【摘要】：遙感衛(wèi)星是近年來飛速發(fā)展的現(xiàn)代化對地觀測技術,被廣泛應用于環(huán)境監(jiān)測、資源勘探、災害預警和軍事等領域。但是在實際場景的遙感衛(wèi)星圖像中,受光學器件、成像噪聲和運動模糊等因素的影響,遙感衛(wèi)星圖像分辨率有限,難以滿足實際應用場景的需求。超分辨率技術可以克服硬件和技術工藝的限制,從軟件層面提高衛(wèi)星圖像的空間分辨率。因此超分辨率重建技術能經濟而有效地提高遙感衛(wèi)星應用效率�；趯W習的衛(wèi)星圖像超分辨率算法利用高分辨率樣本提供的先驗信息,來預測低分辨率圖像中缺失的高頻信息,獲得了較好的效果,因此成為衛(wèi)星圖像超分辨率的主流研究方向。深度學習提供了一種強大的模擬非線性表達的超分辨率解決方案,極大提升了圖像超分辨率的主客觀重建質量。本文圍繞著圖像重建中高頻信息的恢復和衛(wèi)星圖像的多尺度特性,對“更深”和“更寬”的卷積神經網(wǎng)絡展開了研究,主要的研究成果如下:1.基于中繼循環(huán)殘差網(wǎng)絡的衛(wèi)星圖像超分辨率算法,針對低分辨率圖像和高分辨率圖像之間的信息差距增大,傳統(tǒng)的超分辨率算法的重建性能下降這一問題,本文設計了一種雙層的中繼循環(huán)殘差神經網(wǎng)絡,用于增強超分辨率重建圖像的重建效果,重建網(wǎng)絡負責初步圖像重建,中繼網(wǎng)絡進一步提升圖像細節(jié)。實驗結果表明,所提出的算法在SpaceNet衛(wèi)星圖像數(shù)據(jù)集上,無論是主觀質量還是客觀評分都超過了前沿的算法。2.基于多尺度殘差神經網(wǎng)絡的衛(wèi)星圖像超分辨率算法,針對現(xiàn)有超分辨率網(wǎng)絡為了獲得精細的重建細節(jié)使用較小的感受野,所提出的算法通過大/中/小三個尺度的殘差神經網(wǎng)絡,模擬人類“多層次觀察能更全面的認識目標”的視覺體驗。三個網(wǎng)絡分別用于預測全局信息/上下文信息/局部信息不同等級的視覺任務,使用神經網(wǎng)絡來融合不同的高頻信息。此外,本文使用基于超分辨重建的特征匹配驗證了該算法重建的結果不論是在主觀質量、客觀評分還是特征恢復,都優(yōu)于前沿的衛(wèi)星圖像超分辨率算法。
【圖文】：

而衛(wèi)星圖像超分辨率技術是解決上述問題有效且經濟的方法，結合已有的先驗信息，將觀察到的低質量低分辨率衛(wèi)星圖像重構為清晰的高分辨率衛(wèi)星圖像。1.2 國內外研究現(xiàn)狀圖像超分辨率技術是一種圖像空間分辨率的增強技術，通過模擬降質過程的逆過程，將低分辨率圖像（Low-resolution，簡稱 LR）重構為高分辨率圖像（High-resolution，簡稱 HR）[3]。圖像降至模型如圖 1-1所示。在理想高分辨率圖像 Y 的成像過程中，會受到光學衍射效應和CCD 模糊等內部因素，以及大氣擾動和光學系統(tǒng)與目標之間的相對運動模糊等外部因素的干擾。受器件的影響，CCD 采樣會降低圖像的分辨率，而在將光子轉化為電壓的過程中會產生隨機噪聲，最終獲得觀測到的低分辨率圖像 X。

網(wǎng)絡更應該關注于圖像中的高頻信息（圖像變化豐富的部分），而不是中低頻信息（圖像變化較少的部分）�，F(xiàn)有的基于卷積神經網(wǎng)絡的圖像超分辨率算法通過構建端到端的復雜非線性映射模型，，但在仿真條件下，低分辨率圖像和高分辨率圖像的相關性較高。但是在低分辨率圖像和高分辨率圖像信息差距較大情況下，基于卷積神經網(wǎng)絡的算法性能有限。2．衛(wèi)星圖像不同于通用圖像，具有成像范圍廣、圖像中物體的尺度差異較大等特性。然而，圖像中目標的尺寸在某些視覺任務中起著重要的作用，如圖像分割、特征提取和對象追蹤。如圖 1-2 所示，在同一圖像中觀察到車輛、天花板和體育館三種尺度差異較大的目標，使用不同分割尺度才能精確的對不同尺度的目標進行語義分割[25]�？梢娡荒繕嗽诓煌某叨瓤臻g表達形式不同，語義信息也不同。而現(xiàn)有的超分辨率重建算法被實際用于通用圖像或指定場景，沒有效地考慮衛(wèi)星圖像的特殊性，因此不能有效地處理衛(wèi)星圖像。
【學位授予單位】：武漢工程大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP751;TP183

【相似文獻】

相關期刊論文 前10條

1 孫旭;李曉光;李嘉鋒;卓力;;基于深度學習的圖像超分辨率復原研究進展[J];自動化學報;2017年05期

2 曾凱;丁世飛;;圖像超分辨率重建的研究進展[J];計算機工程與應用;2017年16期

3 沈煥鋒;李平湘;張良培;王毅;;圖像超分辨率重建技術與方法綜述[J];光學技術;2009年02期

4 丁海勇;卞正富;;數(shù)字圖像超分辨率重構技術研究[J];計算機與數(shù)字工程;2007年10期

5 孔玲莉,黃華,齊春,劉美娟;圖像超分辨率研究的最新進展[J];光學技術;2004年03期

6 張清勇;陳智勇;駱瀟原;;基于生成網(wǎng)絡的遙感圖像超分辨率的研究[J];實驗室研究與探索;2019年03期

7 胡長勝;詹曙;吳從中;;基于深度特征學習的圖像超分辨率重建[J];自動化學報;2017年05期

8 鐘雪燕;夏前亮;陳智軍;;基于FPGA的圖像超分辨率的硬件化實現(xiàn)[J];現(xiàn)代電子技術;2017年17期

9 胡傳平;鐘雪霞;梅林;邵杰;王建;何瑩;;基于深度學習的圖像超分辨率算法研究[J];鐵道警察學院學報;2016年01期

10 王相海;畢曉昀;傅博;陶兢U

本文編號：2687293