遥感影像超分辨率处理方法与研究进展

2019-02-13乔燕英

数字通信世界 2019年3期

乔燕英

（山东省国土测绘院，济南 250013）

1 引言

具体来讲，图像超分辨率处理指的是借助于计算机软件算法的应用，用高分辨率图像转换低分辨率图像的技术。目前，遥感影像在土地利用、灾害监测等诸多领域得到了广泛的应用，但是传感器噪声、物像相对移动以及光学系统的像等因素较大程度上影响到遥感卫星影像的空间分辨率。为了促使遥感影像分辨率得到提升，通常会从硬件和软件两个方面着手。通过改进硬件，促使影像空间分辨率得到提升，这种途径需要较长的周期和较大的成本。因此，逐渐出现了遥感影像超分辨率重建技术。调查研究发现，目前国外已经在遥感系统中成功应用了超分辨率重建技术。如德国徕卡公司在三线阵航空数字相机系统中应用了超分辨率重建技术，美国有大学在实验中成功了提高了红外图像的分辨率。我国因为在遥感影像重建研究方面只有很短时间的发展历程，应用还不够成熟，但是引起了领域内专家的广泛关注和重视。

2 遥感影像超分辨率处理流程

在遥感影像超分辨率处理过程中，首先，如果低分辨率图像的数量无法满足要求，则需要将模拟图像退化模型构建起来，对一序列的低分辨率实验图像进行获取。其次，从亚像级角度匹配低分辨率图像，通过运动估计，对运动矩阵、模糊矩阵、下采样矩阵等进行获取。第三，结合运动参数，对重建方法合理选择，重建影像。第四，模糊、去噪处理高分辨率图像。最后，对图像的评价指标合理计算，量化评价重建效果。

3 遥感影像超分辨率处理技术及研究进展

3.1 图像退化模型

研究发现，超分辨率重建技术主要是在转换模型的支持下，综合低分辨率图像序列的互补信息，进而将高分辨率图像重新构建起来。在这个过程中，图像的清晰度会受到像差、失真等因素的不利影响，因此，就需要将图像退化模型技术运用过来。图像退化具有十分复杂的过程，一般将线性模型运用过来，以便对其过程进行简单模拟。包括三个步骤：首先为形变，包括全局形变和局部形变两种类型，目前全局形变得到广泛应用。通过配准处理，对亚像素级别的运动估计、形变矩阵进行获取。其次为模糊，将点扩散函数运用过来，对光学模糊、运动模糊等进行表述。最后为下采样，相较于采样之前，采样后的空间分辨率较低，对降采样矩阵进行确定。然后在退化模型公式中输入矩阵参数、噪声以及低分辨率图像，即可对高分辨率图像进行获取。

3.2 遥感影像配准

在遥感影像超分辨率处理技术中，低分辨图像序列间互补信息的获取是关键环节，只有获得丰富的互补信息，方可以提高重建效果。而通过影像序列配准后的运动估计，方可以获取互补信息。图像配准主要是叠加匹配各帧图像，进而将最佳变换的对应关系找出来。目前，出现了三种配准算法：

首先，频率域法。在傅里叶变换性质的影响下，频率域法可以对影像平移、旋转、缩放等进行处理，局限性较大，但是可以非常便捷的处理混叠。其中，Fourier变换域法得到了十分广泛的应用，其具有较小的运算量，复杂的影像转换需求无法实现，且先验约束无法添加。

其次，空间域法。本种方法可以在大部分运动模型中实施，既可以处理整幅图像，局部分块、运动向量场的构建需求也可以得到有效满足。有专家将Taylor级数性质充分运用起来，借助于迭代法的实施，即可对影像序列间的运动情况精确求解。在特征算法支持下，将配准映射关系构建于提取到的图像特征中。实践研究表明，本种方法具有较强的通用性和鲁棒性。基于光流的算法近些年来成为研究的热点，主要是对目标运动信息进行估算，进而将影像间的对应形变关系确定出来。

最后，空频域法。相较于空间域法，本种方法可以更加高效的处理混叠效应，但是在适用性方面不如空间域法，因此，就可以综合使用这两种技术。其中，基于小波的运动模型、复数小波变换算法等都属于重要的空频域法，这些技术需要花费较长的时间，制约到了其广泛的应用[1]。

3.3 遥感影像重建

目前，频率域的频谱解混叠算法理论与非均匀插值算法是比较经常用到的图像重建技术，前者具有十分简单的理论，实现难度较小；后者直观性较强。但是这两种方法不具备较强的适应性，仅仅可以重建一般图像，无法超分辨率重建遥感影像。针对这种情况，下面主要介绍遥感影像重建技术。

首先，迭代反向投影法。本种方法指的是对低分辨率图像序列、实际观测图像之间的差值进行获取，然后借助于迭代公式，最大程度的缩小误差，促使图像估计值得到不断更新。本种方法难度较小，直观性较强，但是唯一解缺乏，先验约束难以引入，且反向投影算子参数无法合理选择。

其次为凸集投影法。本种技术主要是在若干闭合且满足一定特性的凸集里限制可行解，用向量集合对其定义。一旦有非空交集出现于约束集中，本交集就是解空间，向凸集中交替投影本交集，以便对高分辨率图像进行获取。实践表明，本种方法的实施，先验信息能够快速有效的引入，但是计算收敛不快，且没有唯一的解。

再次，正则化重建法。一般情况下，可以将本种方法分为两种类型，分别为统计先验模型与重建模型。统计先验模型是将贝叶斯方法运用过来，将解的先验知识规整化问题引入进来，其具有唯一的解，且图像先验知识能够快速引入，空间观测模型的灵活性较强，重建效果较好，但是无法高质量的处理图像边缘与细节，针对这种情况，就需要结合使用Huber-Markov模型与GIBBS图像先验知识[2]。

最后，学习训练法。本种方法指的是借助于训练数据集，对低分辨率图像、高分辨率图像之间的映射关系进行寻找。在具体实施过程中，结合低分辨率图像与高分辨率图像，对退化的先验信息、高低分辨率图像之间的关联参数进行获取，然后对训练库中的同类图像进行搜索，保证其类似于输入图像。做出合理假设，两者的退化模型、先验知识是统一的，然后结合学习信息，重建低分辨率图像，即可将高分辨率图像构建起来。

综合分析这些重建技术可以得知，频率域法仅仅能够在全图平移运动、线性空间中应用，且包含了十分有限的先验知识，因此，逐渐不再受到人们的关注。而学习训练方法将图像先验知识充分利用了起来，高频细节能够产生，获取结果比较优质，但是在本种技术的实施过程中，需要将图像数据库构建起来，对训练样本数量要求较高，通常处理一些特定类型的图像，如复原文字、复原人脸等等，无法有效应用于遥感影像高分辨率处理当中。空间域技术则借助于数学方程组来表示观测模型，涵盖了较多的因素和内容。经过不断发展，目前开始联合使用空间域法和其他的图像处理技术，效果比较显著。由此可见，空间域法的灵活性较强，适用范围较大，可以有效应用于遥感影像超分辨率处理当中[3]。

3.4 重建效果评价

通常情况下，可以采用两种类型来评价图像质量，分别是主观视觉感受与客观量化指标。具体来讲，主观视觉感受指的是人们在眼睛观察的基础上，将已有的经验和知识运用过来，对比评价图像，这样就会存在很大差异，影响到评价的精确性。而客观量化指标的引入，则能够促使主观评价的缺陷和问题得到有效弥补与解决，其中，平均绝对误差、归一化均方误差、均方误差、峰值信噪比等是比较经常用到的客观量化指标。这些指标可以将图像误差的整体统计特性反映出来，但是图像误差的局部特性却无法反应，针对这种情况，又提出了结构相似性指标。