <mrow> <mo>(</mo> <msub> <mrow> <mo>(</mo> <mrow> <msup> <mi>&amp;Delta;</mi> <mrow> <mi>m</mi> <mi>v</mi> </mrow> </msup> <msup> <mi>x</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> </msup> </mrow> <mo>)</mo> </mrow> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow> </mfrac> <mo>)</mo> </mrow> </mrow>
7-3)、采用共轭梯度算法对步骤7-2)中的替代式迭代求解，得到估计的高分辨率SAR图像，并表示为x(t+1)；
7-4)、如果成立，则令将x(t+1)作为迭代估计的结果，退出迭代；否则，令t＝t+1，返回步骤7-2)；
8)、将步骤7)迭代估计的结果作为SAR图像x的超分辨率重建结果，并输出。
2.根据权利要求1所述的一种基于欧氏距离正则化的SAR图像超分辨率重建方法，其特征在于，步骤2)中是利用Keren配准算法对输入的多帧SAR图像进行空间配准。
3.根据权利要求1所述的一种基于欧氏距离正则化的SAR图像超分辨率重建方法，其特征在于，所述0<α<1。
4.根据权利要求1所述的一种基于欧氏距离正则化的SAR图像超分辨率重建方法，其特征在于，ε取10-4。
CN201610551986.0A 2016-07-13 2016-07-13 一种基于欧氏距离正则化的sar图像超分辨率重建方法 Expired - Fee Related CN106169183B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610551986.0A CN106169183B (zh) 2016-07-13 2016-07-13 一种基于欧氏距离正则化的sar图像超分辨率重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610551986.0A CN106169183B (zh) 2016-07-13 2016-07-13 一种基于欧氏距离正则化的sar图像超分辨率重建方法

Publications (2)

Publication Number Publication Date
CN106169183A CN106169183A (zh) 2016-11-30
CN106169183B true CN106169183B (zh) 2017-08-25

Family

ID=58065191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610551986.0A Expired - Fee Related CN106169183B (zh) 2016-07-13 2016-07-13 一种基于欧氏距离正则化的sar图像超分辨率重建方法

Country Status (1)

Country Link
CN (1) CN106169183B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112748433A (zh) * 2020-12-28 2021-05-04 成都信息工程大学 一种天气雷达回波垂直结构超分辨率重建方法
CN116908845B (zh) * 2023-09-12 2024-01-16 厦门大学 一种mimo雷达超分辨成像方法、mimo雷达和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103810675B (zh) * 2013-09-09 2016-09-21 深圳市华星光电技术有限公司 图像超分辨率重构系统及方法
CN105205783B (zh) * 2015-09-14 2016-11-16 河海大学 一种联合先验估计的sar图像盲超分辨率重建方法
CN105550988A (zh) * 2015-12-07 2016-05-04 天津大学 基于改进邻域嵌入和结构自相似性的超分辨率重建算法

Also Published As

Publication number Publication date
CN106169183A (zh) 2016-11-30

Similar Documents

Publication Publication Date Title
EP3716198A1 (en) Image reconstruction method and device
Zhou et al. Scale adaptive image cropping for UAV object detection
US20210174524A1 (en) Systems and methods for depth estimation via affinity learned with convolutional spatial propagation networks
CN108573499B (zh) 一种基于尺度自适应和遮挡检测的视觉目标跟踪方法
CN107680116B (zh) 一种监测视频图像中运动目标的方法
US20180349771A1 (en) Sparsity enforcing neural network
US10409888B2 (en) Online convolutional dictionary learning
CN103500449B (zh) 一种星上可见光遥感图像云检测方法
CN105205783B (zh) 一种联合先验估计的sar图像盲超分辨率重建方法
CN106128121B (zh) 基于局部特征分析的车辆排队长度快速检测算法
CN109146925B (zh) 一种动态场景下显著性目标检测方法
CN105427308A (zh) 一种稀疏和稠密特征匹配结合的图像配准方法
CN106169183B (zh) 一种基于欧氏距离正则化的sar图像超分辨率重建方法
CN108182694B (zh) 一种基于插值的运动估计与自适应视频重建方法
CN103793922B (zh) 一种特定姿态实时检测方法
CN105741309A (zh) 一种基于卡方变换和样本选择的遥感影像变化检测方法
CN110728706A (zh) 基于深度学习的sar图像精细配准方法
CN106169174A (zh) 一种图像放大方法
CN102521591B (zh) 一种复杂背景下小目标快速识别方法
CN103632372A (zh) 一种视频显著图提取方法
Li et al. Vehicle object detection based on rgb-camera and radar sensor fusion
CN111369483B (zh) 一种融合多源遥感数据生成高时空分辨率遥感数据的方法
CN102769745B (zh) 插值依赖的图像自适应下采样方法
CN104966296A (zh) 滑窗N-Smoothlets图像边缘检测方法
CN109840539A (zh) 一种基于地块图斑的遥感时空数据融合方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170825

Termination date: 20200713

CF01 Termination of patent right due to non-payment of annual fee