CN108550109A - 一种基于nsct的积分平差遥感影像超分辨率重建方法 - Google Patents

一种基于nsct的积分平差遥感影像超分辨率重建方法 Download PDF

Info

Publication number
CN108550109A
CN108550109A CN201810097746.7A CN201810097746A CN108550109A CN 108550109 A CN108550109 A CN 108550109A CN 201810097746 A CN201810097746 A CN 201810097746A CN 108550109 A CN108550109 A CN 108550109A
Authority
CN
China
Prior art keywords
nsct
image
adjustment
remote sensing
subband
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.)
Pending
Application number
CN201810097746.7A
Other languages
English (en)
Inventor
周璀
周靖鸿
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.)
Central South University of Forestry and Technology
Original Assignee
Central South University of Forestry and Technology
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 Central South University of Forestry and Technology filed Critical Central South University of Forestry and Technology
Priority to CN201810097746.7A priority Critical patent/CN108550109A/zh
Publication of CN108550109A publication Critical patent/CN108550109A/zh
Pending legal-status Critical Current

Links

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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

非下采样轮廓波变换(NSCT)具有真正意义上的多尺度、多方向分析，目前已被广泛地应用到遥感影像融合当中。NSCT用于超分辨率重建目前已经有些研究，但目前的方法只是将NSCT分解后的高频信息进行简单的处理，并没用充分利用各影像的高频信息。为此，本发明利用NSCT分解，将获得的高低频子带经上采样插值后再进行积分平差，利用像素点与周围点建立积分平差模型，利用测量平差的最小二乘原理将影像的时间分辨率转化为空间分辨率，以实现影像的超分辨率重建。实验结果表明，新方法较传统常见方法具有更好的重建能力，且该方法对遥感影像含常见混合噪声的情况下表现出较强的鲁棒性。

Description

一种基于NSCT的积分平差遥感影像超分辨率重建方法
技术领域
本发明涉及一种遥感影像处理方法，尤其涉及一种基于NSCT的积分平差遥感影像超分辨率重建方法。
背景技术
非下采样轮廓波变换(nonsubsampled Contourlet transform,NSCT)具有真正意义上的多尺度、多方向分析，目前已被广泛地应用到遥感影像融合当中。NSCT用于超分辨率重建目前已经有些研究，但目前的方法只是将NSCT分解后的高频信息进行简单的处理，并没用充分利用各影像的高频信息。
发明内容
本发明要解决的技术问题是克服现有技术的不足，提供一种超分辨率重建能力强，并且鲁棒性好的基于NSCT的积分平差遥感影像超分辨率重建方法。
一种基于NSCT的积分平差遥感影像超分辨率重建方法，包括以下步骤1)设置NSCT变换级数N和方向数2N，至少对两幅原始遥感影像a和b进行NSCT分解获得各NSCT系数：
其中与分别为低分辨率影像a、b经N层NSCT分解后获得的低频子带与2N个方向上的高频子带；
2)对各子带影像进行插值放大，最终获得a和b两个影像各自子带的插值结果；
3)将插值后的各子带影像分别进行积分平差处理求取最优解，获得平差后的各子带影像；针对二维NSCT系数建立积分平差模型，模型表达式为：
其中Li为i点的像素值，Vi为改正数，vi为点i积分空间的范围，f(x,y)为客体表面函数，(x,y)表示i点坐标，ds对应dxdy；
以上对各NSCT系数积分平差的过程可表示：
其中分别表示子带iLa与iLb，iHa1与与的积分平差结果，In-Ad表示积分平差过程；
4)对平差后的各NSCT系数做NSCT逆变换，得最终积分平差法的重建结果；
其中SR为超分辨重建结果，iNSCT表示NSCT逆变换。
上述的一种基于NSCT的积分平差遥感影像超分辨率重建方法，优选的，所述步骤2)中采用双三次插值方法对NSCT分解后的各个频段进行双三次插值：
其中Bi-In表示双三次插值的过程，最终获得两影像各子带的插值结果。
与现有技术相比，本发明的优点在于：本发明的基于NSCT的积分平差遥感影像超分辨率重建方法是一种实用的超分辨率重建算法，重建能力强，并且鲁棒性好。
附图说明
图1为NSCT非下采样滤波器组的示意图。
图2为NSCT频域划分示意图。
图3为误差方程系数阵。
图4为第一组原始影像。
图5为对图4进行IBP法重建的结果。
图6为对图4进行POCS法重建的结果。
图7为对图4进行文献[1]重建方法的结果。
图8为对图4进行本发明的重建方法的重建结果。
图9为第二组原始影像。
图10为对图9进行IBP法重建的结果。
图11为对图9进行POCS法重建的结果。
图12为对图9进行文献[1]重建方法的结果。
图13为对图9进行本发明的重建方法的重建结果。
图14为对图4进行隔点降采样获得的tj01A影像图。
图15为对图4进行隔点降采样获得的tj01B影像图。
图16是混合噪声为0.02/0.001时对图4采用IBP法重建结果。
图17是混合噪声为0.02/0.001时对图4采用POCS法重建结果。
图18是混合噪声为0.02/0.001时对图4采用文献[1]法重建结果。
图19是混合噪声为0.02/0.001时对图4采用本方法重建的结果。
图20为表3积分平差法在NSCT分解不同级数与不同方向数时的结果图。
具体实施方式
为了便于理解本发明，下文将结合较佳的实施例对本发明作更全面、细致地描述，但本发明的保护范围并不限于以下具体的实施例。
除非另有定义，下文中所使用的所有专业术语与本领域技术人员通常理解的含义相同。本文中所使用的专业术语只是为了描述具体实施例的目的，并不是旨在限制本发明的保护范围。
实施例1
一种基于NSCT的积分平差遥感影像超分辨率重建方法，包括以下步骤1)设置NSCT变换级数N和方向数2N，至少对两幅原始遥感影像a和b进行NSCT分解获得各NSCT系数。
NSCT通过将非降采样方向滤波器、塔式滤波器相结合可实现真正意义上的多分辨率分析。利用滤波器的下采样代替数据的下采样过程，使得分解后影像的尺寸不会发生变化。该过程如图1和图2所示：
经NSCT将影像进行N层分解，得1个低频子图与2N个方向高频子图。通过图1可知方向滤波器的方向数由分解层数来确定，当进行N层分解时对应2N个方向。此分解过程体现了NSCT多方向、多尺度分解等特性，是影像多分辨率分析的有用工具。其分解过程可用式(1)表示。
(1)
其中L1，H1，H2...分别为低频子带与2N个方向上的高频子带，NSCTN为N层NSCT分解，i为原图。
其中与分别为低分辨率影像a、b经N层NSCT分解后获得的低频子带与2N个方向上的高频子带；
2)对各子带影像进行插值放大，最终获得a和b两个影像各自子带的插值结果。
重建过程涉及到影像图幅的放大，为使影像的图幅增大，过程中需要进行插值处理。本发明中采用双三次插值方法对NSCT分解后的各个频段进行双三次插值：
其中Bi-In表示双三次插值的过程，最终获得两影像各子带的插值结果。
3)将插值后的各子带影像分别进行积分平差处理求取最优解，获得平差后的各子带影像；
针对二维NSCT系数建立积分平差模型，模型表达式为：
其中Li为i点的像素值，Vi为改正数，vi为点i积分空间的范围，f(x,y)为客体表面函数，(x,y)表示i点坐标，ds对应dxdy。
通过以上模型可得观测值和待求量之间是一种积分表达。该模型适用于空间域，此时观测值表示的是影像的灰度值；同时模型也适用于频率域，通过小波、轮廓波、NSCT为工具变换获得同时具有空间域、频率域特性的各高低频子图，观测值便可以是这些高低频子图上的某一坐标位置处的对应值。
客体表面函数f(x,y)的形式可以是多项式、小波函数、傅里叶函数等，取f(x,y)为三次多项式时(4)式化为：
其中Li为观测值，Vi、vi同式(4)，XT＝(a0,a1,a2,a3,a4,a5,a6,a7,a8,a9)表示三次多项式的系数值，Bi为误差方程的系数矩阵，且Bi＝(Bi,1,Bi,2,Bi,3,Bi,4,Bi,5,Bi,6,Bi,7,Bi,8,Bi,9,Bi,10)，各项求取式：
当点i(m,n)为子带影像上确定的某点时如图3：
点i(m,n)处的参数Bi,2,Bi,3,Bi,4,Bi,5,Bi,6,Bi,7,Bi,8,Bi,9,Bi,10的求取过程可结合图3中Bi,1的积分过程与式(6)中的积分函数依次求得，积分空间vi为影像左上角原点至i点的空间范围，这样通过积分求得该点误差方程的系数矩阵Bi。对于该点与其周围8点均可以建立(4)式的积分模型，共产生9个观测方程，则对应另一观测影像的对应窗口范围内也可产生9个观测方程。对于上述10参数Bi模型只要两组以上对应NSCT系数就能进行平差求解。根据最小二乘原理，(4)式须满足VTPV＝min原则，此时法方程：
NBBX-W＝0
NBB＝BTPB,W＝BTPL
(7)
其中B为点i对应的系数阵Bi的集合，此时近似取权阵P为单位阵，L为点i对应的观测阵Li的集合。
根据求得的结果可以获得最终观测点的平差值：
这样通过建立积分平差模型，再进行平差解算，以求得NSCT系数的最优解值。以上对各NSCT系数积分平差的过程可表示：
其中分别表示子带iLa与iLb，iHa1与与的积分平差结果，In-Ad表示积分平差过程。
4)对平差后的各NSCT系数做NSCT逆变换，得最终积分平差法的重建结果；
其中SR为超分辨重建结果，iNSCT表示NSCT逆变换。
对比实验
不含噪声实验
采用两组遥感影像数据验证所提出方法的有效性。第一组为原影像tj01(256×256)进行隔点降采样获得的两幅影像tj01A、tj01B。第一组影像如图4所示，图14和图15分别为对图4进行隔点降采样获得的tj01A和tj01B的影响图。第二组为原影像tj02(512×512)进行隔点降采样获得的两幅影像tj02A、tj02B，图9为第二组原始影像图。隔点降采样是模拟遥感影像的成像过程，这样处理能使影像对之间存在信息的交互，符合实际遥感影像的成像原理。同时可将重建获得的影像与原图tj01、tj02来定量对比，以分析方法的优劣。
实验中本文算法先对影像(tj01A,tj01B)、(tj02A,tj02B)进行亚像素级配准，获得影像间各像素的配准信息。为能够很好地对影像细节进行平差，NSCT采用1级2向分解，方向滤波器与塔式滤波器分别选取效果较好的'dmaxflat7'与'maxflat'，然后与经典的迭代反投影法(Iterative Back Projection,IBP)(Gevrekci M,Gunturk B K.SuperResolution Approaches for Photometrically Diverse Image Sequences[C]//ICASSP(1).2007:757-760.)与凸集投影法(Projections Onto Convex Set,POCS)(Y.Zhou,"APOCS method for iterative deblending constrained by a blending mask,"Journalof Applied Geophysics,vol.138,no.pp.245-254,2017.)重建方法及文献[1](YANGZhenping,NIU Hai-jun,DING Lei.A New Image Super-Resolution Restoration MethodBy NSCT[J].Journal of XidianUniversity,2012,39(1):34-37.)算法进行对比。
图5-图8分别为对图4进行IBP法、POCS法、文献[1]方法和本发明方法重建的结果。
图10-图13分别为对图9进行IBP法、POCS法、文献[1]方法和本发明方法重建的结果。
实验选用峰值信噪比(peak signal to noise ratio，PSNR)与均方根误差(root-mean-square error，RMSE)作为重建结果的定量评价指标，两参数均能客观反映重建影像与原参考影像间的差异，用来评价重建影像分辨率的变化与损失。实验结果见表1。
表1不含噪声时各超分辨方法重建结果
(a)tj01A-tj01B (b)tj02A-tj02B
含有噪声的实验
为验证本发明的算法在实际遥感影像重建过程中的鲁棒性，进行含噪声实验。对影像(tj01A，tj01B)加入遥感影像中常见的四种混合噪声类型：0.01/0.0005、0.02/0.001、0.05/0.001、0.1/0.01，每组数据的前一个值代表的是高斯噪声方差，后一个值代表的是脉冲噪声的密度。然后分别用POCS法、IBP法、文献[1]算法和本文算法进行对比实验。实验结果见表2。图14和图15分别为对图4进行隔点降采样获得的tj01A和tj01B的影响图。图16-图19分别为混合噪声为0.02/0.001时对图4采用IBP法、POCS法、文献【1法】和本发明方法重建的结果。
表2含混合噪声时各超分辨方法的重建结果
PSNR与RMSE是用来衡量两幅低分辨率影像重建得到的高分辨率影像与原影像分辨率的对比结果，是目前广泛被接受为超分辨率重建结果的客观评价指标，其中PSNR值越大且RMSE值越小表示重建效果越好，反之则重建效果较差。针对不含噪声的两对影像对(tj01A,tj01B)、(tj02A,tj02B)从图4中可以看出本文方法的重建效果无论是在建筑物线条的平滑度还是在影像总体清晰度上都较IBP法、POCS法、文献[1]方法等重建方法优越，且重建结果的PSNR指标要明显高于其他方法，RMSE这一项指标也是明显低于其他方法的，证明本文算法的有效可行。
从各方法鲁棒性对比实验中可以看出，针对遥感影像中常见的混合噪声情况，虽然在不存在噪声时IBP法的重建效果较POCS法要优越，但在各类混合噪声情况下能看出IBP法重建过程的鲁棒性明显不及POCS法。而且从图4的定性分析与表2中实验结果的定量对比可以看出本文重建算法的鲁棒性要明显优于IBP法与POCS法，而且在重建过程中并未用到影像降噪处理，这说明本文算法的鲁棒性较强，具有抗噪重建的优良性能。
通过不含噪声和含有常见混合类型噪声的遥感影像进行对比实验，从定性的视觉分析和定量的指标数据对比可得本文重建算法用于遥感影像的超分辨率重建其效果要明显优于经典的的IBP法与POCS法，同时也优于文献[1]方法，并且本文重建方法在各类噪声下的鲁棒性也明显较优，为此通过实验进一步证明了本文重建方法在常见遥感影像混合噪声情况下的可行性与有效性。
NSCT分解尺度实验
为了研究NSCT的分解级数对本文重建算法结果的影响，选取NSCT分解级数1至4，方向数1至4，共16种组合进行重建实验。实验选取的影像为(tj01A,tj01B)，结果见表3。选取PSNR与均方误差(mean square error，MSE)作为重建结果的定量评价指标。
表3积分平差法在NSCT分解不同级数与不同方向数时的结果
其中PSNR值越大MSE值越小，表示重建效果越好。从表3和对应图20中可以看出，随着NSCT分解级数和方向数的增加，积分平差法的效果逐渐降低，且每一级分解范围内趋势变化较缓慢，不同级数间的变化较大，说明级数对重建效果的影响要明显高于方向数对重建效果的影响，且积分平差法与NSCT结合时适用于低分解级数和低方向数的情况。

Claims (2)

1.一种基于NSCT的积分平差遥感影像超分辨率重建方法，其特征在于：包括以下步骤1)设置NSCT变换级数N和方向数2N，至少对两幅原始遥感影像a和b进行NSCT分解获得各NSCT系数：
其中与分别为低分辨率影像a、b经N层NSCT分解后获得的低频子带与2N个方向上的高频子带；
2)对各子带影像进行插值放大，最终获得a和b两个影像各自子带的插值结果；
3)将插值后的各子带影像分别进行积分平差处理求取最优解，获得平差后的各子带影像；针对二维NSCT系数建立积分平差模型，模型表达式为：
其中Li为i点的像素值，Vi为改正数，vi为点i积分空间的范围，f(x,y)为客体表面函数，(x,y)表示i点坐标，ds对应dxdy；
以上对各NSCT系数积分平差的过程可表示：
其中分别表示子带iLa与iLb，iHa1与的积分平差结果，In-Ad表示积分平差过程；
4)对平差后的各NSCT系数做NSCT逆变换，得最终积分平差法的重建结果；
其中SR为超分辨重建结果，iNSCT表示NSCT逆变换。
2.根据权利要求1所述的一种基于NSCT的积分平差遥感影像超分辨率重建方法，其特征在于：所述步骤2)中采用双三次插值方法对NSCT分解后的各个频段进行双三次插值：
其中Bi-In表示双三次插值的过程，最终获得两影像各子带的插值结果。
CN201810097746.7A 2018-01-31 2018-01-31 一种基于nsct的积分平差遥感影像超分辨率重建方法 Pending CN108550109A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810097746.7A CN108550109A (zh) 2018-01-31 2018-01-31 一种基于nsct的积分平差遥感影像超分辨率重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810097746.7A CN108550109A (zh) 2018-01-31 2018-01-31 一种基于nsct的积分平差遥感影像超分辨率重建方法

Publications (1)

Publication Number Publication Date
CN108550109A true CN108550109A (zh) 2018-09-18

Family

ID=63515768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810097746.7A Pending CN108550109A (zh) 2018-01-31 2018-01-31 一种基于nsct的积分平差遥感影像超分辨率重建方法

Country Status (1)

Country Link
CN (1) CN108550109A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609549A (zh) * 2009-07-24 2009-12-23 河海大学常州校区 视频模糊图像的多尺度几何分析超分辨处理方法
CN104376550A (zh) * 2014-12-01 2015-02-25 中南大学 基于含积分的平差模型的超分辨率图像重建方法
US20150093045A1 (en) * 2012-03-05 2015-04-02 Thomson Licensing Method and apparatus for performing hierarchical super-resolution of an input image

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609549A (zh) * 2009-07-24 2009-12-23 河海大学常州校区 视频模糊图像的多尺度几何分析超分辨处理方法
US20150093045A1 (en) * 2012-03-05 2015-04-02 Thomson Licensing Method and apparatus for performing hierarchical super-resolution of an input image
CN104376550A (zh) * 2014-12-01 2015-02-25 中南大学 基于含积分的平差模型的超分辨率图像重建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
周靖鸿等: "基于非下采样轮廓波变换遥感影像超分辨重建方法", 《光学学报》 *
朱建军等: "积分型非线性平差模型及其在超分辨率图像重建中的应用", 《测绘学报》 *
杨贞萍等: "一种新的NSCT超分辨率图像复原技术", 《西安电子科技大学学报》 *

Similar Documents

Publication Publication Date Title
Ellmauthaler et al. Multiscale image fusion using the undecimated wavelet transform with spectral factorization and nonorthogonal filter banks
CN102142136B (zh) 基于神经网络的声纳图像的超分辨率重建方法
CN103077508B (zh) 基于变换域非局部和最小均方误差的sar图像去噪方法
CN103093433B (zh) 基于区域划分和字典学习的自然图像去噪方法
Balmelli et al. Space‐optimized texture maps
CN113538246B (zh) 基于无监督多阶段融合网络的遥感图像超分辨率重建方法
CN101491080A (zh) 用于图像去噪和可控去模糊的保曲率滤波器
CN106254720B (zh) 一种基于联合正则化的视频超分辨率重建方法
CN108090872A (zh) 基于梯度提取的单帧多光谱影像超分辨率重建方法及系统
CN112435162A (zh) 一种基于复数域神经网络的太赫兹图像超分辨重建方法
Zhang et al. Video super-resolution with 3D adaptive normalized convolution
CN106296583B (zh) 基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法
KR101341617B1 (ko) 단일 영상의 오차모델을 기반으로 한 고해상도 영상 복원장치 및 방법
He et al. Blind super-resolution image reconstruction using a maximum a posteriori estimation
CN107767342B (zh) 一种基于积分平差模型的小波变换超分辨率图像重建方法
Schrank et al. Deep learning MPI super-resolution by implicit representation of the system matrix
CN108550109A (zh) 一种基于nsct的积分平差遥感影像超分辨率重建方法
Liu et al. An image zooming method based on the coupling threshold in the wavelet packet transform domain
Liu et al. Lunar DEM Super-resolution reconstruction via sparse representation
Huang et al. DF3Net: Dual frequency feature fusion network with hierarchical transformer for image inpainting
Cho et al. Example-based super-resolution using self-patches and approximated constrained least squares filter
Shi et al. Blind multi-image super-resolution based on combination of ANN learning and non-subsampled Contourlet directional image representation
RJ et al. A Detailed Study on Image Super Resolution for Satellite and Medical Application.
Chung et al. High-Resolution Satellite Image Super-Resolution Using Image Degradation Model with MTF-Based Filters
Wang et al. Superresolution of single gaofen-4 visible-light and near-infrared (VNIR) image based on texture image extraction

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180918