本文關(guān)鍵詞：基于Huber-Markov隨機(jī)場的遙感圖像盲復(fù)原技術(shù)研究

  更多相關(guān)文章： 盲復(fù)原 光學(xué)遙感圖像 Huber-Markov隨機(jī)場模型 刃邊技術(shù)

【摘要】：在光學(xué)遙感影像的成像過程(影像的獲取、傳輸和存儲)中,受到大氣湍流的擾動效應(yīng)、大氣中氣溶膠的散射作用、地物與成像設(shè)備之間的相對運(yùn)動、光學(xué)系統(tǒng)的衍射、像差、成像設(shè)備的散焦、畸變以及源自電路和光度學(xué)因素的噪聲等多種因素的影響,所獲取的直接影像往往會模糊或引入噪聲。圖像復(fù)原技術(shù)能夠由退化影像獲得與真實(shí)影像最接近的結(jié)果。成像系統(tǒng)的點(diǎn)擴(kuò)展函數(shù)(Point Spread Function,PSF)是圖像復(fù)原的關(guān)鍵,但由于以上原因,PSF很難預(yù)先精確獲知。因而一般的圖像復(fù)原理論很難處理遙感影像數(shù)據(jù)。盲復(fù)原理論根據(jù)圖像降質(zhì)本質(zhì),不受復(fù)雜降質(zhì)原因約束,能在未知具體降質(zhì)過程的情況下,僅通過對觀測圖像進(jìn)行分析處理,得到PSF并通過復(fù)原算法估計(jì)最接近真實(shí)圖像的結(jié)果。這恰好能夠解決遙感影像難以獲得先驗(yàn)知識的難題。本文立足于研究基于Huber-Markov隨機(jī)場模型(Huber-Markov Random Field,HMRF)的光學(xué)遙感圖像盲復(fù)原算法。將基于具有限制解空間,快速獲取最優(yōu)解優(yōu)勢的HMRF模型應(yīng)用于盲復(fù)原技術(shù)中,從而有效保護(hù)圖像邊緣紋理及細(xì)節(jié)信息。圖像盲復(fù)原本質(zhì)上是對PSF的獲取和對反問題的求解,同時(shí)PSF的變化是圖像降質(zhì)的本質(zhì)體現(xiàn),因此對PSF的準(zhǔn)確估計(jì)是圖像盲復(fù)原的根本保證。本文充分考慮光學(xué)遙感圖像的成像特點(diǎn)并結(jié)合盲復(fù)原過程缺乏先驗(yàn)知識的情況,提出應(yīng)用刃邊技術(shù)(Knife-Edge method,KE)直接由降質(zhì)圖像構(gòu)建PSF,再應(yīng)用HMRF模型通過建立最小化迭代過程優(yōu)化所得到的PSF從而實(shí)現(xiàn)對PSF的準(zhǔn)確估計(jì)。本文所提出的算法模型為光學(xué)遙感圖像的質(zhì)量恢復(fù)提供了適用性強(qiáng)、穩(wěn)定度好、準(zhǔn)確性高的解決方案,具有實(shí)際的應(yīng)用價(jià)值。本文首先系統(tǒng)地介紹了圖像復(fù)原相關(guān)領(lǐng)域的國內(nèi)外研究現(xiàn)狀,包括圖像盲復(fù)原理論、Markov隨機(jī)場理論、刃邊提取技術(shù)。然后對圖像的盲復(fù)原理論與HMRF成像模型和刃邊技術(shù)及基于稀疏表示的迭代優(yōu)化技術(shù)都進(jìn)行了系統(tǒng)、具體地闡述。在此基礎(chǔ)上,提出了基于刃邊技術(shù)和基于HMRF建模理論的PSF估計(jì)方法。前者和后者分別用以提取降質(zhì)后的圖像邊緣信息及二維PSF的構(gòu)建和進(jìn)一步的優(yōu)化。通過HMRF理論建立圖像先驗(yàn)?zāi)Ｐ?結(jié)合概率統(tǒng)計(jì)函數(shù)構(gòu)建迭代復(fù)原的目標(biāo)方程,通過最小化迭代過程實(shí)現(xiàn)影像數(shù)據(jù)的盲復(fù)原。本文對以上過程的具體算法進(jìn)行了具體地介紹。鑒于迭代復(fù)原過程中數(shù)據(jù)量大的問題,提出了基于稀疏表示的迭代優(yōu)化理論,完善算法性能。最后,以遙感器調(diào)制函數(shù)(Modulation Transfer Function,MTF)及半幅全寬(Full-Width at Half-Maximum,FWHM)作為復(fù)原影像細(xì)節(jié)評價(jià)標(biāo)準(zhǔn),并結(jié)合其他多種無參考評價(jià)理論,建立了從圖像細(xì)節(jié)紋理保持到圖像整體清晰度兩個(gè)角度的新的圖像盲復(fù)原定量評價(jià)方法。實(shí)驗(yàn)結(jié)果表明,本文所提出的算法能夠較好地對光學(xué)遙感圖像進(jìn)行復(fù)原,具有一定的適用性。
【關(guān)鍵詞】：盲復(fù)原 光學(xué)遙感圖像 Huber-Markov隨機(jī)場模型 刃邊技術(shù)
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP751
【目錄】：

• 摘要4-6
• Abstract6-10
• 第1章 緒論10-16
• 1.1 課題背景及研究的目的和意義10-11
• 1.2 國內(nèi)外研究現(xiàn)狀及分析11-15
• 1.2.1 參數(shù)與非參數(shù)約束圖像盲復(fù)原11-14
• 1.2.2 聯(lián)合及先驗(yàn)估計(jì)圖像盲復(fù)原14-15
• 1.3 主要研究內(nèi)容及論文結(jié)構(gòu)15-16
• 第2章 圖像復(fù)原的基礎(chǔ)理論與相關(guān)技術(shù)16-34
• 2.1 引言16
• 2.2 圖像復(fù)原理論16-29
• 2.2.1 圖像退化16-18
• 2.2.2 圖像模糊模型18-19
• 2.2.3 圖像復(fù)原的數(shù)學(xué)本質(zhì)19-20
• 2.2.4 圖像分布模型20-23
• 2.2.5 經(jīng)典圖像復(fù)原技術(shù)23-25
• 2.2.6 圖像盲復(fù)原理論25-29
• 2.3 光學(xué)遙感圖像PSF估計(jì)理論29-31
• 2.3.1 刃邊技術(shù)30-31
• 2.3.2 脈沖技術(shù)31
• 2.4 圖像復(fù)原評價(jià)理論31-33
• 2.5 本章小結(jié)33-34
• 第3章 基于HMRF核心理論的盲復(fù)原建模34-48
• 3.1 引言34
• 3.2 基于刃邊法的PSF構(gòu)建34-39
• 3.3 Huber-Markov隨機(jī)場模型39-47
• 3.3.1 模型構(gòu)建39-41
• 3.3.2 基于HMRF模型的PSF優(yōu)化理論41-42
• 3.3.3 基于HMRF模型的PSF優(yōu)化迭代流程42-44
• 3.3.4 基于HMRF模型的盲復(fù)原迭代流程44-47
• 3.4 本章小結(jié)47-48
• 第4章 實(shí)驗(yàn)結(jié)果與盲復(fù)原質(zhì)量評價(jià)48-60
• 4.1 引言48
• 4.2 實(shí)驗(yàn)數(shù)據(jù)介紹48-49
• 4.3 基于KE-HMRF的PSF估計(jì)算法驗(yàn)證49-51
• 4.3.1 基于刃邊法估計(jì)PSF的驗(yàn)證結(jié)果49-50
• 4.3.2 基于KE-HMRF的PSF估計(jì)結(jié)果50-51
• 4.4 基于HMRF模型的盲復(fù)原算法實(shí)驗(yàn)結(jié)果51-55
• 4.5 光學(xué)遙感圖像盲復(fù)原評價(jià)55-59
• 4.6 本章小結(jié)59-60
• 結(jié)論60-61
• 參考文獻(xiàn)61-66
• 攻讀碩士學(xué)位期間發(fā)表的論文及其它成果66-68
• 致謝68

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前2條

1 林海祥;張p，

本文編號：1103352