基于字典學(xué)習(xí)算法的遙感圖像復(fù)原及其應(yīng)用研究.pdf

1、迅猛發(fā)展的遙感技術(shù)能夠動態(tài)、快速和準(zhǔn)確地提供多種對地觀測數(shù)據(jù)，成為地理信息系統(tǒng)的主要信息源和數(shù)據(jù)更新途徑。然而，遙感鏈路造成的圖像輻射性能質(zhì)量失真嚴(yán)重影響了遙感圖像特征點的提取和匹配，導(dǎo)致幾何定位精度評價結(jié)果不準(zhǔn)確。因此，本文針對遙感圖像復(fù)原問題，深入研究了基于字典學(xué)習(xí)算法的遙感圖像去噪、去模糊和超分辨率復(fù)原算法，并將其納入到統(tǒng)一框架中，實現(xiàn)了特征點的精準(zhǔn)提取和匹配，從而進(jìn)一步提高了幾何定位精度評價模型的準(zhǔn)確性。本文的主要工作和創(chuàng)新性成

2、果如下:
　　(1)提出了基于多尺度分?jǐn)?shù)階字典學(xué)習(xí)模型的圖像去噪算法。針對現(xiàn)有字典學(xué)習(xí)算法中稀疏向量和字典的偏離性問題，將分?jǐn)?shù)階思想引入到字典學(xué)習(xí)模型中。首先，在多尺度圖像空間上，通過自適應(yīng)分?jǐn)?shù)階技術(shù)對含噪圖像的奇異值矩陣進(jìn)行重新估計，并構(gòu)建分?jǐn)?shù)階樣本空間。然后，在分?jǐn)?shù)階樣本空間上進(jìn)行稀疏編碼和字典更新，進(jìn)而抑制了稀疏向量和字典的偏離性。實驗結(jié)果表明該方法能夠進(jìn)一步提高了稀疏向量的計算精度，有效抑制了遙感圖像中的噪聲。
　　

3、(2)提出了基于非局部張量字典學(xué)習(xí)模型的圖像去模糊算法。針對多光譜圖像特點，將核心張量的非局部結(jié)構(gòu)相似性正則項作為先驗知識引入到字典學(xué)習(xí)模型中。首先，為了充分利用多光譜圖像的空間相似性和波段相關(guān)性，使用三階張量表示多光譜圖像塊，并通過高階奇異值分解獲得稀疏核心張量。然后，利用圖像的非局部結(jié)構(gòu)相似性對核心張量進(jìn)行加權(quán)估計，并進(jìn)行張量字典學(xué)習(xí)，實現(xiàn)模糊多光譜遙感圖像的復(fù)原。實驗結(jié)果表明該方法能夠有效提高核心張量的計算精度，減少光譜失真，進(jìn)而

4、提高了多光譜遙感圖像復(fù)原效果。
　　(3)引入非零均值的拉普拉斯統(tǒng)計模型對稀疏核心張量進(jìn)行建模，提出了自適應(yīng)張量字典學(xué)習(xí)的圖像超分辨率算法。首先，通過高階奇異值分解獲得多光譜圖像塊對應(yīng)的核心張量。然后，以高分辨率全色遙感圖像為圖像先驗，自適應(yīng)的估計拉普拉斯模型的均值和方差，并重構(gòu)核心張量。最后，使用基于張量的字典學(xué)習(xí)模型，對多光譜圖像進(jìn)行超分辨率重建。實驗結(jié)果表明該方法能夠準(zhǔn)確地估計拉普拉斯模型中的均值和方差，獲得精確的核心張量，

5、提高多光譜遙感圖像光譜保真度和超分辨率重建效果。
　　(4)為了提高遙感圖像幾何定位精度評價模型的準(zhǔn)確性，將上述圖像復(fù)原算法納入到統(tǒng)一框架中，并結(jié)合基于遙感圖像輻射特征的稀疏分類模型，提出了基于兩級匹配策略的特征點提取模型。首先，使用特征點提取算法對遙感圖像和其多源參考圖像進(jìn)行粗匹配獲得初始特征點集合，并構(gòu)建遙感圖像和其多源參考圖像之間的幾何關(guān)系，對遙感圖像進(jìn)行幾何關(guān)系補償。其次，針對補償后的遙感圖像和參考圖像，使用基于字典學(xué)習(xí)的