CN121391663A - 一种基于椭圆高斯分布的卫星影像清晰度提升方法 - Google Patents

Abstract

本发明公开了一种基于椭圆高斯分布的卫星影像清晰度提升方法，涉及遥感影像处理技术领域，包括：根据采集的物理成像参数计算生成运动数据，并基于运动数据构建基准运动向量，所述运动数据包括长轴基准值和基准模糊方向角；基于真实卫星影像的统计特征构建约束空间，并从约束空间中采集随机退化参数，所述随机退化参数包括长轴扰动项、方向角抖动项以及短轴标准差；将基准运动向量与随机退化参数进行融合处理，生成复合椭圆高斯退化卷积核；本发明在训练样本对集合的构建过程中引入长轴基准值与基准模糊方向角、随机退化参数以及对齐参考数据，使训练样本对在模糊结构与空间匹配方面更贴合真实卫星成像。

Description

一种基于椭圆高斯分布的卫星影像清晰度提升方法

技术领域

本发明涉及遥感影像处理技术领域，具体涉及一种基于椭圆高斯分布的卫星影像清晰度提升方法。

背景技术

随着卫星成像任务在地表精细监测、灾害研判、城市变化分析与资源调查等场景中的需求不断扩大，卫星影像清晰度在空间目标识别与纹理信息解析中的作用愈发关键；成像装备通常需在高速轨道运动、复杂姿态扰动与非稳定大气条件下获取连续地表信息，使成像过程中产生的运动模糊与光学扩散呈现多因素耦合的特性；在此类条件下，单纯依赖固定模糊模型、线性运动假设或静态退化核的处理方式往往无法准确描述真实成像退化的变化模式，难以支撑后续基于伪卫星影像数据构建的深度学习训练任务，从而为提出能够同时反映物理成像过程与空间统计结构的影像清晰度提升方案奠定了需求背景。

在基于物理成像参数模拟成像模糊形态的过程中，通常难以将卫星轨道姿态角、地面投影速度、成像扫描方向与曝光积分时间的共同影响转化为能够稳定描述模糊幅度与模糊方向的成像运动特征，使生成的伪卫星影像数据在运动模糊结构上难以保持与真实成像过程的对应性；当模糊方向角的偏移、分量噪声与运动尺度的变化未得到充分表达时，训练样本对集合中伪卫星影像数据的模糊结构易出现失真，从而影响后续重建模型对真实退化模式的学习能力。

其次，在构建退化模拟所需的统计退化参数过程中，通常难以将边缘梯度直方图、大气扰动标准差统计量与点扩散函数半高宽值共同转化为可用于采样的多维约束空间，使长轴扰动项、方向角抖动项与短轴标准差在统计来源上缺乏统一性；在缺乏梯度区段数据、扰动类别数据与扩散区间数据的稳定关联关系时，生成的随机退化参数难以体现真实成像条件下的梯度分布、扰动结构及光学扩散特征，导致伪卫星影像数据的模糊多样性不足，从而限制训练样本对集合对真实模糊情况的覆盖能力。

此外，在伪卫星影像数据与高清航空影像之间建立空间对应关系的过程中，常出现因重采样操作、局部纹理差异或图像边界处理导致的像素级轻微偏移，使训练样本对集合的空间一致性受到影响；若伪卫星影像数据中局部区域的坐标差值缺乏有效筛查，或全局对齐关系未能通过梯度强度权重进行稳定估计，则逐像素配对处理中易产生空间错位，使参数迭代训练阶段的深度学习网络难以对真实模糊形态、空间偏移与局部变化进行准确建模，从而影响卫星影像清晰度提升的效率。

发明内容

为了解决上述技术问题，本发明提供了一种基于椭圆高斯分布的卫星影像清晰度提升方法，所述方法包括：

S1，根据采集的物理成像参数计算生成运动数据，并基于运动数据构建基准运动向量，所述运动数据包括长轴基准值和基准模糊方向角；

S2，基于真实卫星影像的统计特征构建约束空间，并从约束空间中采集随机退化参数，所述随机退化参数包括长轴扰动项、方向角抖动项以及短轴标准差；

S3，将基准运动向量与随机退化参数进行融合处理，生成复合椭圆高斯退化卷积核；

S4，通过复合椭圆高斯退化卷积核对高清航空影像执行退化模拟运算，生成伪卫星影像数据，将伪卫星影像数据与对应的高清航空影像进行像素级对齐，以构建训练样本对集合。

进一步地，所述物理成像参数包括卫星轨道姿态角、地面投影速度、成像扫描方向和曝光积分时间；所述统计特征包括真实卫星影像的边缘梯度直方图、大气扰动标准差统计量和点扩散函数半高宽值。

进一步地，基于运动数据构建基准运动向量的步骤为：

S11，通过卫星轨道姿态角、地面投影速度、成像扫描方向和曝光积分时间执行参数记录处理，生成物理成像参数记录；

S12，基于物理成像参数记录中地面投影速度与曝光积分时间执行乘法计算，生成长轴基准值；

S13，对物理成像参数记录中成像扫描方向执行角度解析处理，生成基准模糊方向角；

S14，根据长轴基准值与基准模糊方向角执行向量构建运算，生成基准运动向量。

进一步地，执行角度解析处理的逻辑为：

a1，通过成像扫描方向执行空间方向分解处理，生成方向分解量；

a2，根据成像扫描方向执行角度偏移估计计算，生成角度偏移量；

a3，通过成像扫描方向执行方向噪声抑制计算，生成噪声抑制量；

a4，基于方向分解量、角度偏移量与噪声抑制量执行角度融合处理，生成基准模糊方向角。

进一步地，基于真实卫星影像的统计特征构建约束空间的步骤包括：

S21，基于边缘梯度直方图执行区段梯度分布判定，生成梯度区段数据；

S22，根据大气扰动标准差统计量执行扰动幅值分类处理，生成扰动类别数据；

S23，基于点扩散函数半高宽值执行扩散范围区间划分，生成扩散区间数据；

S24，通过梯度区段数据、扰动类别数据和扩散区间数据执行空间域分层处理，构建约束空间。

进一步地，生成梯度区段数据的步骤为：

S211，基于边缘梯度直方图的各梯度幅值段执行幅值密度分析，生成密度突变段记录；

S212，根据密度突变段记录执行幅值区段边界判定，得到幅值边界集合；

S213，通过幅值边界集合与边缘梯度直方图的幅值分布执行区段划分处理，生成梯度区段数据。

进一步地，执行幅值密度分析的逻辑为：

b1，基于边缘梯度直方图的幅值段频次变化率执行区段梯度变化率分析，获取变化率波动数据；

b2，根据变化率波动数据中相邻变化率符号的连续反转次数执行幅值段稳定性判定，得到不稳定幅值段集合；

b3，通过不稳定幅值段集合与边缘梯度直方图中对应幅值段的频次梯度差值执行突变段筛选处理，生成密度突变段记录。

进一步地，复合椭圆高斯退化卷积核的生成逻辑为：

S31，通过长轴基准值与长轴扰动项执行幅向叠加处理，生成长轴融合值；

S32，基于基准模糊方向角与方向角抖动项执行角度校正处理，得到方向融合角值；

S33，根据短轴标准差与相关系数字段执行轴向参数更新，生成短轴更新值；

S34，通过长轴融合值、方向融合角值与短轴更新值执行卷积核参数汇集处理，生成复合椭圆高斯退化卷积核。

进一步地，构建训练样本对的逻辑为：

c1，通过复合椭圆高斯退化卷积核与高清航空影像执行卷积处理，生成伪卫星影像数据；

c2，对伪卫星影像数据与高清航空影像执行空间坐标对应分析，得到对齐参考数据；

c3，基于对齐参考数据进行逐像素配对处理，生成训练样本对集合。

进一步地，执行空间坐标对应分析的步骤为：

c21，基于伪卫星影像数据与高清航空影像的对应像素坐标执行坐标差值计算，生成差值片段数据；

c22，通过差值片段数据执行局部一致性筛查，得到候选对齐单元数据；

c23，根据候选对齐单元数据执行坐标映射确认处理，生成对齐参考数据。

相比于现有技术，本发明的有益效果在于：

本发明通过基于物理成像参数记录、长轴基准值与基准模糊方向角构建成像运动特征，并以此带动后续退化卷积核中模糊方向与模糊尺度的动态控制，使伪卫星影像数据在运动模糊形态上能够贴近真实卫星影像的空间退化特性，从而在训练样本对集合中建立与真实成像环境一致的模糊结构映射基础；此外，本发明通过由梯度区段数据、扰动类别数据与扩散区间数据构成的约束空间获取随机退化参数，使长轴扰动项、方向角抖动项与短轴标准差在统计层面保持来源一致与物理一致性，以在复合椭圆高斯退化卷积核中引入可控的模糊多样性，从而提升伪卫星影像数据在真实模糊状态覆盖方面的稳定性与合理性。

此外，本发明还通过对伪卫星影像数据与高清航空影像执行空间坐标对应分析、局部一致性筛查与对齐参考数据生成处理，使训练样本对集合中的像素级对应关系建立在全局与局部均一致的空间平移校正基础之上，从而减少由重采样误差、窗口纹理差异或局部漂移带来的样本偏差，以提高训练样本对集合在空间匹配层面的可依赖性和整体协调性，进而增强参数迭代训练过程中深度学习网络对伪卫星影像数据与高清航空影像之间差异的有效建模能力。

进一步的，本发明在参数迭代训练阶段基于训练样本对集合的模糊结构一致性和空间匹配一致性，使深度学习网络能够在多类型模糊形态、不同空间位置偏移以及多尺度扩散特征下稳定收敛，并在匹配误差约束下获得能够输出高保真重建结果的卫星影像清晰化处理模型，从而使影像重建任务在面对真实卫星影像的运动模糊、光学扩散和局部结构不一致场景时，具备更高的重建精度与更强的结构还原能力；

综上所述，本发明在训练样本对集合的构建过程中引入长轴基准值与基准模糊方向角、随机退化参数以及对齐参考数据，使训练样本对在模糊结构与空间匹配方面更贴合真实卫星成像。

附图说明

为了更清楚地说明本申请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的介绍，显而易见的，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于椭圆高斯分布的卫星影像清晰度提升方法的流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1所示，本实施例公开提供了一种基于椭圆高斯分布的卫星影像清晰度提升方法，所述方法包括：

S1，根据采集的物理成像参数计算生成运动数据，并基于运动数据构建基准运动向量，所述运动数据包括长轴基准值和基准模糊方向角；

在一个具体实施例中，为构建后续运动退化模型所需的基础物理成像输入参数，本步骤对卫星成像过程中可直接观测或检索的成像物理量进行结构化记录处理。

具体的，所述物理成像参数包括卫星轨道姿态角、地面投影速度、成像扫描方向和曝光积分时间；

其中，卫星轨道姿态角由卫星姿态控制系统的高精度陀螺仪和星敏感器联合输出，用于描述卫星在成像瞬间的空间姿态变化情况，是反映视轴偏移量的关键物理量。

卫星轨道姿态角包括滚转角、俯仰角与偏航角三个分量，在成像时刻均存在微小扰动，单位为°。

地面投影速度为卫星在成像瞬间沿地表投影轨迹方向的速度，由轨道力学模型结合全球卫星导航系统测得，可用于描述目标地物在成像期间的相对运动量，单位为m/s。

成像扫描方向由载荷扫描机构提供，用于描述传感器扫描线在成像期间相对于地表坐标系的方向关系，单位为°。

需要说明的是：扫描方向在推扫式与摆扫式相机中不同，但均可作为输入记录为单一方向角值。

曝光积分时间由卫星载荷控制系统设置，在固定成像模式下基本恒定，但在宽幅成像或高速成像条件下存在动态变化，该参数用于描述相机在单列像素曝光期间的累积时间，是模糊长度计算的线性因子。

具体的，基于运动数据构建基准运动向量的步骤为：

S11，通过卫星轨道姿态角、地面投影速度、成像扫描方向和曝光积分时间执行参数记录处理，生成物理成像参数记录；

在一个优选的实施例中，为确保后续运动模糊计算过程中的参数一致性，将上述四类物理成像参数按照预设的参数字段结构表，生成物理成像参数记录，参数字段结构表如表1所示：

表1：参数字段结构表

其中，姿态角向量采用三维列向量形式，表示为：

；

式中，、、分别表示卫星在采集时刻的滚转角、俯仰角、偏航角；

生成的物理成像参数记录表示为：

；

示例性地，设在某一成像瞬间采集到的参数为：

卫星轨道姿态角：；地面投影速度：；成像扫描方向：；曝光积分时间：；则生成的物理成像参数记录可表示为：

；

需要说明的是：为避免因姿态跳变或星敏器误差导致的异常值进入退化核计算过程，本实施例采用以下方式进行参数有效性校验：对卫星轨道姿态角的集合执行滑动窗口均值比较，剔除瞬时尖峰，此外，对扫描方向与曝光时间采用运行日志内插检验，确保来源一致，校验通过后的数据作为最终的物理成像参数记录。

S12，基于物理成像参数记录中地面投影速度与曝光积分时间执行乘法计算，生成长轴基准值；

对曝光积分时间进行单位换算，生成换算后的曝光积分时间，为未经过单位换算的曝光积分时间；

通过对物理成像参数记录中的地面投影速度与换算后的曝光积分时间执行乘法运算，可获得表征成像过程中沿成像扫描方向运动模糊尺度的长轴基准值，表示为：；

式中，为长轴基准值，为地面投影速度；

需要说明的是：长轴基准值用于后续椭圆高斯退化卷积核的长轴尺度构建。

S13，对物理成像参数记录中成像扫描方向执行角度解析处理，生成基准模糊方向角；

具体的，执行角度解析处理的逻辑为：

a1，通过成像扫描方向执行空间方向分解处理，生成方向分解量；

所述方向分解量包括水平分量和垂直分量；

需要了解的是：成像扫描方向作为平面角度量，通过分解可产生用于描述扫描方向分量结构的方向分解量；表示为：；

其中，为成像扫描方向的水平分量，为成像扫描方向的垂直分量，为成像扫描方向。

a2，根据成像扫描方向执行角度偏移估计计算，生成角度偏移量；

表示为：；

式中，为角度偏移量，为偏移估计系数，为成像扫描方向的垂直分量，为反正切函数；

需要说明的是：角度偏移量反映了成像扫描方向中垂向成分对模糊方向造成的偏移程度，偏移估计系数为对真实卫星影像的成像扫描方向的角度变化序列的方差进行统计得到的方向稳定性特征，优选的，的取值范围为[0.01,0.10]。

a3，通过成像扫描方向执行方向噪声抑制计算，生成噪声抑制量；

表示为：；

式中，为噪声抑制量，为噪声抑制系数，为成像扫描方向的水平分量；

需要说明的是：噪声抑制系数通过真实卫星影像的边缘梯度噪声能量占比统计获取，优选的，噪声抑制系数的取值范围为[0.20,0.35]。

a4，基于方向分解量、角度偏移量与噪声抑制量执行角度融合处理，生成基准模糊方向角；

表示为：；

式中，为基准模糊方向角，为反正切函数；

需要说明的是：基准模糊方向角综合了成像扫描方向的几何分量、偏移与噪声抑制因素，用于描述成像模糊方向。

S14，根据长轴基准值与基准模糊方向角执行向量构建运算，生成基准运动向量；

基于得到的长轴基准值和基准模糊方向角，构建基准运动向量；

表示为：；

式中，为基准运动向量；

需要说明的是：基准运动向量用于表征成像运动导致的模糊方向与模糊幅度。

S2，基于真实卫星影像的统计特征构建约束空间，并从约束空间中采集随机退化参数，所述随机退化参数包括长轴扰动项、方向角抖动项以及短轴标准差；

为使退化模拟过程能够反映真实成像环境下的模糊分布模式，通过对真实卫星影像的统计特征执行区段化、分类化及空间分层构建，得到用于采样随机退化参数的约束空间；

所述约束空间为一个多维统计结构，包含梯度区段数据、扰动类别数据和扩散区间数据；

基于约束空间按照设定的采样策略采集满足物理一致性的随机退化参数，用于后续的退化卷积核生成处理。

具体的，所述统计特征包括真实卫星影像的边缘梯度直方图、大气扰动标准差统计量和点扩散函数半高宽值；

边缘梯度直方图基于采用线阵遥感成像相机对真实卫星影像执行采集后，通过在固定尺寸窗口内提取边缘梯度值并统计生成；

大气扰动标准差统计量基于星载多光谱辐射计在跨扫描方向的连续采样数据，通过计算相邻像元亮度差的波动值获得；

点扩散函数半高宽值基于成像载荷光学标定装置在实验室标定过程中对点光源成像响应的测量结果获取。

具体的，基于真实卫星影像的统计特征构建约束空间的步骤包括：

S21，基于边缘梯度直方图执行区段梯度分布判定，生成梯度区段数据；

在真实卫星影像中，边缘梯度直方图能够反映不同区域的纹理强度变化情况，为了将梯度分布转化为适用于统计采样的离散区段，对边缘梯度直方图进行区段判定，以生成梯度区段数据。

具体的，生成梯度区段数据的步骤为：

S211，基于边缘梯度直方图的各梯度幅值段执行幅值密度分析，生成密度突变段记录；

具体的，执行幅值密度分析的逻辑为：

b1，基于边缘梯度直方图的幅值段频次变化率执行区段梯度变化率分析，获取变化率波动数据；

统计各梯度幅值段的频次，并计算相邻幅值段之间的频次变化率，表示为：；

式中，为边缘梯度直方图中第个幅值段的频次，为边缘梯度直方图中第个幅值段的频次，为第幅值段的频次变化率；

基于多组构建频次变化率集合，并作为变化率波动数据进行输出。

需要说明的是：某一梯度的幅值段的频次为该幅值段中，像素梯度落入该幅值范围的像素数量。

b2，根据变化率波动数据中相邻变化率符号的连续反转次数执行幅值段稳定性判定，得到不稳定幅值段集合；

在一个具体的实施例中，基于变化率符号反转次数执行梯度变化稳定性判定时，需要调取预设的连续反转次数阈值，当出现连续反转次数大于或等于连续反转次数阈值时，则标记为不稳定幅值段，基于多个不稳定幅值段构建不稳定幅值段集合；

需要说明的是：连续反转次数阈值依据对真实卫星影像的统计分析结果进行设置，在大量样本的边缘梯度直方图中统计各幅值段的变化率符号集合，记录其连续符号反转的出现次数，并提取其中发生频率较高的连续反转次数作为阈值的取值范围；通过该方式获得的连续反转次数阈值为一个较小的正整数；

优选的，连续反转次数阈值取值范围可位于1～3之间。

b3，通过不稳定幅值段集合与边缘梯度直方图中对应幅值段的频次梯度差值执行突变段筛选处理，生成密度突变段记录；

表示为：；

式中，为第幅值段的频次梯度差值，，为相邻幅值段的频次；

当某幅值段同时属于不稳定幅值段集合，且其频次梯度差值达到预设的频次梯度比对差值时，将该幅值段标记为密度突变段，并写入密度突变段记录。

其中，预设的频次梯度比对差值，优选为直方图总像素数的1%；

S212，根据密度突变段记录执行幅值区段边界判定，得到幅值边界集合；

本步骤中，为将连续梯度幅值空间划分为具有统计代表性的离散区段，需要根据生成的密度突变段记录执行幅值区段边界判定；

具体的，密度突变段记录中包含的各密度突变段代表梯度直方图中梯度变化最显著的边界位置，可据此确定幅值区段边界，基于多组幅值区段边界得到幅值边界集合；

示例性地，对边缘梯度直方图执行幅值密度分析后，假设得到的密度突变段记录包含三个幅值段：；

需要说明的是：边缘梯度直方图的幅值轴被划分为若干连续幅值段，4可以理解为第4个幅值段，设定段宽为0.05，则：

第4段的幅值范围大约为[0.15,0.20]，其幅值区段边界取0.20；

第9段的幅值范围大约为[0.40,0.45]，其幅值区段边界取0.45；

第12段的幅值范围大约为[0.55,0.60]，其幅值区段边界取0.60；

得到的幅值区段边界按照从小到大进行排序，以生成幅值边界集合，表示为：

；

由于真实卫星影像在边缘结构和纹理分布上具有较强的复杂性，该基于突变段的边界判定方式能够有效刻画梯度分布的结构性变化，使生成的梯度区段数据更符合真实影像的边缘响应特征。

S213，通过幅值边界集合与边缘梯度直方图的幅值分布执行区段划分处理，生成梯度区段数据；

对于每一个被划分出的幅值区段，基于对应的边缘梯度直方图中各幅值段的频次，计算各幅值段的频次占该幅值段总频次的比例值，并将这些比例值按照幅值从低到高的顺序组成结构化集合，形成幅值段密度结构，所述幅值段密度结构用于表征该幅值段内部梯度密度的分布形态。

进一步地，将每个幅值段的幅值范围、频次以及对应的幅值段密度结构组合为结构化记录，作为梯度区段数据的组成单元，最终生成梯度区段数据；

需要说明的是：幅值范围为步骤S212中举例说明内容，不加以赘述。

S22，根据大气扰动标准差统计量执行扰动幅值分类处理，生成扰动类别数据；

真实卫星影像在成像过程中易受大气扰动影响，该扰动会在影像边缘结构与亮度变化中体现为不同强度的随机波动；

基于大量真实影像统计得到的大气扰动标准差统计量，可对扰动幅值进行分类，用以构建不同扰动等级。

在具体实施中，对大气扰动标准差统计量依照预设的分类规则执行扰动幅值分类处理，将扰动标准差值分配至若干扰动等级区间，得到扰动类别数据，扰动类别数据描述了不同大气扰动强度区间对应的扰动幅值范围。

S23，基于点扩散函数半高宽值执行扩散范围区间划分，生成扩散区间数据；

点扩散函数（PSF）的半高宽值能够描述光学系统成像时的扩散范围，是成像清晰度和模糊程度的重要物理指标；

为了使模拟退化卷积核能够映射真实成像系统的扩散特性，需基于半高宽值执行扩散范围的区间划分；

在具体实施过程中，对统计得到的点扩散函数半高宽值按照数值大小进行分区，分为多个扩散范围区间，并形成扩散区间数据；

扩散区间数据描述了光学系统在不同成像条件下可能产生的扩散尺度，为随机退化参数中的短轴标准差提供采样依据。

通过该方式建立的扩散区间数据可确保退化模拟中的短轴扩散特征与真实卫星影像在光学扩散层面的表现相一致

S24，通过梯度区段数据、扰动类别数据和扩散区间数据执行空间域分层处理，构建约束空间；

在一个具体的实施例中，以梯度区段数据描述的梯度结构为空间第一维度，以扰动类别数据描述的大气扰动等级为空间第二维度，以扩散区间数据描述的扩散尺度区间为空间第三维度；

按照三类数据进行三个空间维度的组合，按“梯度区段数据×扰动类别数据×扩散区间数据”的组合规则，构建具有梯度—扰动—扩散三重约束的多维空间，将所述多维空间作为约束空间进行输出；

基于约束空间，采集各个空间维度的退化参数，可以作为随机退化参数，采集逻辑为：

从约束空间的空间第一维度中提取预设的长轴扰动项，从约束空间的空间第二维度中提取预设的方向角抖动项，从约束空间的空间第三维度中提取预设的短轴标准差。

需要说明的是：长轴扰动项通过对真实卫星影像中沿成像运动方向的边缘扩展宽度进行统计获得，具体而言，对大量真实卫星影像的边缘逐行扫描，测量沿成像方向的梯度扩散宽度，即可得到可直接用于退化模拟的长轴扰动项，单位为m；

方向角抖动项通过统计真实卫星影像中局部结构的主方向角波动得到，具体为：对影像的多个局部区域执行结构方向分析，测量每一区域的主方向角及其相对于相邻区域的变化幅度，从而得到表征方向不稳定性的角度波动量，单位为°；

短轴标准差的生成步骤具体为：在多幅真实卫星影像中选取纹理均匀、亮度变化平缓的区域，利用成像仪器标定中常用的点源或近似点状光斑，通过分析该类点状特征在横向方向的亮度扩散形式，记录其在亮度下降到峰值一半位置时对应的横向宽度。将多幅影像得到的此类横向宽度数值进行整理，即可形成一组可直接用于退化模拟的横向扩散宽度数据，横向扩散宽度数据经标准差计算后，生成结果即为短轴标准差。

示例性地，假设空间第一维度，即梯度区段数据包含三个梯度区段，梯度区段表如表2所示；

表2：梯度区段表

设空间第二维度，即扰动类别数据包含三个扰动等级，扰动等级表如表3所示；

表3：扰动等级表

设空间第三维度，即扩散区间数据，包含基于点扩散函数半高宽值划分的三个扩散尺度区间，扩散尺度区间表如表4所示；

表4：扩散尺度区间表

通过“梯度区段数据×扰动类别数据×扩散区间数据”的组合规则，可产生：

个空间层级单元

每一个“单元”对应一种真实世界可能出现的模糊状态；例如，一个单元可以表示：梯度区段为G3，扰动等级为T2，扩散尺度为E1；

需要说明的是：具体的空间层级单元并非仅有27个，可根据不同的维度层级进行组合，可多于27个也可以少于27个，上述内容仅为便于理解进行举例说明

假设随机落在了约束空间的（G3，T2，E1）的空间层级单元；

采集随机退化参数，即从约束空间的空间第一维度中G3提取长轴扰动项，从约束空间的空间第二维度T2中提取方向角抖动项，从约束空间的空间第三维度E1中提取短轴标准差。

S3，将基准运动向量与随机退化参数进行融合处理，生成复合椭圆高斯退化卷积核；

具体的，复合椭圆高斯退化卷积核的生成逻辑为：

S31，通过长轴基准值与长轴扰动项执行幅向叠加处理，生成长轴融合值；

长轴融合值的生成公式为：；

式中，为未约束的长轴融合值，为长轴扰动项；

需要说明的是：幅向叠加处理反映实际成像中物理运动模糊尺度与统计模糊尺度的共同作用

对未约束的长轴融合值进行下限约束处理，得到长轴融合值；

表示为：；

为长轴融合值，为根据真实影像模糊宽度统计设定的最小可接受长轴尺度，防止退化核退化为极小尺度，为选取和作为长轴融合值进行输出。

S32，基于基准模糊方向角与方向角抖动项执行角度校正处理，得到方向融合角值；

；

式中，为未归一化的方向融合角值，为方向角抖动项；

需要说明的是：本步骤的叠加用于模拟真实成像过程中扫描方向角的随机扰动；

对未归一化的方向融合角值进行归一化处理，生成方向融合角值；

表示为：；

式中，为方向融合角值，取值范围为[0,)，为将未归一化的方向融合角值进行角度归一化处理，使输出处于[0,)区间内。

S33，根据短轴标准差与相关系数字段执行轴向参数更新，生成短轴更新值；

表示为：；

式中，为未约束的短轴更新值，为短轴标准差，为相关系数字段，用于描述椭圆高斯核在主轴方向与次轴方向之间的相关程度；

需要说明的是：本步骤的轴向参数更新反映短轴尺度在大气扩散结构与光学相关性共同作用下的变化趋势；

相关系数字段通过对真实卫星影像中典型边缘区域的二维局部模糊形态执行协方差统计处理获得；

具体的，基于高分辨率卫星影像中纹理均匀且轮廓结构稳定的边缘区域，提取该区域的局部灰度梯度场，并计算梯度场在水平方向、垂直方向上的水平分量、垂直分量，以生成局部梯度协方差矩阵，基于矩阵内的局部梯度协方差及对应的各方向的方差，计算得到方向耦合度，以作为相关系数字段；

表示为：；

式中，为局部梯度的水平分量，为局部梯度的垂直分量，为水平分量和垂直分量的局部梯度协方差，、为水平分量、垂直分量的方差；

对未约束的短轴更新值执行下限约束，生成短轴更新值；

表示为：；

式中，为短轴更新值，为根据真实影像扩散宽度统计设定的最小可接受短轴尺度，用于避免短轴尺度降至物理上不合理的最小值。

S34，通过长轴融合值、方向融合角值与短轴更新值执行卷积核参数汇集处理，生成复合椭圆高斯退化卷积核；

表示为：；

为复合椭圆高斯退化卷积，表示以长轴融合值、方向融合角值与短轴更新值为输入构建椭圆高斯函数的汇集处理。

需要说明的是：在长轴融合值、方向融合角值与短轴更新值进入复合椭圆高斯退化卷积核进行更新之前，均需基于成像地面分辨率，执行单位换算，使其在卷积核中以像素尺度进行表达，换算逻辑为：

获取卫星影像的地面分辨率GSD，将所有以米为单位的参数除以GSD转换为像素单位。

S4，通过复合椭圆高斯退化卷积核对高清航空影像执行退化模拟运算，生成伪卫星影像数据，将伪卫星影像数据与对应的高清航空影像进行像素级对齐，以构建训练样本对集合；

基于步骤S3得到的复合椭圆高斯退化卷积核，对作为真值的高清航空影像执行退化模拟运算，生成具有真实模糊形态的伪卫星影像数据，并通过对伪卫星影像数据与高清航空影像执行空间坐标对应分析和逐像素配对处理，构建可用于深度学习网络训练的训练样本对。

具体的，构建训练样本对的逻辑为：

c1，通过复合椭圆高斯退化卷积核与高清航空影像执行卷积处理，生成伪卫星影像数据；

获取分辨率统一后的高清航空影像，记作：；

其中，和为离散像素坐标索引，单位为像素，为保证退化模拟过程在像素尺度上可计算，若原始高清航空影像的空间分辨率与目标卫星影像的地面分辨率存在差异，则在进入本步骤之前，对高清航空影像执行重采样处理，使其像元大小与目标卫星影像的像元大小保持一致，该重采样处理可采用双线性插值或立方插值方法，不加以赘述；

将步骤S3得到的复合椭圆高斯退化卷积核记作：；

其中，为卷积核内部的离散像素位移索引，卷积核尺寸为，和为正整数；

对高清航空影像与复合椭圆高斯退化卷积核执行二维离散卷积运算，生成伪卫星影像数据，表示为：；

式中，为伪卫星影像数据在像素坐标处的灰度值；

需要说明的是：还可以为像素坐标处的辐射亮度数值，为保持伪卫星影像数据与高清航空影像在空间尺寸上的一致性，本实施例在卷积过程中对图像边缘采用镜像填充策略，即当，超出原始图像范围时，通过对边界处像素进行关于边界的镜像扩展，将扩展后的像素值作为卷积输入，从而避免因零填充带来的边缘亮度衰减；

卷积运算完成后，得到与高清航空影像具有相同尺寸的伪卫星影像数据，所述伪卫星影像数据在空间分辨率上与卫星影像保持一致，同时在模糊形态上由复合椭圆高斯退化卷积核进行控制，用于模拟真实卫星成像过程中的运动模糊和光学扩散。

c2，对伪卫星影像数据与高清航空影像执行空间坐标对应分析，得到对齐参考数据；

在一个具体的实施例中，为在像素层面构建可靠的训练样本对，需要在伪卫星影像数据与高清航空影像之间建立稳定的空间坐标对应关系；

由于伪卫星影像数据是通过对高清航空影像进行卷积退化得到，两者在理想情况下应在像素网格上保持一一对应；

但在工程实现中，可能存在因重采样、裁剪或外部预处理带来的少量像素级偏移。因此，本步骤通过空间坐标对应分析生成对齐参考数据，用于描述两幅影像间的整体或局部像素位移；

具体的，执行空间坐标对应分析的步骤为：

c21，基于伪卫星影像数据与高清航空影像的对应像素坐标执行坐标差值计算，生成差值片段数据；

在伪卫星影像数据与高清航空影像中选取一组具有稳定纹理结构的采样区域，这些采样区域可按照固定间隔网格进行划分，例如每隔若干像素提取一个小块区域，每个小块区域的中心像素坐标在高清航空影像中记作：；

在伪卫星影像数据中对应的小块区域中心像素坐标记作：；

其中，为采样区域索引；

在理想情况下，若两幅影像不存在额外几何偏移，则存在：；

为检测并量化潜在的偏移，本实施例对每个采样区域计算坐标差值，表示为：；

式中，为第个采样区域的横向差值，为第个采样区域的纵向差值；

将所有采样区域的坐标差值按照区域索引进行记录，形成差值片段数据，表示为：；

式中，为差值片段数据，为采样区域总数，差值片段数据用于描述伪卫星影像数据相对于高清航空影像在不同空间位置的像素位移情况。

c22，通过差值片段数据执行局部一致性筛查，得到候选对齐单元数据；

基于部分采样区域可能位于影像的低纹理区域或存在噪声干扰，直接采用所有差值片段数据进行位移估计会导致误差偏大；

因此，本步骤对差值片段数据执行局部一致性筛查，以剔除不稳定区域，保留具有一致位移特性的区域，生成候选对齐单元数据。

具体地，构建以采样区域空间位置为中心的局部分析窗口，将空间上相邻的若干采样区域归入同一局部窗口，对每个局部窗口内的差值片段数据计算统计量；

表示为：；

；

；

；

式中，、为窗口内水平方向、垂直方向的平均位移量，、为水平方向、垂直方向的离散程度量，为窗口内的采样区域数量；

当某一局部窗口内的和同时小于基于历史实验数据预设的离散度阈值时，认为所述局部窗口内的坐标差值具有较好的一致性，将该局部窗口记作稳定窗口，并将所述局部窗口对应的位移统计结果作为候选对齐单元进行记录；

反之，则将该局部窗口视为不稳定区域，不做候选对齐单元的记录。

将所有满足一致性条件的局部窗口对应的平均位移信息进行记录，记作：；

式中，为候选对齐单元数据，为通过局部一致性筛查的稳定窗口集合

c23，根据候选对齐单元数据执行坐标映射确认处理，生成对齐参考数据；

在一个具体的实施例中，为在整幅伪卫星影像数据与高清航空影像之间建立统一的空间对齐关系，基于候选对齐单元数据计算代表性的全局对齐位移量，并将该位移量作为对齐参考数据输出；

具体地，对候选对齐单元数据集合中的各平均位移量进行加权统计，得到全局对齐位移，计算公式为：；

；

式中，为局部窗口的权重，基于局部窗口内的梯度强度进行设定，以提高纹理丰富区域在位移估计中的贡献度；

具体的，对局部窗口内进行水平梯度强度与垂直梯度强度的提取，以计算局部窗口的平均梯度强度，表示为：；

式中，为平均梯度强度，、为像素点的水平梯度强度与垂直梯度强度，为采样区域的数量；

对平均梯度强度进行归一化处理，将归一化结果作为局部窗口的权重，进行输出，计算公式为：；

将全局对齐位移作为对齐参考数据进行输出，对齐参考数据用于描述伪卫星影像数据在像素网格上相对于高清航空影像的整体平移关系。

c3，基于对齐参考数据进行逐像素配对处理，生成训练样本对集合；

在一个具体的实施例中，根据对齐参考数据给出的对齐参考数据，对伪卫星影像数据的像素坐标进行平移校正，将校正后的伪卫星影像数据与高清航空影像在像素坐标层面建立一一对应关系；

具体的，对伪卫星影像数据中每一个像素坐标，根据对齐参考数据计算其在高清航空影像中的对应像素坐标，表示为：；

需要说明的是：当计算的不为整数时，通过双线性插值方法从高清航空影像中获取对应位置的像素值，记作：；

将伪卫星影像数据在处的像素值组合为一对训练样本记录，对全图范围内满足边界条件的所有像素坐标进行上述配对处理，可构建训练样本对集合，表示为：

；

式中，为训练样本对集合，为经对齐位移变换后仍处于图像有效区域内的像素坐标集合；

S5，基于训练样本对集合，执行深度学习网络的参数迭代训练，生成卫星影像清晰化处理模型；

在一个具体的实施例中，通过上述方式生成的训练样本对，将伪卫星影像数据作为输入影像，将高清航空影像作为目标影像对模型进行训练，以生成卫星影像清晰化处理模型；

具体的，生成卫星影像清晰化处理模型的步骤为：

S51，将训练样本对划分为清晰化处理训练集和清晰化处理验证集，所述训练样本对包括伪卫星影像数据及其对应的高清航空影像；

S52，构建深度学习网络，将清晰化处理训练集中的伪卫星影像数据作为深度学习网络的输入，将对应的高清航空影像作为深度学习网络的输出，对深度学习网络执行参数迭代训练，得到初始卫星影像清晰化处理网络；

需要说明的是：所述参数迭代训练包括但不限于前向计算、差异度量计算和梯度更新处理，所述深度学习网络包括但不限于注意力增强网络或Transformer图像重建网络；

S53，通过清晰化处理验证集对初始卫星影像清晰化处理网络进行验证，将验证误差小于等于预设的匹配误差阈值的初始卫星影像清晰化处理网络作为预构建的卫星影像清晰化处理模型进行输出。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (10)

1.一种基于椭圆高斯分布的卫星影像清晰度提升方法，其特征在于，所述方法包括：

S1，根据采集的物理成像参数计算生成运动数据，并基于运动数据构建基准运动向量，所述运动数据包括长轴基准值和基准模糊方向角；

S2，基于真实卫星影像的统计特征构建约束空间，并从约束空间中采集随机退化参数，所述随机退化参数包括长轴扰动项、方向角抖动项以及短轴标准差；

S3，将基准运动向量与随机退化参数进行融合处理，生成复合椭圆高斯退化卷积核；

S4，通过复合椭圆高斯退化卷积核对高清航空影像执行退化模拟运算，生成伪卫星影像数据，将伪卫星影像数据与对应的高清航空影像进行像素级对齐，以构建训练样本对集合。

2.根据权利要求1所述的一种基于椭圆高斯分布的卫星影像清晰度提升方法，其特征在于，所述物理成像参数包括卫星轨道姿态角、地面投影速度、成像扫描方向和曝光积分时间；所述统计特征包括真实卫星影像的边缘梯度直方图、大气扰动标准差统计量和点扩散函数半高宽值。

3.根据权利要求2所述的一种基于椭圆高斯分布的卫星影像清晰度提升方法，其特征在于，基于运动数据构建基准运动向量的步骤为：

S11，通过卫星轨道姿态角、地面投影速度、成像扫描方向和曝光积分时间执行参数记录处理，生成物理成像参数记录；

S12，基于物理成像参数记录中地面投影速度与曝光积分时间执行乘法计算，生成长轴基准值；

S13，对物理成像参数记录中成像扫描方向执行角度解析处理，生成基准模糊方向角；

S14，根据长轴基准值与基准模糊方向角执行向量构建运算，生成基准运动向量。

4.根据权利要求3所述的一种基于椭圆高斯分布的卫星影像清晰度提升方法，其特征在于，执行角度解析处理的逻辑为：

a1，通过成像扫描方向执行空间方向分解处理，生成方向分解量；

a2，根据成像扫描方向执行角度偏移估计计算，生成角度偏移量；

a3，通过成像扫描方向执行方向噪声抑制计算，生成噪声抑制量；

a4，基于方向分解量、角度偏移量与噪声抑制量执行角度融合处理，生成基准模糊方向角。

5.根据权利要求2所述的一种基于椭圆高斯分布的卫星影像清晰度提升方法，其特征在于，基于真实卫星影像的统计特征构建约束空间的步骤包括：

S21，基于边缘梯度直方图执行区段梯度分布判定，生成梯度区段数据；

S22，根据大气扰动标准差统计量执行扰动幅值分类处理，生成扰动类别数据；

S23，基于点扩散函数半高宽值执行扩散范围区间划分，生成扩散区间数据；

S24，通过梯度区段数据、扰动类别数据和扩散区间数据执行空间域分层处理，构建约束空间。

6.根据权利要求5所述的一种基于椭圆高斯分布的卫星影像清晰度提升方法，其特征在于，生成梯度区段数据的步骤为：

S211，基于边缘梯度直方图的各梯度幅值段执行幅值密度分析，生成密度突变段记录；

S212，根据密度突变段记录执行幅值区段边界判定，得到幅值边界集合；

S213，通过幅值边界集合与边缘梯度直方图的幅值分布执行区段划分处理，生成梯度区段数据。

7.根据权利要求6所述的一种基于椭圆高斯分布的卫星影像清晰度提升方法，其特征在于，执行幅值密度分析的逻辑为：

b1，基于边缘梯度直方图的幅值段频次变化率执行区段梯度变化率分析，获取变化率波动数据；

b2，根据变化率波动数据中相邻变化率符号的连续反转次数执行幅值段稳定性判定，得到不稳定幅值段集合；

b3，通过不稳定幅值段集合与边缘梯度直方图中对应幅值段的频次梯度差值执行突变段筛选处理，生成密度突变段记录。

8.根据权利要求1所述的一种基于椭圆高斯分布的卫星影像清晰度提升方法，其特征在于，复合椭圆高斯退化卷积核的生成逻辑为：

S31，通过长轴基准值与长轴扰动项执行幅向叠加处理，生成长轴融合值；

S32，基于基准模糊方向角与方向角抖动项执行角度校正处理，得到方向融合角值；

S33，根据短轴标准差与相关系数字段执行轴向参数更新，生成短轴更新值；

S34，通过长轴融合值、方向融合角值与短轴更新值执行卷积核参数汇集处理，生成复合椭圆高斯退化卷积核。

9.根据权利要求1所述的一种基于椭圆高斯分布的卫星影像清晰度提升方法，其特征在于，构建训练样本对的逻辑为：

c1，通过复合椭圆高斯退化卷积核与高清航空影像执行卷积处理，生成伪卫星影像数据；

c2，对伪卫星影像数据与高清航空影像执行空间坐标对应分析，得到对齐参考数据；

c3，基于对齐参考数据进行逐像素配对处理，生成训练样本对集合。

10.根据权利要求9所述的一种基于椭圆高斯分布的卫星影像清晰度提升方法，其特征在于，执行空间坐标对应分析的步骤为：

c21，基于伪卫星影像数据与高清航空影像的对应像素坐标执行坐标差值计算，生成差值片段数据；

c22，通过差值片段数据执行局部一致性筛查，得到候选对齐单元数据；

c23，根据候选对齐单元数据执行坐标映射确认处理，生成对齐参考数据。