衛(wèi)星遙感成像系統(tǒng)與目標(biāo)物體距離較遠(yuǎn),導(dǎo)致圖像處理中存在識(shí)別率降低和部分細(xì)節(jié)信息缺失等問(wèn)題,影響遙感圖像中目標(biāo)的精確提取,因此對(duì)遙感圖像超分辨率重建方法的研究具有重要意義。在稀疏表示理論和卷積神經(jīng)網(wǎng)絡(luò)超分辨率重建方法基礎(chǔ)上,針對(duì)遙感圖像局部細(xì)節(jié)模糊、部分特征信息丟失的問(wèn)題,提出了一種基于非局部自相似性的多特征聯(lián)合超分辨率重建算法,利用梯度算子和相位一致性方法聯(lián)合表示遙感圖像的高頻信息,采用聯(lián)合字典思想和K-SVD分解算法進(jìn)行稀疏字典學(xué)習(xí),并引入非局部自相似性約束項(xiàng)對(duì)重建圖像進(jìn)行全局優(yōu)化。為了進(jìn)一步解決結(jié)構(gòu)復(fù)雜的遙感圖像重建問(wèn)題,提出了一種改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)超分辨率重建算法,通過(guò)增加網(wǎng)絡(luò)層數(shù)來(lái)學(xué)習(xí)更深層的圖像特征,利用反卷積對(duì)遙感圖像進(jìn)行自適應(yīng)上采樣,并在網(wǎng)絡(luò)中加入殘差學(xué)習(xí)結(jié)構(gòu)的方式,解決了人工特征提取方法難以準(zhǔn)確地表達(dá)復(fù)雜遙感圖像的結(jié)構(gòu)細(xì)節(jié)信息問(wèn)題。仿真結(jié)果表明,基于非局部自相似性的多特征聯(lián)合超分辨率重建算法的平均PSNR值和SSIM值分別比SCSR算法提高了 1.17%、0.05%,改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)超分辨率重建算法的平均PSNR值和SSIM值分別比基于非局部自相似性的多特征聯(lián)合超分辨... 

【文章來(lái)源】：西安科技大學(xué)陜西省

【文章頁(yè)數(shù)】：64 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 研究?jī)?nèi)容及章節(jié)安排
2 圖像超分辨率重建技術(shù)
    2.1 遙感圖像分辨率
    2.2 圖像超分辨率重建方法分類(lèi)
        2.2.1 基于插值的超分辨率方法
        2.2.2 基于重建的超分辨率方法
        2.2.3 基于學(xué)習(xí)的超分辨率方法
    2.3 重建圖像的評(píng)價(jià)標(biāo)準(zhǔn)
    2.4 本章小結(jié)
3 基于非局部自相似性的多特征聯(lián)合重建算法
    3.1 遙感圖像特征分析
        3.1.1 特征提取
        3.1.2 多特征聯(lián)合表示
    3.2 基于非局部自相似性的多特征聯(lián)合重建算法
        3.2.1 聯(lián)合字典學(xué)習(xí)
        3.2.2 非局部自相似性約束
        3.2.3 多特征聯(lián)合圖像重建
    3.3 仿真結(jié)果及分析
        3.3.1 參數(shù)設(shè)置
        3.3.2 仿真結(jié)果及分析
    3.4 本章小結(jié)
4 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)超分辨率重建算法
    4.1 卷積神經(jīng)網(wǎng)絡(luò)
        4.1.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        4.1.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程
    4.2 改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)超分辨率重建算法
        4.2.1 改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.2 殘差網(wǎng)絡(luò)結(jié)構(gòu)
    4.3 仿真結(jié)果及分析
        4.3.1 網(wǎng)絡(luò)參數(shù)設(shè)置及模型優(yōu)化器選擇
        4.3.2 數(shù)據(jù)集處理
        4.3.3 仿真結(jié)果及分析
    4.4 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3053293