CN106651772A - 一种卫星云图的超分辨率重建方法 - Google Patents
一种卫星云图的超分辨率重建方法 Download PDFInfo
- Publication number
- CN106651772A CN106651772A CN201611062606.3A CN201611062606A CN106651772A CN 106651772 A CN106651772 A CN 106651772A CN 201611062606 A CN201611062606 A CN 201611062606A CN 106651772 A CN106651772 A CN 106651772A
- Authority
- CN
- China
- Prior art keywords
- resolution
- dictionary
- low
- atom
- cloud atlas
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000011159 matrix material Substances 0.000 claims abstract description 48
- 238000013507 mapping Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002969 morbid Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- PTLRDCMBXHILCL-UHFFFAOYSA-M sodium arsenite Chemical compound [Na+].[O-][As]=O PTLRDCMBXHILCL-UHFFFAOYSA-M 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种卫星云图的超分辨率重建方法,首先选取大量的高分辨率和低分辨率云图图像块,组成训练样本,利用改进的K‑SVD的算法训练字典,得到高、低分辨率字典对{Φh,Φl};然后根据字典空间中原子间的相关性,采用最近邻域嵌入算法,求出高、低分辨率字典对中每个原子对应的最近邻映射关系,并建立相应的映射矩阵;对于输入的低分辨率云图图像块,在低分辨率字典中找到与其相关性最高的原子,并根据该原子对应的映射矩阵重建高分辨率云图图像块,最后对重建的高分辨率云图图像块用像素重叠的方法合成重建高分辨率云图图像,本发明的方法不仅能大大缩减重建过程的计算复杂度,而且重建的云图在视觉效果、峰值信噪比、结构相似度上也具有一定的优势。
Description
技术领域
本发明涉及一种图像的重建方法,尤其是涉及一种卫星云图的超分辨率重建方法。
背景技术
看云识天气,气象卫星云图包含了很多重要的气象信息,是预测天气变化及检测云演变过程的重要工具。卫星云图主要分为两类:可见光云图和红外云图。目前,虽然气象卫星可以提供很多成像通道,但是不同通道的图像的分辨率不同。比如红外通道数据的分辨率比较低,这对综合使用多通道的数据进行分析不利,也会增加分析设计的难度,如果对高分辨率通道数据进行抽样,使其与低分辨率通道数据一致,则对宝贵的高精度数据信息是一种浪费。
提高卫星云图分辨率最直接的方法就是改进硬件设备,但是硬件设备的改进往往受到制造工艺和成本的限制,短时间内很难有所突破。因此,我们只能通过特定的算法来提升云图的分辨率。图像的超分辨率重建就是将单帧或多帧低分辨率图像序列恢复为原始的高分辨率图像,目前主要有三种类型方法:基于插值的方法,基于重构的方法,基于学习的方法。基于插值的方法,计算复杂度低,但是重建过程中没有加入任何先验信息,放大倍数较大时图像边缘会出现严重的振铃现象;基于重构的方法,容易出现难以容忍的病态现像;而基于学习的方法,不仅能够提供相应的先验信息,而且克服了基于重构方法容易出现病态的问题,已经成为超分辨率重建的主流研究方向。
Chang等从流形学习理论出发,认为低分辨率图像空间与高分辨图像空间具有相似的流形结构,提出最近邻域嵌入NE(Neighbor Embedding)算法,通过建立低分辨率图像块和高分辨率图像块的映射关系,根据低分辨图像块线性组合来预测对应的高分辨率图像块,但是重建的图像趋于平滑。受压缩感知稀疏表示理论影响,Yang等把稀疏表示应用在图像超分辨率上,假设对应的高低分辨率块,在过完备字典下有相同的稀疏表示,通过联合训练得到一对高、低分辨率字典,对输入的低分辨率图像块求出相应的稀疏表示系数,结合高分辨率字典进行重建。Zeyde等在Yang的基础上应用K-SVD算法提高了训练字典速度,使得重建的图像在视觉效果上有所改善,而且峰值信噪比更高。但是Zeyde和Yang的算法,由于重建过程中稀疏编码的计算,导致重建过程的计算复杂度高,不利于实时处理。
发明内容
本发明所要解决的技术问题是提供一种卫星云图的超分辨率重建的方法,在保持重建云图的质量的同时,大大缩减了重建过程的时间,有利于云图的实时重建。
本发明解决上述技术问题所采用的技术方案为:一种卫星云图的超分辨率重建方法,包括以下步骤:
①建立训练样本集合:选取30到50幅已有的高分辨率云图图像,对这些高分辨率云图图像进行下采样得到对应的低分辨率云图图像,利用像素重叠的方法将高分辨率云图图像分块,并将分块后的图像块定义为高分辨率训练样本块,对每一个高分辨率训练样本块分别减去各自图像块的像素点的均值,得到去除了低频信息的高分辨率训练样本块集合其中l表示高分辨率训练样本块的总数,i表示1到l之间的任意整数,表示高分辨率训练样本块集合中的第i个样本块,然后用四个一维滤波器{f1=[-1,0,1],f2=f1 T,f3=[1,0,-2,0,1],f4=f3 T}对低分辨率云图图像进行特征提取并利用像素重叠的方法分块,得到低分辨率训练样本块集合其中表示低分辨率训练样本块集合中的第i个样本块,T表示矩阵的转置;
②用改进的K-SVD算法对步骤①中的高分辨率训练样本块集合和低分辨率训练样本块集合进行训练,得到高分辨率字典和低分辨率字典,定义为过完备字典对,并将高分辨率字典和低分辨率字典中的列向量分别定义为高分辨率字典原子和低分辨率字典原子;
③求解映射矩阵Pj:
③-1.在过完备字典对中,根据原子的相关性,利用最近邻域算法建立高分辨率字典中每个原子和低分辨率字典中的每个原子的最近邻域映射关系{NH,NL},其中NL是低分辨率字典中某个原子的最近邻域集,NH是高分辨字典中某个原子的最近邻域集,其中{NH,NL}中原子的最近邻域集中的原子个数为小于或等于相应字典中原子总数的任意值;③-2.根据最近邻域映射关系{NH,NL}求解得到映射矩阵Pj,其中j表示不同的原子对应的映射矩阵编号;
④对需要重建的低分辨率云图图像,用四个一维滤波器{f1=[-1,0,1],f2=f1 T,f3=[1,0,-2,0,1],f4=f3 T}进行特征提取并利用像素重叠的方法分块,得到待重建的低分辨率云图图像块集合{y1,y2,...,yk,...,yn},其中n表示待重建的低分辨率云图图像块的总数,k表示1到n之间的任意整数,yk表示待重建的低分辨率云图图像块的的第k个图像块;
⑤对待重建低分辨率云图图像块yk,利用相关性,在低分辨率字典中找到与它最相关的原子,并找到该原子对应的高分辨率字典原子和低分辨率字典原子的最近邻域映射关系{NH,NL},然后根据映射关系找到对应的映射矩阵Pj;
⑥对待重建的低分辨率云图块yk,利用公式进行重建得到相应的高分辨率云图块
⑦对于重建得到的高分辨率云图块利用像素重叠的方法合成重建高分辨率云图图像
所述的步骤②中用改进的K-SVD算法对步骤①中的高分辨率训练样本块集合和低分辨率训练样本块集合进行训练,得到高分辨率字典和低分辨率字典的具体方法为:
②-1:将原K-SVD算法中的数学模型
修改为
其中Φl是低分辨率过完备字典,A,W∈Rm×l都为m行l列的矩阵,A为稀疏系数矩阵,包含了所有的稀疏表示系数向量αi,αi是一个m维的列向量,K为稀疏度,表示稀疏表示系数向量αi中不为0系数的个数的上限,A⊙W=0表示如果矩阵A中的某个位置的元素不为0,则矩阵W对应位置的元素就为0,若A中的某个位置的元素为0,则矩阵W对应位置的元素就为1;
②-2:将步骤②-1中求得的稀疏系数矩阵A用于以下公式:
其中,Φh为高分辨率过完备字典,由广义逆矩阵的方法得到高分辨率字典:Φh=XsA+=XsAT(AAT)-1。
所述的步骤③-2中根据最近邻域映射关系{NH,NL}求解映射矩阵P的具体方法为:
③-1:在过完备字典对中,对字典中的每个原子,根据字典原子间的相关性,利用最近邻域算法建立高分辨率字典原子和低分辨率字典原子的最近邻的映射关系{NH,NL};
③-2:将求解低分辨率字典的最近邻域嵌入系数β的数学模型表示为:
其中β是待求解的系数,为β的近似解,λ是权重系数,用来缓解奇异性问题并且保证系数分解的稳定性,y是低分辨率云图图像块,利用岭回归的方法得到为:
其中I是与大小相同的单位矩阵,把与NL对应的高分辨率云图图像块的最近邻域集NH和相结合,得到高分辨率云图图像块
则得到映射矩阵
所述的像素重叠是指相邻的图像块之间有1个或2个像素是相同的。
与现有技术相比,本发明的优点在于:利用改进的K-SVD算法对①中得到的高分辨率和低分辨率云图图像块训练样本集合进行字典训练,得到高分辨率过完备字典和低分辨率过完备字典。在过完备字典对中,对低分辨率字典和高分辨率字典中的每个原子求解对应的映射矩阵。对待重建的低分辨率云图图像块自适应选择映射矩阵进行重建,对重建的高分辨率云图图像块利用像素重叠的方法合成高分辨率云图图像。本方法不仅重建过程的计算复杂度大大降低,而且能够很好的重构出云图的纹理、轮廓结构,得到更高峰值信噪比和结构相似度。
附图说明
图1表示为采用改进的K-SVD算法与K-SVD算法训练字典的比较效果,其中图1(a)表示训练样本的表示误差的对比结果,图1(b)为测试样本的表示误差对比结果;
图2为本文方法与其他方法对图3(2)的重建结果比较,图2(a)表示原始图像,图2(b)表示Bicubic算法重建图像,图2(c)表示Yang et al.的算法重建图像,图2(d)表示Zeyde et al.的算法重建图像,图2(e)表示NE算法重建图像,图2(f)表示ANR算法重建图像,图2(g)表示本文方法重建图像;
图3给出用于验证本方法有效性的5幅测试卫星云图图像。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
在下列的实施例中,对于重建后的云图图像的质量评价方法如下:
利用峰值信噪比(PSNR)和结构相似度(SSIM)这两个评价指标来评价重建云图的效果,峰值信噪比(PSNR)为:MSE值越低越好,效果越好,能较准确地将其误差的实际情况反映出来。PSNR值越高,代表所获得的结果图像失真越小,越接近原始图像。结构相似度(SSIM)为:
其中x,y分别表示原始云图和重建云图在相同位置的云图块,μx和μy分别表示原始云图和重建云图在相同位置的云图块的均值,σxy为两个图像块的协方差,σx和σy分别表示原始云图和重建云图在相同位置的云图块的方差,c1和c2为相应的固定参数。结构相似度(SSIM)的范围为0~1,SSIM的值越高说明重建的云图与原始云图的相似度越高,重建的质量也越好。
本发明提出的一种卫星云图的超分辨率重建的方法,其包括以下步骤:
训练阶段:共①~③步。
①建立训练样本集合:选取30幅已有的高分辨率云图图像,对这些高分辨率云图图像进行下采样得到对应的低分辨率云图图像,利用像素重叠的方法将高分辨率云图图像分块,相邻的高分辨云图图像块之间重叠一个像素,并将分块后的图像块定义为高分辨率训练样本块,对每一个高分辨率训练样本块分别减去各自图像块的像素点的均值,得到去除了低频信息的高分辨率训练样本块集合其中l表示高分辨率训练样本块的总数l=10000,i表示1到l之间的任意整数,表示高分辨率训练样本块集合中的第i个样本块,然后用四个一维滤波器{f1=[-1,0,1],f2=f1 T,f3=[1,0,-2,0,1],f4=f3 T}对低分辨率云图图像进行特征提取并利用像素重叠的方法分块,相邻的低分辨云图图像块之间重叠一个像素,得到低分辨率训练样本块集合其中表示低分辨率训练样本块集合中的第i个样本块,T表示矩阵的转置;。
②用改进的K-SVD算法对步骤①中的高分辨率训练样本块集合和低分辨率训练样本块集合进行训练,得到高分辨率字典和低分辨率字典,定义为过完备字典对,并将高分辨率字典和低分辨率字典中的列向量分别定义为高分辨率字典原子和低分辨率字典原子,高分辨率字典和低分辨率字典的大小都为512,即字典中有512个原子;
步骤②中用改进的K-SVD算法对步骤①中的高分辨率训练样本块集合和低分辨率训练样本块集合进行训练,得到高分辨率字典和低分辨率字典的具体方法为:②-1:将原K-SVD算法中的数学模型修改为其中Φl是低分辨率过完备字典,A,W∈Rm×l都为m行l列的矩阵,A为稀疏系数矩阵,包含了所有的稀疏表示系数向量αi,αi是一个m维的列向量,K为稀疏度,表示稀疏表示系数向量αi中不为0系数的个数的上限,A⊙W=0表示如果矩阵A中的某个位置的元素不为0,则矩阵W对应位置的元素就为0,若A中的某个位置的元素为0,则矩阵W对应位置的元素就为1;
②-2:将步骤②-1中求得的稀疏系数矩阵A用于以下公式:
其中,Φh为高分辨率过完备字典,由广义逆矩阵的方法得到高分辨率字典:
Φh=XsA+=XsAT(AAT)-1。
③求解映射矩阵Pj:
③-1.在过完备字典对中,根据原子的相关性,利用最近邻域算法建立高分辨率字典中每个原子和低分辨率字典中的每个原子的最近邻域映射关系{NH,NL},其中NL是低分辨率字典中某个原子的最近邻域集,NH是高分辨字典中某个原子的最近邻域集,其中{NH,NL}中原子的最近邻域集中的原子个数为小于或等于相应字典中原子总数的任意值,这里设置为40;③-2.根据最近邻域映射关系{NH,NL}求解得到映射矩阵Pj,其中j表示不同的原子对应的映射矩阵编号;
步骤③-2中根据最近邻域映射关系{NH,NL}求解映射矩阵P的具体方法为:
将求解低分辨率字典的最近邻域嵌入系数β的数学模型表示为:
其中β是待求解的系数,为β的近似解,λ是权重系数,用来缓解奇异性问题并且保证系数分解的稳定性,y是低分辨率云图图像块,利用岭回归的方法得到为:
其中I是与大小相同的单位矩阵,把与NL对应的高分辨率云图图像块的最近邻域集NH和相结合,得到高分辨率云图图像块
则得到映射矩阵
重建阶段:共④~⑦步
④对需要重建的低分辨率云图图像,用四个一维滤波器{f1=[-1,0,1],f2=f1 T,f3=[1,0,-2,0,1],f4=f3 T}进行特征提取并利用像素重叠的方法分块,相邻的低分辨率云图图像块之间重叠一个像素,得到待重建的低分辨率云图图像块集合{y1,y2,...,yk,...,yn},其中n表示待重建的低分辨率云图图像块的总数,k表示1到n之间的任意整数,yk表示待重建的低分辨率云图图像块的的第k个图像块;
⑤对待重建低分辨率云图图像块yk,利用相关性,在低分辨率字典中找到与它最相关的原子,并找到该原子对应的高分辨率字典原子和低分辨率字典原子的最近邻域映射关系{NH,NL},然后根据映射关系找到对应的映射矩阵Pj;
⑥对待重建的低分辨率云图块yk,利用公式进行重建得到相应的高分辨率云图块
⑦对于重建得到的高分辨率云图块利用像素重叠的方法合成重建高分辨率云图图像这里相邻的高分辨率云图图像块之间重叠一个像素。
对重建的高分辨率云图图像进行质量评价:
通过数值实验来验证本发明所提出的卫星云图的超分辨率重建的方法的有效性,选取了附图3中的5幅卫星云图进行分析,整个实验测试平台为Inter(R)Xeon(R)CPU E5-2403V2 1.80GHz,Matlab版本2014b。大部分图像超分辨算法都关注于提高重建图像的质量,却往往忽视了重建的效率也是值得考虑的问题。在表1中给出了本文与Yang et al.、Zeyde et al.和NE算法在重建时间上的对比。
表1不同超分辨率算法重建的时间/s
如表1所示,本文方法重建的时间相对于其它算法降低了几倍甚至几十倍。与Yanget al.和Zeyde et al.的算法相比,重建时对待重建的低分辨率云图图像块,通过寻找已经建立的映射矩阵进行重建,避免了稀疏表示算法重建过程的稀疏编码过程,使得重建过程的计算复杂度大大降低;与NE算法相比,NE算法要对每一待重建的低分辨率云图图像块需要计算出相应权重系数并进行重建,所以计算复杂度更高。
在重建效率提高的同时,希望重建云图的质量也得到保证。如表2和表3中给出了本文方法与双三次方插值Bicubic、Yang et al.、Zeyde et al.、最近邻域嵌入算法NE和固定邻域回归算法ANR的峰值信噪比(PSNR)和结构相似度(SSIM)的对比结果。
表2不同超分辨率算法重建的PSNR/dB
表3不同超分辨率算法重建的SSIM
如表2和表3所示,本文方法与其它的算法比较,在峰值信噪比(PSNR)上是最大的,平均高出0.17dB到1.41dB。同时在结构相似度(SSIM)方面,虽然与其他算法比较提升不大,但还是有所提高。因此,本文算法在提高重建效率的情况下,确实保证了重建云图的质量。
为了更直观的反应重建的效果,还与双三次方插值Bicubic算法、Yang et al.、Zeyde et al.、最近邻域嵌入算法NE和固定邻域回归算法ANR进行重建云图视觉效果对比。本文中放大倍数s=3,在附图3中选取一幅云图作为参考,进行不同算法下的视觉重建效果对比,如附图2所示是附图3(2)图像的对比效果。在附图2中图片中的指定区域内,双线性插值Bicubic算法重建的效果过于平滑,没有体现过多的细节;NE算法恢复了部分的纹理细节信息,但是边缘过于平滑;Yang et al.、Zeyde et al.和ANR算法重建的纹理细节比较丰富,但是出现了部分虚假信息;而本文方法不仅重建的纹理细节信息丰富而且边缘也更加尖锐,视觉效果更好。
本发明受稀疏表示理论和NE算法的启发,并引入一种改进的K-SVD算法用于字典的训练,提出一种云图超分辨率方法。根据字典空间中原子间的相关性,采用最近邻域嵌入算法,求出高、低分辨率字典对中每个原子对应的最近邻映射关系,并建立相应的映射矩阵。对输入的待重建低分辨率云图图像块,根据相关性找到相应的映射矩阵进行超分辨率重建。对红外云图和可见光云图进行了数值实验,实验结果验证了本方法的有效性,不仅重建过程的计算复杂度大大降低,而且能够很好的重构出云图的纹理、轮廓结构,得到更高峰值信噪比和结构相似度。
Claims (4)
1.一种卫星云图的超分辨率重建方法,其特征在于包括以下步骤:
①建立训练样本集合:选取30到50幅已有的高分辨率云图图像,对这些高分辨率云图图像进行下采样得到对应的低分辨率云图图像,利用像素重叠的方法将高分辨率云图图像分块,并将分块后的图像块定义为高分辨率训练样本块,对每一个高分辨率训练样本块分别减去各自图像块的像素点的均值,得到去除了低频信息的高分辨率训练样本块集合其中l表示高分辨率训练样本块的总数,i表示1到l之间的任意整数,表示高分辨率训练样本块集合中的第i个样本块,然后用四个一维滤波器{f1=[-1,0,1],f2=f1 T,f3=[1,0,-2,0,1],f4=f3 T}对低分辨率云图图像进行特征提取并利用像素重叠的方法分块,得到低分辨率训练样本块集合其中表示低分辨率训练样本块集合中的第i个样本块,T表示矩阵的转置;
②用改进的K-SVD算法对步骤①中的高分辨率训练样本块集合和低分辨率训练样本块集合进行训练,得到高分辨率字典和低分辨率字典,定义为过完备字典对,并将高分辨率字典和低分辨率字典中的列向量分别定义为高分辨率字典原子和低分辨率字典原子;
③求解映射矩阵Pj:
③-1.在过完备字典对中,根据原子的相关性,利用欧氏距离公式求解高分辨率字典中每个原子和低分辨率字典中的每个原子的最近邻域映射关系{NH,NL},其中NL是低分辨率字典中某个原子的最近邻域集,NH是高分辨字典中某个原子的最近邻域集,其中{NH,NL}中原子的最近邻域集中的原子个数为小于或等于相应字典中原子总数的任意值;
③-2.根据最近邻域映射关系{NH,NL}求解得到映射矩阵Pj,其中j表示不同的原子对应的映射矩阵编号;
④对需要重建的低分辨率云图图像,用四个一维滤波器{f1=[-1,0,1],f2=f1 T,f3=[1,0,-2,0,1],f4=f3 T}进行特征提取并利用像素重叠的方法分块,得到待重建的低分辨率云图图像块集合{y1,y2,...,yk,...,yn},其中n表示待重建的低分辨率云图图像块的总数,k表示1到n之间的任意整数,yk表示待重建的低分辨率云图图像块的的第k个图像块;
⑤对待重建低分辨率云图图像块yk,利用相关性,在低分辨率字典中找到与它最相关的原子,并找到该原子对应的高分辨率字典原子和低分辨率字典原子的最近邻域映射关系{NH,NL},然后根据映射关系找到对应的映射矩阵Pj;
⑥对待重建的低分辨率云图块yk,利用公式进行重建得到相应的高分辨率云图块
⑦对于重建得到的高分辨率云图块利用像素重叠的方法合成重建高分辨率云图图像
2.如权利要求1所述的一种卫星云图的超分辨率重建方法,其特征在于所述的步骤②中用改进的K-SVD算法对步骤①中的高分辨率训练样本块集合和低分辨率训练样本块集合进行训练,得到高分辨率字典和低分辨率字典的具体方法为:
②-1:将原K-SVD算法中的数学模型
||αi||0≤K,修改为
||αi||0≤K,A⊙W=0
其中Φl是低分辨率过完备字典,A,W∈Rm×l都为m行l列的矩阵,A为稀疏系数矩阵,包含了所有的稀疏表示系数向量αi,αi是一个m维的列向量,K为稀疏度,表示稀疏表示系数向量αi中不为0系数的个数的上限,A⊙W=0表示如果矩阵A中的某个位置的元素不为0,则矩阵W对应位置的元素就为0,若A中的某个位置的元素为0,则矩阵W对应位置的元素就为1;
②-2:将步骤②-1中求得的稀疏系数矩阵A用于以下公式:
其中,Φh为高分辨率过完备字典,由广义逆矩阵的方法得到高分辨率字典:Φh=XsA+=XsAT(AAT)-1。
3.如权利要求1所述的一种卫星云图的超分辨率重建方法,其特征在于所述的步骤③-2中根据最近邻域映射关系{NH,NL}求解映射矩阵P的具体方法为:
③-1:在过完备字典对中,对字典中的每个原子,根据字典原子间的相关性,利用最近邻域算法建立高分辨率字典原子和低分辨率字典原子的最近邻的映射关系{NH,NL};
③-2:将求解低分辨率字典的最近邻域嵌入系数β的数学模型表示为:
其中β是待求解的系数,为β的近似解,λ是权重系数,用来缓解奇异性问题并且保证系数分解的稳定性,y是低分辨率云图图像块,利用岭回归的方法得到为:
其中I是与大小相同的单位矩阵,把与NL对应的高分辨率云图图像块的最近邻域集NH和相结合,得到高分辨率云图图像块
则得到映射矩阵
4.如权利要求1所述的一种卫星云图的超分辨率重建方法,其特征在于所述的像素重叠是指相邻的图像块之间有1个或2个像素是相同的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611062606.3A CN106651772B (zh) | 2016-11-25 | 2016-11-25 | 一种卫星云图的超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611062606.3A CN106651772B (zh) | 2016-11-25 | 2016-11-25 | 一种卫星云图的超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106651772A true CN106651772A (zh) | 2017-05-10 |
CN106651772B CN106651772B (zh) | 2020-06-16 |
Family
ID=58812769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611062606.3A Active CN106651772B (zh) | 2016-11-25 | 2016-11-25 | 一种卫星云图的超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651772B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169928A (zh) * | 2017-05-12 | 2017-09-15 | 武汉华大联创智能科技有限公司 | 一种基于深层线性映射学习的人脸超分辨率重建算法 |
CN109360148A (zh) * | 2018-09-05 | 2019-02-19 | 北京悦图遥感科技发展有限公司 | 基于混合随机降采样的遥感影像超分辨率重构方法和装置 |
CN109905717A (zh) * | 2017-12-11 | 2019-06-18 | 四川大学 | 一种基于空时域下采样与重建的h.264/avc编码优化方法 |
CN111382716A (zh) * | 2020-03-17 | 2020-07-07 | 上海眼控科技股份有限公司 | 数值模式的天气预测方法、装置、计算机设备和存储介质 |
CN111861884A (zh) * | 2020-07-15 | 2020-10-30 | 南京信息工程大学 | 一种基于深度学习的卫星云图超分辨率重建方法 |
CN112446908A (zh) * | 2020-11-18 | 2021-03-05 | 中国科学院上海技术物理研究所 | 一种基于几何纹理的热红外影像控制点提取方法 |
CN112669201A (zh) * | 2020-12-25 | 2021-04-16 | 知天(珠海横琴)气象科技有限公司 | 一种基于红外光的可见光云图转换方法、系统及其终端 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101950365B (zh) * | 2010-08-30 | 2012-07-04 | 西安电子科技大学 | 基于ksvd字典学习的多任务超分辨率图像重构方法 |
CN102156875B (zh) * | 2011-03-25 | 2013-04-03 | 西安电子科技大学 | 基于多任务ksvd字典学习的图像超分辨率重构方法 |
CN103116880A (zh) * | 2013-01-16 | 2013-05-22 | 杭州电子科技大学 | 一种基于稀疏表示和多残差的图像超分辨率重建方法 |
US9208537B1 (en) * | 2014-07-10 | 2015-12-08 | Shenzhen China Star Optoelectronics Technology Co., Ltd | Super-resolution reconstructing method for enhancing smoothness and sharpness of video image |
CN105931181B (zh) * | 2016-04-14 | 2018-10-26 | 武汉大学 | 基于非耦合映射关系的影像超分辨率重建方法及系统 |
-
2016
- 2016-11-25 CN CN201611062606.3A patent/CN106651772B/zh active Active
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169928A (zh) * | 2017-05-12 | 2017-09-15 | 武汉华大联创智能科技有限公司 | 一种基于深层线性映射学习的人脸超分辨率重建算法 |
CN109905717A (zh) * | 2017-12-11 | 2019-06-18 | 四川大学 | 一种基于空时域下采样与重建的h.264/avc编码优化方法 |
CN109360148A (zh) * | 2018-09-05 | 2019-02-19 | 北京悦图遥感科技发展有限公司 | 基于混合随机降采样的遥感影像超分辨率重构方法和装置 |
CN109360148B (zh) * | 2018-09-05 | 2023-11-07 | 北京悦图遥感科技发展有限公司 | 基于混合随机降采样的遥感影像超分辨率重构方法和装置 |
CN111382716A (zh) * | 2020-03-17 | 2020-07-07 | 上海眼控科技股份有限公司 | 数值模式的天气预测方法、装置、计算机设备和存储介质 |
CN111861884A (zh) * | 2020-07-15 | 2020-10-30 | 南京信息工程大学 | 一种基于深度学习的卫星云图超分辨率重建方法 |
CN111861884B (zh) * | 2020-07-15 | 2023-05-16 | 南京信息工程大学 | 一种基于深度学习的卫星云图超分辨率重建方法 |
CN112446908A (zh) * | 2020-11-18 | 2021-03-05 | 中国科学院上海技术物理研究所 | 一种基于几何纹理的热红外影像控制点提取方法 |
CN112669201A (zh) * | 2020-12-25 | 2021-04-16 | 知天(珠海横琴)气象科技有限公司 | 一种基于红外光的可见光云图转换方法、系统及其终端 |
CN112669201B (zh) * | 2020-12-25 | 2023-09-12 | 知天(珠海横琴)气象科技有限公司 | 一种基于红外光的可见光云图转换方法、系统及其终端 |
Also Published As
Publication number | Publication date |
---|---|
CN106651772B (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651772A (zh) | 一种卫星云图的超分辨率重建方法 | |
CN102722865B (zh) | 一种超分辨率稀疏重建方法 | |
CN102968766B (zh) | 基于字典数据库的自适应图像超分辨率重构方法 | |
CN104899830B (zh) | 一种图像超分辨方法 | |
CN106204447A (zh) | 基于总变差分和卷积神经网络的超分辨率重建方法 | |
CN103020909B (zh) | 基于多尺度结构自相似与压缩感知的单图像超分辨率方法 | |
CN107274462A (zh) | 基于熵和几何方向的分类多字典学习磁共振图像重建方法 | |
CN103455988B (zh) | 基于结构自相似性与稀疏表示的超分辨率图像重构方法 | |
CN105631807A (zh) | 基于稀疏域选取的单帧图像超分辨重建方法 | |
CN105741252A (zh) | 基于稀疏表示与字典学习的视频图像分级重建方法 | |
CN108830790A (zh) | 一种基于精简卷积神经网络的快速视频超分辨率重建方法 | |
CN103903236B (zh) | 人脸图像超分辨率重建的方法和装置 | |
CN102306374B (zh) | 一种位置块非线性映射的人脸图像超分辨率重建方法 | |
Luo et al. | Lattice network for lightweight image restoration | |
CN105654425A (zh) | 一种应用于医学x光图像的单幅图像超分辨率重建方法 | |
CN106886978A (zh) | 一种图像的超分辨率重建方法 | |
CN116091313A (zh) | 一种图像超分辨率网络模型和重建方法 | |
CN104463785A (zh) | 一种超声图像的放大方法及装置 | |
CN113469906A (zh) | 一种用于图像修复的跨层全局和局部感知网络的方法 | |
CN106600533A (zh) | 单图像超分辨率重建方法 | |
CN109559278B (zh) | 基于多特征学习的超分辨图像重建方法及系统 | |
CN102842123B (zh) | 图像上采样中边缘清晰度提升的稀疏域残差补偿修正方法 | |
CN113850721A (zh) | 单幅图像超分辨率重建方法、装置、设备及可读存储介质 | |
CN104200439A (zh) | 基于自适应滤波和正则约束的图像超分辨方法 | |
CN107995488B (zh) | 一种基于直线扩展收缩模式的图像缩放方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |