CN109615584B - 一种基于单应性约束的sar图像序列map超分辨率重建方法 - Google Patents

一种基于单应性约束的sar图像序列map超分辨率重建方法 Download PDF

Info

Publication number
CN109615584B
CN109615584B CN201811545227.9A CN201811545227A CN109615584B CN 109615584 B CN109615584 B CN 109615584B CN 201811545227 A CN201811545227 A CN 201811545227A CN 109615584 B CN109615584 B CN 109615584B
Authority
CN
China
Prior art keywords
image
resolution
homography
algorithm
sar
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.)
Active
Application number
CN201811545227.9A
Other languages
English (en)
Other versions
CN109615584A (zh
Inventor
卜丽静
张正鹏
苏旭
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.)
Liaoning Technical University
Original Assignee
Liaoning Technical University
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 Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN201811545227.9A priority Critical patent/CN109615584B/zh
Publication of CN109615584A publication Critical patent/CN109615584A/zh
Application granted granted Critical
Publication of CN109615584B publication Critical patent/CN109615584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images

Landscapes

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

Abstract

本发明公开了一种基于单应性约束的SAR图像序列MAP超分辨率重建方法，步骤为：选取基准图像；利用改进SIFT算法计算单应性；计算得到初始高分图像；MAP超分重建；满足迭代要求；得到高分图像。本发明的方法通过指定基准图像，改进SIFT算法，单应性匹配及最大后验超分辨率重建算法最终实现了SAR图像序列的超分重建。同传统SIFT方法相比，本发明改进SIFT配准算法对于SAR图像可以在保证匹配点对正确率较高的同时增加匹配点数量，且算法复杂度低；同常用的重建算法相比，改进MAP重建算法可以得到质量更高，细节更好的图像。

Description

一种基于单应性约束的SAR图像序列MAP超分辨率重建方法
技术领域
本发明属于SAR图像配准和超分重建的技术领域，尤其涉及一种基于单应性约束的SAR图像序列MAP超分辨率重建方法。
背景技术
合成孔径雷达(synthetic aperture radar，SAR)因其全天侯，远距离，穿透云雾和植被的能力，逐渐成为了军用和民用的重要探测手段。但SAR图像获取过程中由于其系统分辨率有局限以及受到大气扰动、成像条件、相对运动等因素的干扰，使得到的图像模糊，分辨率低。超分辨率重建(super resolution image reconstruction，SRIR或SR)是指用信号处理和图像处理的方法，通过软件算法的方式将已有的低分辨率图像转换成高分辨率图像的技术。因此，利用现有设备，通过超分重建技术获得高分辨率的SAR图像具有重要的现实意义。
SAR图像序列超分重建主要包含两个关键步骤，一是SAR图像序列配准。图像配准作为超分重建的关键步骤会直接影响图像重建质量的优劣。尺度不变特征变换(scale-invariant feature transform，SIFT)由于其匹配能力强，提取出的特征稳定，所以从众多光学图像配准算法中脱颖而出。王延钊，苏娟在基于SIFT方法的基础上，提出了一种能有效抑制相干斑噪声干扰的合成孔径雷达图像配准方法(参考：王延钊,苏娟.基于相干斑抑制SIFT的SAR图像配准方法[J].系统工程与电子技术，2017,39(12)：2697-2703.)。针对SIFT描述子仅具有部分仿射不变性的问题，刘向增,田铮等人提出一种基于仿射不变快速核独立成分分析-尺度不变特征变换(fast kernel independent component analysis-scaleinvariant feature transform，FKICA-SIFT)的多尺度配准方法(参考：刘向增,田铮,史振广,等.基于FKICA-SIFT特征的合成孔径图像多尺度配准[J].光学精密工程，2011,19(9):2186-2195.)，实现了SAR图像的亚像素级配准。针对单纯的SIFT算法不能解决相似特征不同位置的问题，基于Delaunay三角拓扑理论，尹奎英,张雄等人提出了一种SIFT-Delaunay编码的自动配准算法(参考：尹奎英,张雄,李成,等.基于SIFT-Delaunay编码的SAR图像自动配准算法[J].现代雷达,2015,37(4):20-23,30.)，实现SAR图像自动配准。但对SAR图像不具有适应性，配准精度低。在SAR图像的配准问题中，如何能在算法复杂度低的前提下，提高特征匹配点数量和配准的正确率，仍然是值得研究的问题。
SAR图像序列超分重建的另一关键步骤就是超分重建。传统超分重建方法的普遍思想是先对低分图像进行上采样，然后对上采样后的低分图像进行几何配准、重采样，最后利用某种方法进行重建，但这种传统方法在超分重建中往往不能得到很好的细节。
发明内容
基于以上现有技术的不足，本发明所解决的技术问题在于提供一种基于单应性约束的SAR图像序列MAP超分辨率重建方法，采用改进SIFT配准算法及MAP超分重建算法，实现了SAR序列图像的精确配准和超分重建，得到了比经典超分重建算法质量更高，细节更好的图像。
为了解决上述技术问题，本发明通过以下技术方案来实现：
本发明提供一种基于单应性约束的SAR图像序列MAP超分辨率重建方法，包括以下步骤：
步骤S1：选取基准图像；
步骤S2：利用改进SIFT算法计算单应性；
步骤S3：利用步骤S2得到的单应性计算得到初始高分图像；
步骤S4：利用MAP重建算法重建图像；
步骤S5：满足迭代要求；
步骤S6：得到高分图像。
优选的，所述步骤S1的具体方法为：
在低分SAR图像序列中选取中间帧图像并将该图像做上采样，采用对中间帧图像做放大2倍处理，处理后图像作为基准图像，并记作
Figure BDA0001909172050000031
由上，采用中间帧上采样后的图像作为基准图像是考虑中间帧图像与其他帧图像之间的形变关系要比第一帧图像与其他帧图像的形变关系小，由于SAR图像本身的配准难度要高于光学图像，因此，几何形变越小，配准精度就可以相应的提高。具体步骤为对选取的低分辨率SAR中间图像，利用双线性插值方法进行插值操作。
进一步的，所述步骤S2的具体方法为：
S21：选取低分SAR图像序列中的第一幅图像g1，将其与基准图像均分成3×3的9个子图像块；
S22：放大SIFT算法的阈值为0.90；
S23：对各个对应的子图像块分别进行SIFT特征提取及匹配；
S24：利用单应性和RANSAC方法对各个子图像中的匹配点对进行筛选，保留筛选出的正确的匹配点对，对于子图像中特征点数少于4而无法计算单应性的情况，直接保留匹配点；
S25：删除一对多现象的匹配点对；
S26：合并所有子图像块的正确匹配点对；
S27：利用所有正确匹配点对重新精确计算两幅图像之间的单应性Hn；
S28：选取下一幅低分图像gn，重复步骤S21-S27，直到计算出所有低分图像与基准图像之间的单应性H。
可选的，所述步骤S3的具体方法为：
对Hn和低分图像gn求取配准后的图像，表达式为：
fn＝Hngn
得到配准后的图像fn，并对所有配准后的图像fn使用向后映射法进行重采样，得到一幅初始高分图像
Figure BDA0001909172050000041
进一步的，所述步骤S4的具体方法为：
将低分图像序列，初始高分图像
Figure BDA0001909172050000042
和Hn代入MAP重建算法公式，表达式为：
Figure BDA0001909172050000043
其中，参数λ取值为0.04，L矩阵通常为第一或第二个导数算子的离散逼近，式中f代入为
Figure BDA0001909172050000044
M为所有Hn的一个集合，g表示所有低分图像序列；
其中涉及的Huber函数表达式为：
Figure BDA0001909172050000045
其中α为阈值，取值为0.08。
进一步的，所述步骤S5的具体方法为：
当初始高分图像
Figure BDA0001909172050000046
的最大后验概率取最大值时，输出的图像就是高分图像
Figure BDA0001909172050000047
由上，本发明针对SAR序列图像超分重建的问题，提出了基于单应性的改进SIFT配准和改进MAP超分重建方法。首先，对SAR序列图像的配准方法进行改进，利用分块匹配，放大阈值和单应性筛选的方法，在保证正确率较高的同时增加了SAR图像特征匹配点的数量且算法复杂度低。其次，利用改进的MAP方法，直接计算低分图像与指定基准图像之间的配准参数，得到了具有良好细节的高分图像。
本发明的方法通过指定基准图像，改进SIFT算法，单应性匹配及最大后验超分辨率重建算法最终实现了SAR图像序列的超分重建。同传统SIFT方法相比，本发明改进SIFT配准算法对于SAR图像可以在保证匹配点对正确率较高的同时增加匹配点数量，且算法复杂度低。同常用的重建算法相比，改进MAP重建算法可以得到质量更高，细节更好的图像。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下结合优选实施例，并配合附图，详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍。
图1为本发明的基于单应性约束的SAR图像序列MAP超分辨率重建方法的流程图；
图2是本发明的改进SIFT算法与经典SIFT算法的特征点匹配结果对比图；
图3是本发明的MAP重建算法与传统重建算法对于数据一的重建结果对比图及对应细节放大图；
图4是本发明的MAP重建算法与传统重建算法对于数据二的重建结果对比图及对应细节放大图；
图5是本发明的MAP重建算法与传统重建算法对于数据三的重建结果对比图及对应细节放大图。
具体实施方式
下面结合附图详细说明本发明的具体实施方式，其作为本说明书的一部分，通过实施例来说明本发明的原理，本发明的其他方面、特征及其优点通过该详细说明将会变得一目了然。在所参照的附图中，不同的图中相同或相似的部件使用相同的附图标号来表示。
下面以所用的桑迪亚国家实验室公布的视频SAR数据中截取的3组SAR图像序列为例进行详细说明，其中，数据一、二为Kirtland空军基地出入口的局部图；数据三为桑迪亚的一个太阳能塔周围地物的局部图。图像尺寸均为256×256像素。
如图1所示，为了得到SAR图像的精确配准进而实现SAR图像的超分重建，本发明提供的一种单应性约束的SAR图像序列MAP超分辨率重建方法，包括步骤如下：
步骤S1：选取基准图像，选取SAR图像序列中间帧图像做2倍上采样处理作为基准图像；
步骤S2：对低分SAR图像序列中的每一帧和基准图像利用改进后SIFT配准算法依次计算单应性，具体方法为：
S21：选取低分SAR图像序列中的第一幅图像g1，将其与基准图像均分成3×3的9个子图像块；当图像尺寸小于512×512像素时，可以依照本发明方法分为3行3列的9个子图像块，当图像尺寸较大时，可依具体情况酌情增加分幅数目。
S22：放大SIFT算法的阈值为0.90。
S23：对各个对应的子图像块分别进行SIFT特征提取及匹配；
S24：利用单应性和RANSAC方法对各个子图像中的匹配点对进行筛选，保留筛选出的正确的匹配点对。对于子图像中特征点数少于4而无法计算单应性的情况直接保留匹配点；虽然RANSAC方法是比较经典的去除误匹配的方法，但在如本算法中的有大量误匹配存在的情况下，该方法没有取得比较理想的结果。因此，在去除误匹配的环节，本发明引入第一个单应性矩阵，利用待配准图像之间的投影变换关系对匹配点对的正确性进行约束，从而达到了较好地去除误匹配的效果。
S25：删除一对多现象的匹配点对，在SIFT算法的特征匹配中容易出现一对多的现象，即一幅图像中的某一个特征点与待配准图像中的两个或多个特征点匹配。这种现象的存在会极大地增加匹配点对的错误率，对单应性的准确计算产生较大的影响。
S26：合并所有子图像块的正确匹配点对。
S27：利用所有正确匹配点对重新精确计算两幅图像之间的单应性Hn，此处的单应性是作为配准参数。单应性有8个自由度，因此至少需要4对匹配点才可以计算H，但在SAR图像提取匹配点时，提取到的匹配点常常多于4对，这时可以采用最小二乘或者奇异值分解方法进行求解。
S28：选取下一幅低分图像gn，重复步骤S21-S27，直到计算出所有低分图像与基准图像之间的单应性H。
步骤S3：利用步骤S2得到的单应性计算初始高分图像，具体方法为：
对Hn和低分图像gn求取配准后的图像，表达式为：
fn＝Hngn (1)
得到所有配准后的图像fn，并对所有配准后的图像fn使用向后映射法进行重采样，得到一幅初始高分图像
Figure BDA0001909172050000081
步骤S4：利用MAP重建算法重建图像，MAP超分重建算法是目前实际应用和科学研究中运用最多的一类算法，具体方法为：
初始高分图像
Figure BDA0001909172050000082
的最大后验估计可以表示为：
Figure BDA0001909172050000083
式中：
Figure BDA0001909172050000084
为后验概率，是已知理想高分辨率图像的前提下，低分辨率观测图像产生的条件概率；
Figure BDA0001909172050000085
和Pr(g)分别表示高分辨率图像和低分图像的先验概率。
取对数，式(2)变为
Figure BDA0001909172050000086
引入Huber马尔科夫随机场模型：
Figure BDA0001909172050000087
式中：Z是一个归一化常数，Huber函数的公式为：
Figure BDA0001909172050000088
式中：α为阈值，取值为0.08。
将式(4)中的Pr(x)替代高分辨率图像的先验概率
Figure BDA0001909172050000089
通过一系列计算得到基于胡伯马尔科夫随机场(Huber Markov random fields，HMRF)模型的最大后验估计公式如下：
Figure BDA0001909172050000091
L矩阵通常为第一或第二个导数算子的离散逼近，对于式(6)，采用吸收两个参数γ和
Figure BDA0001909172050000092
为单个参数λ的常用做法，式(6)变为：
Figure BDA0001909172050000093
式中：参数λ取值为0.04，M为所有Hn的一个集合，g表示所有低分图像序列。
将低分图像序列，初始高分图像
Figure BDA0001909172050000094
和Hn代入MAP重建算法公式，计算重建图像。
步骤S5：直到满足迭代要求；
当初始高分图像
Figure BDA0001909172050000095
的最大后验概率取最大值时，输出图像。输出的图像就是高分图像
Figure BDA0001909172050000096
步骤S6：得到高分图像。
下面通过实施例进一步对本发明的方法进行说明。
数据集：桑迪亚国家实验室公布的视频SAR数据中截取的3组SAR图像序列为例进行详细说明，其中，数据一、二为Kirtland空军基地出入口的局部图；数据三为桑迪亚的一个太阳能塔周围地物的局部图。图像尺寸均为256×256像素。
评价指标：计算匹配的正确率，匹配点对数量，信息熵三个评价指标。
选取基准图像；
结合基准图像，采用本发明改进SIFT算法对SAR低分序列图像进行图像配准；
利用MAP超分重建算法对配准后的图像进行重建；
利用SUPER 2.0中的迭代反投影(Iterative back projection algorithm,IBP)、鲁棒超分(Robust Super Resolution,RS)、插值和自适应方法对SAR低分图像序列进行实验；其中，SUPER 2.0程序中的4种方法，运动估计算法均参考自文献(VANDEWALLE P,
Figure BDA0001909172050000102
S,VETTERLI M.Afrequency domain approach to registration ofaliased images with application to super-resolution[J],EURASIP Journal onAdvances Signal Processing,2006,2006:71459)，并将这四种重建算法所生成的图像与本发明算法所得图像进行比较。
针对本发明改进SIFT匹配算法的性能优劣，将其与传统SIFT算法的匹配结果进行对比，结果如图2所示，图2仅为对数据一的一组图像匹配结果为例进行展示。对数据一的所有序列图像匹配结果如下表所示：
表1
Figure BDA0001909172050000101
由图2和表1可以看出，本发明改进的SIFT方法与阈值为0.90的传统SIFT算法相比，正确率大大提升，与阈值为0.65的传统SIFT算法相比，正确率相近且正确匹配点数量明显增多，正确匹配点数量的增多可以大大提高配准参数计算的准确性。因此，本发明算法整体上优于传统SIFT算法，提高了配准精度。
针对数据一，二，三，图像重建算法对比结果分别如图3，4，5所示，对比数据一、二图像细节图可以发现，在SUPER 2.0程序的4种方法中重建图像均出现了被称为‘黑格’的信息缺失现象，而本发明算法得到的图像明显有更好的细节。如图3数据一中图(l)中，黑色地物十分清晰(图中用白框圈出)。而其它4种方法的细节图中黑色地物则模糊不清且被“黑格现象”所掩盖。数据二图(l)的白色斜杠相比其它4种方法也更加清晰且明显。数据三中的其他4种方法没有准确重建出地物，而观察大图(f)可以看出地物的细节。
表2：为本说明算法与其他四种算法的信息熵对比
Figure BDA0001909172050000111
观察表2可知，对于数据一，本发明算法的信息熵最大。对于数据二，虽然本发明算法低于RS,插值和自适应方法的信息熵，但从图4可以明显的看出，4种对比方法的细节图中明显出现黑格现象，而本发明算法也可以完整且准确的呈现出图像的细节。对于数据三，本发明算法所得信息熵也最大。
通过对匹配的正确率，匹配点对数量，信息熵三个评价指标的计算分析，可以发现本发明所述方法在各项指标中均表现优异，通过对图3，4，5的三组实验结果对比图也可直观的看出，本发明方法优于传统IBP方法、RS方法、插值和自适应方法。
本发明的基于单应性约束的SAR图像序列MAP超分辨率重建算法，由于对传统SIFT算法进行了改进，是SAR图像序列配准精度得到提高。另外，本发明提出的先选取指定基准图像，然后再利用改进SIFT提取单应性作为配准参数，然后再进行MAP重建的思路，也实现了SAR序列图像的重建，且细节清晰，质量较好。
以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和变动，这些改进和变动也视为本发明的保护范围。

Claims (4)

1.一种基于单应性约束的SAR图像序列MAP超分辨率重建方法，其特征在于，包括以下步骤：
步骤S1：选取基准图像；
步骤S2：利用改进SIFT算法计算单应性；
步骤S3：利用步骤S2得到的单应性计算得到初始高分图像；
步骤S4：利用MAP重建算法重建图像；
步骤S5：满足迭代要求；
步骤S6：得到高分图像；
所述步骤S1的具体方法为：
在低分SAR图像序列中选取中间帧图像并将该图像做上采样，采用对中间帧图像做放大2倍处理，处理后图像作为基准图像，并记作
Figure FDA0003921042190000011
所述步骤S2的具体方法为：
S21：选取低分SAR图像序列中的第一幅图像g1，将其与基准图像均分成3×3的9个子图像块；
S22：放大SIFT算法的阈值为0.90；
S23：对各个对应的子图像块分别进行SIFT特征提取及匹配；
S24：利用单应性和RANSAC方法对各个子图像中的匹配点对进行筛选，保留筛选出的正确的匹配点对，对于子图像中特征点数少于4而无法计算单应性的情况，直接保留匹配点；
S25：删除一对多现象的匹配点对；
S26：合并所有子图像块的正确匹配点对；
S27：利用所有正确匹配点对重新精确计算两幅图像之间的单应性Hn；
S28：选取下一幅低分图像gn，重复步骤S21-S27，直到计算出所有低分图像与基准图像之间的单应性H。
2.如权利要求1所述的基于单应性约束的SAR图像序列MAP超分辨率重建方法，其特征在于，所述步骤S3的具体方法为：
对Hn和低分图像gn求取配准后的图像，表达式为：
fn＝Hngn
得到配准后的图像fn，并对所有配准后的图像fn使用向后映射法进行重采样，得到一幅初始高分图像
Figure FDA0003921042190000021
3.如权利要求2所述的基于单应性约束的SAR图像序列MAP超分辨率重建方法，其特征在于，所述步骤S4的具体方法为：
将低分图像序列，初始高分图像
Figure FDA0003921042190000022
和Hn代入MAP重建算法公式，表达式为：
Figure FDA0003921042190000023
其中，参数λ取值为0.04，L矩阵为第一或第二个导数算子的离散逼近，式中f代入为
Figure FDA0003921042190000024
M为所有Hn的一个集合，g表示所有低分图像序列；
其中涉及的Huber函数表达式为：
Figure FDA0003921042190000025
其中α为阈值，取值为0.08。
4.如权利要求3所述的基于单应性约束的SAR图像序列MAP超分辨率重建方法，其特征在于，所述步骤S5的具体方法为：
当初始高分图像
Figure FDA0003921042190000031
的最大后验概率取最大值时，输出的图像就是高分图像
Figure FDA0003921042190000032
CN201811545227.9A 2018-12-17 2018-12-17 一种基于单应性约束的sar图像序列map超分辨率重建方法 Active CN109615584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811545227.9A CN109615584B (zh) 2018-12-17 2018-12-17 一种基于单应性约束的sar图像序列map超分辨率重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811545227.9A CN109615584B (zh) 2018-12-17 2018-12-17 一种基于单应性约束的sar图像序列map超分辨率重建方法

Publications (2)

Publication Number Publication Date
CN109615584A CN109615584A (zh) 2019-04-12
CN109615584B true CN109615584B (zh) 2022-12-06

Family

ID=66009437

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811545227.9A Active CN109615584B (zh) 2018-12-17 2018-12-17 一种基于单应性约束的sar图像序列map超分辨率重建方法

Country Status (1)

Country Link
CN (1) CN109615584B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097585B (zh) * 2019-04-29 2021-01-26 中国水利水电科学研究院 一种基于sift算法的sar影像匹配方法及系统
CN111882589A (zh) * 2020-06-23 2020-11-03 广州万维创新科技有限公司 基于图像的单目视觉slam的初始化方法

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001242245A (ja) * 2000-02-29 2001-09-07 Toshiba Corp 時系列画像処理装置及び方法
US6795590B1 (en) * 2000-09-22 2004-09-21 Hrl Laboratories, Llc SAR and FLIR image registration method
CN103839265A (zh) * 2014-02-26 2014-06-04 西安电子科技大学 基于sift和归一化互信息的sar图像配准方法
CN104809462A (zh) * 2015-04-24 2015-07-29 电子科技大学 一种提取植被排放甲烷量的方法
CN105701769A (zh) * 2016-01-13 2016-06-22 河海大学 边界灰度分布相关的合成孔径雷达遥感图像分块重构方法
CN105809693A (zh) * 2016-03-10 2016-07-27 西安电子科技大学 基于深度神经网络的sar图像配准方法
GB201614370D0 (en) * 2016-08-23 2016-10-05 Thales Holdings Uk Plc Multilook coherent change detection
CN106373087A (zh) * 2016-08-23 2017-02-01 大连理工大学 一种改进初始估计的图像超分辨率重建方法
CN106548462A (zh) * 2016-11-02 2017-03-29 西安电子科技大学 基于薄板样条插值的非线性sar图像几何校正方法
CN106780309A (zh) * 2016-12-21 2017-05-31 中国航空工业集团公司雷华电子技术研究所 一种合成孔径雷达图像拼接方法
CN106952226A (zh) * 2017-03-06 2017-07-14 武汉大学 一种f‑msa超分辨率重建方法
CN107817490A (zh) * 2017-10-09 2018-03-20 南京航空航天大学 一种帧内最大相似像的雷达一维距离像帧中心提取方法
US10002407B1 (en) * 2017-08-11 2018-06-19 Intermap Technologies Inc. Method and apparatus for enhancing 3D model resolution
CN108304883A (zh) * 2018-02-12 2018-07-20 西安电子科技大学 基于改进sift的sar图像匹配方法
CN108805904A (zh) * 2018-05-25 2018-11-13 中国空间技术研究院 一种基于卫星序列图像的运动舰船检测与跟踪方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008052701A (ja) * 2006-07-28 2008-03-06 Sony Corp 画像処理方法、画像処理装置及びプログラム
GB0823034D0 (en) * 2008-12-18 2009-01-28 Qinetiq Ltd System and method for processing radar imagery
GB2482551A (en) * 2010-08-06 2012-02-08 Qinetiq Ltd Alignment of synthetic aperture radar images

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001242245A (ja) * 2000-02-29 2001-09-07 Toshiba Corp 時系列画像処理装置及び方法
US6795590B1 (en) * 2000-09-22 2004-09-21 Hrl Laboratories, Llc SAR and FLIR image registration method
CN103839265A (zh) * 2014-02-26 2014-06-04 西安电子科技大学 基于sift和归一化互信息的sar图像配准方法
CN104809462A (zh) * 2015-04-24 2015-07-29 电子科技大学 一种提取植被排放甲烷量的方法
CN105701769A (zh) * 2016-01-13 2016-06-22 河海大学 边界灰度分布相关的合成孔径雷达遥感图像分块重构方法
CN105809693A (zh) * 2016-03-10 2016-07-27 西安电子科技大学 基于深度神经网络的sar图像配准方法
GB201614370D0 (en) * 2016-08-23 2016-10-05 Thales Holdings Uk Plc Multilook coherent change detection
CN106373087A (zh) * 2016-08-23 2017-02-01 大连理工大学 一种改进初始估计的图像超分辨率重建方法
CN106548462A (zh) * 2016-11-02 2017-03-29 西安电子科技大学 基于薄板样条插值的非线性sar图像几何校正方法
CN106780309A (zh) * 2016-12-21 2017-05-31 中国航空工业集团公司雷华电子技术研究所 一种合成孔径雷达图像拼接方法
CN106952226A (zh) * 2017-03-06 2017-07-14 武汉大学 一种f‑msa超分辨率重建方法
US10002407B1 (en) * 2017-08-11 2018-06-19 Intermap Technologies Inc. Method and apparatus for enhancing 3D model resolution
CN107817490A (zh) * 2017-10-09 2018-03-20 南京航空航天大学 一种帧内最大相似像的雷达一维距离像帧中心提取方法
CN108304883A (zh) * 2018-02-12 2018-07-20 西安电子科技大学 基于改进sift的sar图像匹配方法
CN108805904A (zh) * 2018-05-25 2018-11-13 中国空间技术研究院 一种基于卫星序列图像的运动舰船检测与跟踪方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
《SAR-SIFT for matching multiple SAR images and radargrammetry》;Clemence Dubois;《Journal of photogrammetry remote sensing and geoinformation science》;20170703;第149-158页 *
《基于ＦＫＩＣＡ－ＳＩＦＴ特征的合成孔径图像多尺度配准》;刘向增;《光学精密工程》;20110930;第19卷(第9期);第2186-2195页 *
《基于SIFT-Delaunay编码的SAR图像自动配准算法;尹奎英;《现代雷达》;20150430;第37卷(第4期);第20-30页 *
《基于最大后验概率的SAR图像自适应》;杨欣;《宇航学报》;20100131;第31卷(第1期);第217-221页 *
《基于相干斑抑制SIFT的SAR图像配准方法》;王延钊;《系统工程与电子技术》;20171230;第39卷(第12期);第2697-2703页 *
《基于空间约SIFT的光学与SAR图像配准》;罗宇;《计算机工程》;20151230;第41卷(第12期);第182-187页 *
《基于角反射器成像点的SAR图像PSF估计方法》;卜丽静;《中国矿业大学学报》;20151130;第44卷(第6期);第1134-1139页 *

Also Published As

Publication number Publication date
CN109615584A (zh) 2019-04-12

Similar Documents

Publication Publication Date Title
CN107025632B (zh) 一种图像超分辨率重建方法及系统
CN100510773C (zh) 单幅卫星遥感影像小目标超分辨率重建方法
CN106920214B (zh) 空间目标图像超分辨率重建方法
CN107133923B (zh) 一种基于自适应梯度稀疏模型的模糊图像非盲去模糊方法
CN111986134B (zh) 面阵相机遥感成像方法及装置
CN109146787B (zh) 一种基于插值的双相机光谱成像系统的实时重建方法
CN102800071A (zh) 序列图像pocs超分辨率重建方法
CN110675347A (zh) 一种基于组稀疏表示的图像盲复原方法
CN108961163A (zh) 一种高分辨率卫星影像超分辨重建方法
CN109615584B (zh) 一种基于单应性约束的sar图像序列map超分辨率重建方法
CN115496662A (zh) 基于光谱信息融合的高阶张量光谱图像超分辨率重建方法
CN111583113A (zh) 一种基于生成对抗网络的红外图像超分辨率重建方法
Rasti et al. Wavelet transform based new interpolation technique for satellite image resolution enhancement
CN106920213B (zh) 一种高分辨率图像的获取方法及系统
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
Sundar et al. Design and analysis of fusion algorithm for multi-frame super-resolution image reconstruction using framelet
CN110660022A (zh) 一种基于曲面拟合的图像超分辨率重建方法
Shin et al. LoGSRN: Deep super resolution network for digital elevation model
CN107194874B (zh) 基于偏置稳像的超分辨成像系统及方法
Zhou et al. Super-resolution of low-quality images based on compressed sensing and sequence information
Daithankar et al. Analysis of the wavelet domain filtering approach for video super-resolution
CN112819909B (zh) 基于低分辨率先验光谱图像区域分割的自适应编码方法
Qin et al. Remote sensing image super-resolution using multi-scale convolutional neural network
Vrigkas et al. On the improvement of image registration for high accuracy super-resolution
CN113962897A (zh) 基于序列遥感影像的调制传递函数补偿方法及装置

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