CN110969582B - 一种基于多源参考信息的遥感图像盲复原方法 - Google Patents

一种基于多源参考信息的遥感图像盲复原方法 Download PDF

Info

Publication number
CN110969582B
CN110969582B CN201910742086.8A CN201910742086A CN110969582B CN 110969582 B CN110969582 B CN 110969582B CN 201910742086 A CN201910742086 A CN 201910742086A CN 110969582 B CN110969582 B CN 110969582B
Authority
CN
China
Prior art keywords
image
remote sensing
reference information
distribution
source reference
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
CN201910742086.8A
Other languages
English (en)
Other versions
CN110969582A (zh
Inventor
刘鹏
宁子涵
赵灵军
王力哲
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.)
Institute of Remote Sensing and Digital Earth of CAS
Original Assignee
Institute of Remote Sensing and Digital Earth of CAS
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 Institute of Remote Sensing and Digital Earth of CAS filed Critical Institute of Remote Sensing and Digital Earth of CAS
Priority to CN201910742086.8A priority Critical patent/CN110969582B/zh
Publication of CN110969582A publication Critical patent/CN110969582A/zh
Application granted granted Critical
Publication of CN110969582B publication Critical patent/CN110969582B/zh
Active 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

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

Abstract

本发明涉及一种基于多源参考信息的遥感图像盲复原方法，包括以下步骤：建立目标图像退化模型；建立虚拟观测模型；对各参数进行分布定义；得到模糊核、原始图像的目标函数以及超参数的计算关系；对模糊核、原始图像、超参数进行交替优化，提升图像复原效果。本发明能够利用参考图像支持模糊核估计，进而提升图像复原的效果，解决降晰的模糊图像的点扩展函数估计困难和复原效果较差的问题。

Description

一种基于多源参考信息的遥感图像盲复原方法
技术领域
本发明涉及遥感图像处理领域，具体来说，涉及一种基于多源参考信息的遥感图像盲复原方法。
背景技术
遥感图像处理(processing of remote sensing image data)是对遥感图像进行辐射校正和几何纠正、图像整饰、投影变换、镶嵌、特征提取、分类以及各种专题处理等一系列操作，以求达到预期目的的技术。
在现有的技术需求中，对遥感图像的复原处理一直都是技术人员们孜孜追求的目标，不过时至今日，该技术还是并未得到突破性的进展，图像的复原效果还是很难达到要求。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的上述技术问题，本发明提出一种基于多源参考信息的遥感图像盲复原方法，能够利用参考图像支持模糊核估计，进而提升图像复原的效果，解决降晰的模糊图像的点扩展函数估计困难和复原效果较差的问题。
为实现上述技术目的，本发明的技术方案是这样实现的：
一种基于多源参考信息的遥感图像盲复原方法，包括以下步骤：
S1、建立目标图像退化模型；
S2、建立虚拟观测模型；
S3、对各参数进行分布定义；
S4、得到模糊核、原始图像的目标函数以及超参数的计算关系；
S5、对模糊核、原始图像、超参数进行交替优化，提升图像复原效果。
进一步的，S1步骤具体为：建立目标图像退化模型：z＝k*u+nz (1)，其中，z为观测到的模糊图像，u是原始图像，k是模糊核，nz是噪声，符号*代表卷积运算。
进一步的，假定噪声nz是方差为均值为零的高斯白噪声，将模糊图像z、原始图像u和模糊核k都展开成为向量：z＝[z1，z2，…，zN]T，u＝[u1，u2，...，uN]T，k＝[k1，k2，...，kM]T。
进一步的，S2步骤具体为：引入同场景另一颗卫星清晰的参考图像v，并虚拟一个观测值y，所述观测值y是相同核函数k降晰条件下参考图像v的退化图像，虚拟的观测模型表示为y＝k*v+ny (2)。
进一步的，定义方程(1)和(2)在服从高斯分布下有条件概率的形式：
进一步的，S3步骤具体为：对任意的图像像素ui(u＝[u1，...，ui，...，uN]T)，设ui服从参数为αi的拉普拉斯分布
那么图像向量u＝[u1，u2，…，uN]T的分布为：
相应的超参数αi定义服从为伽马分布：
此时，参数向量α＝[α1，…，αi，…，αN]T的分布定义为：
卷积核k的分布定义为：
进一步的，基于贝叶斯定理将上述步骤中各个分布的关系写成：
p(k，u，y，α|z，v)＝p(z|k，u)p(y|k，v)p(k)p(v)p(u|α)p(α) (10)。
进一步的，将方程(3)-(9)带入到方程(10)，整理得：
进一步的，S4步骤具体为：以KL散度为代价函数并基于变分贝叶斯方法得到关于模糊核和原始图像的目标函数：
以及超参数方程：
进一步的，在实际求解过程中对方程(12)、(13)、(14)交替进行优化。
本发明的有益效果：本发明利用参考图像支持模糊核估计，进而提升图像复原的效果。本发明能够解决现有算法面对盲复原问题时先验知识不足的问题，能够显著提高模糊图像的复原准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的一种基于多源参考信息的遥感图像盲复原方法的流程图。
图2a-2j是根据本发明实施例所述的对国产卫星HJ-1A的模糊图像z以Landsat-5为参考图像v的仿真实验结果示意图。
其中，图2a为目标图像的原始图像及模糊核。
图2b为模拟退化图像。
图2c为Landsat-5图像集的第三波段的辅助参考图像。
图2d为根据本发明所述方法实施后的结果图。
图2e为D.Perrone等人的去模糊结果图。
图2f为D.Krishnan等人的去模糊结果图。
图2g为J.Pan等人的去模糊结果图。
图2h为L.Xu等人的去模糊结果图。
图2i为R.Fergus等人的去模糊结果图。
图2j为S.D.Babacan等人的去模糊结果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，根据本发明实施例所述的一种基于多源参考信息的遥感图像盲复原方法，包括以下步骤：
首先，目标图像退化模型为：z＝k*u+nz (1)，其中z为观测到的模糊图像，u是原始图像，k是模糊核，nz是噪声。符号*代表卷积运算。假定噪声nz是方差为均值为零的高斯白噪声。图像z、u和模糊核k都展开成为向量，z＝[z1，z2，…，zN]T，u＝[u1，u2，…，uN]T，k＝[k1，k2，…，kM]T。因为图像u和卷积核k都未知，从模糊观测z同时求解u和k非常困难，为此引入同场景另一颗卫星的清晰的参考图像为v，并虚拟一个观测值y，它是相同核函数k降晰条件下参考图像v的退化图像，虚拟的观测模型表示为y＝k*v+ny (2)。
方程(1)和(2)噪声都服从高斯分布，所以定义它们有条件概率的形式：
对任意的图像像素ui(u＝[u1，…，ui，…，uN]T)，本发明设ui服从参数为αi的拉普拉斯斯分布
那么图像向量u＝[u1，u2，…，uN]T的分布为
相应的超参数αi定义服从为伽马分布
此时，参数向量α＝[α1，…，αi，…，αN]T的分布定义为
卷积核k的分布定义为
基于贝叶斯定理将以上各个分布的关系可写成
p(k，u，y，α|z，v)＝p(z|k，u)p(y|k，v)p(k)p(v)p(u|α)p(α) (10)。
将方程(3-9)带入到(10)，经过整理我们有
以KL散度为代价函数并基于变分贝叶斯方法可得到关于图像和模糊核的目标函数
以及参数方程
这里(12)是关于k的目标函数，直接线性优化即可求解
这里(13)是关于u的目标函数，直接线性优化即可求解
这里(14)是关于超参数αi的计算关系。
实际求解过程中(12)、(13)和(14)交替进行优化。
为了方便理解本发明的上述技术方案，以下通过具体使用方式上对本发明的上述技术方案进行详细说明。
如图2a-2j所示，显示了对国产卫星HJ-1A的模糊图像z以Landsat-5为参考图像v的仿真实验结果。图像的大小为256x256，目标图像和参考图像经过高精度配准，模糊核为21x21散焦模糊。图2a左侧显示了作为目标图像的原始图像，该图像选自HJ-1A多光谱数据的第三波段。图2b显示了模拟退化图像，是由图2a所示的图像通过21x21散焦内核模糊而成。图2c显示了Landsat-5图像集的第三波段的辅助参考图像。图2d是本文所提出的方法实施的结果。图2e-2j是D.Perrone等人，D.Krishnan等人，J.Pan等人，L.Xu等人，R.Fergus等人和S.D.Babacan等人的去模糊结果。可以看到本发明的结果图2d更加准确的估计了模糊核且更多的回复出图像细节。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于多源参考信息的遥感图像盲复原方法，其特征在于，包括以下步骤：
S1、建立目标图像退化模型；
S2、建立虚拟观测模型；
S3、对各参数进行分布定义；S3步骤具体为：对任意的图像像素ui(u＝[u1，...，ui，...，uN]T)，设ui服从参数为αi的拉普拉斯分布
那么图像向量u＝[u1，u2，...，uN]T的分布为：
相应的超参数αi定义服从为伽马分布：
此时，参数向量α＝[α1，...，αi，...，αN]T的分布定义为：
卷积核k的分布定义为：
S4、得到模糊核、原始图像的目标函数以及超参数的计算关系；
S4步骤具体为：以KL散度为代价函数并基于变分贝叶斯方法得到关于模糊核和原始图像的目标函数：
以及超参数方程：
S5、对模糊核、原始图像、超参数进行交替优化，提升图像复原效果。
2.根据权利要求1所述的一种基于多源参考信息的遥感图像盲复原方法，其特征在于，S1步骤具体为：建立目标图像退化模型：z＝k*u+nz (1)，其中，z为观测到的模糊图像，u是原始图像，k是模糊核，nz是噪声，符号*代表卷积运算。
3.根据权利要求2所述的一种基于多源参考信息的遥感图像盲复原方法，其特征在于，假定噪声nz是方差为均值为零的高斯白噪声，将模糊图像z、原始图像u和模糊核k都展开成为向量：z＝[z1，z2，...，zN]T，u＝[u1，u2，...，uN]T，k＝[k1，k2，...，kM]T。
4.根据权利要求3所述的一种基于多源参考信息的遥感图像盲复原方法，其特征在于，S2步骤具体为：引入同场景另一颗卫星清晰的参考图像v，并虚拟一个观测值y，所述观测值y是相同核函数k降晰条件下参考图像v的退化图像，虚拟的观测模型表示为y＝k*v+ny(2)。
5.根据权利要求4所述的一种基于多源参考信息的遥感图像盲复原方法，其特征在于，定义方程(1)和(2)在服从高斯分布下有条件概率的形式：
6.根据权利要求1所述的一种基于多源参考信息的遥感图像盲复原方法，其特征在于，基于贝叶斯定理将上述步骤中各个分布的关系写成：
p(k，u，y，α|z，v)＝p(z|k，u)p(y|k,v)p(k)p(v)p(u|α)p(α) (10)。
7.根据权利要求6所述的一种基于多源参考信息的遥感图像盲复原方法，其特征在于，将方程(3)-(9)带入到方程(10)，整理得：
8.根据权利要求7所述的一种基于多源参考信息的遥感图像盲复原方法，其特征在于，在实际求解过程中对方程(12)、(13)、(14)交替进行优化。
CN201910742086.8A 2019-08-13 2019-08-13 一种基于多源参考信息的遥感图像盲复原方法 Active CN110969582B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910742086.8A CN110969582B (zh) 2019-08-13 2019-08-13 一种基于多源参考信息的遥感图像盲复原方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910742086.8A CN110969582B (zh) 2019-08-13 2019-08-13 一种基于多源参考信息的遥感图像盲复原方法

Publications (2)

Publication Number Publication Date
CN110969582A CN110969582A (zh) 2020-04-07
CN110969582B true CN110969582B (zh) 2023-12-15

Family

ID=70028421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910742086.8A Active CN110969582B (zh) 2019-08-13 2019-08-13 一种基于多源参考信息的遥感图像盲复原方法

Country Status (1)

Country Link
CN (1) CN110969582B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111986123B (zh) * 2020-09-24 2024-03-12 南京航空航天大学 基于kl散度和l0范数约束的模糊图像复原方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451971A (zh) * 2017-07-30 2017-12-08 湖南鸣腾智能科技有限公司 基于暗通道和高斯组合先验的低照度盲卷积图像复原法
CN114418883A (zh) * 2022-01-18 2022-04-29 北京工业大学 一种基于深度先验的盲图像去模糊方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451971A (zh) * 2017-07-30 2017-12-08 湖南鸣腾智能科技有限公司 基于暗通道和高斯组合先验的低照度盲卷积图像复原法
CN114418883A (zh) * 2022-01-18 2022-04-29 北京工业大学 一种基于深度先验的盲图像去模糊方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
S. Derin Babacan等.《Bayesian blind deconvolution with general》.《ECCV 2012, Part VI》.2012,341-355. *

Also Published As

Publication number Publication date
CN110969582A (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN110008817B (zh) 模型训练、图像处理方法、装置、电子设备及计算机可读存储介质
CN102326379B (zh) 从图像中去除模糊的方法
CN106920220B (zh) 基于暗原色和交替方向乘子法优化的湍流图像盲复原方法
US20180197278A1 (en) Image processing apparatus and method
CN103310430A (zh) 对非均匀运动模糊进行去模糊的方法和设备
CN106709879B (zh) 一种基于简单透镜计算成像的空间变化点扩散函数平滑方法
WO2015143624A1 (en) Methods and systems for denoising images
CN103985085A (zh) 图像超分辨率放大的方法和装置
CN110458788B (zh) 单应性校正系统、方法及计算机可读存储介质
CN111028265B (zh) 一种基于迭代法构建相关滤波响应的目标跟踪方法
US20140105515A1 (en) Stabilizing and Deblurring Atmospheric Turbulence
CN104616248A (zh) 一种利用边缘分析与总变分的单幅图像去模糊清晰化方法
CN112581415A (zh) 图像处理方法、装置、电子设备及存储介质
CN110599586A (zh) 一种半稠密场景重建方法、装置、电子设备及存储介质
CN110969582B (zh) 一种基于多源参考信息的遥感图像盲复原方法
Seo Image denoising and refinement based on an iteratively reweighted least squares filter
CN113096032B (zh) 一种基于图像区域划分的非均匀一致模糊去除方法
CN115578289A (zh) 一种基于边界邻域梯度差值的散焦图像去模糊方法
Vo Attention! stay focus!
CN114219706A (zh) 基于网格分区特征点约减的图像快速拼接方法
CN112614080A (zh) 基于遥感图像序列的去模糊方法
CN113822823B (zh) 气动光学效应图像空变模糊核的点近邻复原方法及系统
Rezayi et al. Huber Markov random field for joint super resolution
CN111986136A (zh) 一种基于泊松概率模型的模糊图像序列融合复原方法
Lee et al. A real time implementation of a bayer domain image deblurring core for optical blur compensation

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