|
關(guān)于我們
 書單推薦 新書推薦 |
遙感圖象復原與超分辨理論及實現(xiàn) 
定 價：186 元
9 7 4 8 8 7 9 0 3 3 6 0 4 讀者對象:本書適用于信號與信息處理、電子與通信工程、計算機科學與應用等專業(yè)師生或科學研究人員 
本文是十多年關(guān)于遙感圖象復原與超分辨研究成果的結(jié)晶與理論升華，其中包括緒論、先驗信息提取、圖象復原和圖象超分辨，而圖象超分辨又包括頻域圖象超分辨、空域圖象超分辨和神經(jīng)網(wǎng)絡圖象超分辨等三個部分。高分辨率的遙感圖象，作為蘊涵和表達目標客體及其背景信息的載體，其應用領域越來越廣泛，應用價值越來越高。圖象復原與超分辨作為成像過程的反過程，所涉及的數(shù)理問題屬于"反問題"，"反問題"的一個重要屬性是它的"病態(tài)"，因此高分辨率圖象的求解很困難。圖象復原操作主要是解模糊、抑制噪聲污染和消除薄云薄霧干擾等，而圖象超分辨要解決的核心問題是解開被處理低分辨率圖象的頻率混疊、擴展和增強高頻成分、展寬頻譜、改善頻譜結(jié)構(gòu)，使其恢復和逼近原理想物圖象的頻譜。
更多科學出版社服務，請掃碼獲取。 
目錄
前言 縮寫詞 插圖目錄 插表目錄 第1章 緒論1 1.1引言1 1.2成像模型6 1.2.1遙感圖象的成像過程及其影響因素6 1.2.2成像模型及其分析9 1.3遙感圖象質(zhì)量恢復的技術(shù)途徑及其理論依據(jù)11 1.3.1圖象質(zhì)量恢復途徑及問題1 1 1.3.2圖象質(zhì)量恢復的理論依據(jù)13 1.4圖象復原引論15 1.5圖象超分辨淺論18 1.5.1圖象內(nèi)插技術(shù)21 1.5.2基于局部譜變換特征的凸顯技術(shù)25 1.5.3基于多核基集合的高分辨圖象重建技術(shù)27 1.6系統(tǒng)方案 31 1.6.1系統(tǒng)方案的設計和原理框圖31 1.6.2工作原理33 1.7小結(jié)和評述34 第2章 遙感圖象的先驗信息提取36 2.1圖象概率先驗模型及其變換分析36 2.1.1圖象概率先驗模型36 2.1.2圖象變換分析39 2.1.3頻譜分析及頻率混疊深度參數(shù)的定義與提取44 2.2圖象模糊及其模糊函數(shù)的先驗模型 51 2.2.1圖象模糊及其模糊參數(shù)分析 51 2.2.2模糊函數(shù)的先驗模型55 2.3圖象噪聲及其分析59 2.3.1噪聲米源及其先驗分析59 2.3.2噪聲分析 61 2.4圖象云霧分析及其圖象模型65 2.5成像調(diào)制傳遞函數(shù)及其影響因素分析 66 2.5.1調(diào)制傳遞函數(shù)的基本概念和物理意義 66 2.5.2調(diào)制傳遞函數(shù)的數(shù)學模型及其實驗數(shù)據(jù)68 2.6圖象配準技術(shù)及其幀間變換參數(shù)的提取74 2.6.1圖象配準技術(shù)研究總體方案74 2.6.2基于FT的圖象頻域配準及其優(yōu)化算法75 2.6.3基于光（學）流的魯棒性高精度圖象配準算法方案85 2.6.4基于不變特征的高精度圖象配準算法方案86 2.7小結(jié)與評述87 第3章 遙感圖象復原處理技術(shù)研究89 3.1引言89 3.2圖象模糊復原技術(shù)及其解模糊算法90 3.2.1圖象解模糊實施方案90 3.2.2圖象基本頻域解模糊算法 91 3.2.3有限支持域上圖象盲目反卷積解模糊算法104 3.3圖象噪聲抑制技術(shù)及其去噪算法128 3.3.1引言128 3.3.2基于多幀融合的頻域法圖象去噪技術(shù)129 3.3.3基于PDE的擴散圖象去噪技術(shù)131 3.3.4剔除遙感圖象條帶噪聲的陷波帶阻濾波器146 3.3.5改進的中值濾波器消除顆粒噪聲算法151 3.4圖象薄云薄霧的抑制技術(shù)151 3.4.1基于同態(tài)濾波的薄云薄霧抑制技術(shù)152 3.4.2基于小波多分辨分析的薄云薄霧抑制技術(shù)156 3.4.3兩種抑制薄云薄霧方法的比較160 3.5小結(jié)與評述161 第4章 頻域圖象超分辨處理技術(shù)研究163 4.1引言163 4.2單幀頻域變換與補償擴展超分辨處理技術(shù)研究164 4.2.1FFT算法的改進和頻域變換增強技術(shù)的形成165 4.2.2單幀頻域變換與增強技術(shù)方案及其精度分析167 4.2.3使用條件與理論極限174 4.2.4振鈴的抑制和幀內(nèi)頻域補償與擴展濾波器的設計175 4.2.5單幀頻域變換與補償擴展超分辨自適應算法1 85 4.2.6實驗結(jié)果及其分析1 86 4.3圖象頻域解混疊超分辨處理技術(shù)研究 202 4.3.1研究實施方案 202 4.3.2多幀（源）頻域解混疊的理論分析 203 4.3.3單幀頻域解混疊算法 210 4.3.4實驗結(jié)果及其分析 212 4.4二至多幀頻域融合超分辨算法研究 225 4.4.1引言 225 4.4.2頻域融合超分辨算法的建立 225 4.4.3實驗結(jié)果及其分析 229 4.5小結(jié)與評述 240 第5章空域圖象超分辨處理技術(shù)研究 242 5.1引言 242 5.2網(wǎng)格超分辨估計算法及其模塊研究 244 5.2.1低分辨率序列圖象與高分辨率圖象之間的空間關(guān)系 245 5.2.2標準位移低分辨率圖象的求解 247 5.2.3空域遞歸迭代網(wǎng)格算法模型的建立 249 5.2.4空域遞歸迭代網(wǎng)格算法模塊 250 5.2.5實驗結(jié)果及其分析 252 5.3 MAP估計算法及其算法模塊研究 253 5.3.1研究實施方案 253 5.3.2圖象的概率模型與估計 254 5.3.3代價函數(shù)及其最小化估計 256 5.3.4梯度下降的優(yōu)化 257 5.3.5循環(huán)遞歸迭代算法模塊 259 5.3.6實驗結(jié)果及其分析 259 5.4 PMAP估計基本算法模型及其改進算法研究 261 5.4.1引言 261 5.4.2 PMAP/PML估計基本算法模型 262 5.4.3改進的PMAP估計算法 269 5.4.4實驗結(jié)果及其分析 274 5.5 POCS估計算法模型及其計算流程研究 283 5.5.1引言 283 5.5.2 POCS估計算法的基礎理論 284 5.5.3 POCS估計基本算法和RPOCS估計魯棒算法 287 5.5.4實驗結(jié)果及其分析 294 5.6 PMAP/POCS融合最優(yōu)算法的建立及其實驗研究 298 5.6.1引言 298 5.6.2 PMAP/POCS融合的理論基礎 299 5.6.3 PMAP/POCS融合最優(yōu)算法的建立302 5.6.4實驗結(jié)果及其分析 310 5.7小結(jié)與評述 321 第6章 神經(jīng)網(wǎng)絡圖象超分辨技術(shù)研究 324 6.1引言 324 6.2神經(jīng)網(wǎng)絡技術(shù)基礎 327 6.2.1神經(jīng)元及其激勵函數(shù) 327 6.2.2人工神經(jīng)網(wǎng)絡模型及其學習方法 331 6.3 BP網(wǎng)模型及其學習算法334 6.3.1 BP網(wǎng)學習過程分析及其數(shù)學模型 334 6.3.2 BP網(wǎng)基本學習算法及其局限性 337 6.3.3比例共軛梯度學習算法 342 6.3.4 BP網(wǎng)學列算法實現(xiàn)的保障及優(yōu)化352 6.4網(wǎng)絡訓練樣本圖象的采集及其映射向量的獲取357 6.4.1網(wǎng)絡訓練樣本圖象的采集357 6.4.2網(wǎng)絡訓練映射向量的構(gòu)造方法359 6.4.3網(wǎng)絡訓練映射向量的數(shù)量和質(zhì)量 362 6.5 BP網(wǎng)結(jié)構(gòu)的確定方法 363 6.6單級訓練圖象超分辨BP網(wǎng)的建立和實驗研究 366 6.6.1結(jié)構(gòu)的確定 366 6.6.2網(wǎng)絡參數(shù)的選擇 368 6.6.3圖象超分辨BP網(wǎng)單級訓練實驗結(jié)果 370 6.6.4單級訓練圖象超分辨BP網(wǎng)泛化應用實驗結(jié)果與分析 372 6.7三級訓練圖象超分辨BP網(wǎng)的建立和實驗研究 375 6.7.1引言 375 6.7.2三級訓練樣本圖象的獲取篩選及其映射向量的構(gòu)成 376 6.7.3三級訓練圖象超分辨BP網(wǎng)結(jié)構(gòu)設計及其參數(shù)的選擇 379 6.7.4圖象超分辨BP網(wǎng)三級訓練算法及其訓練實驗結(jié)果 382 6.7.5三級訓練圖象超分辨BP網(wǎng)泛化應用實驗結(jié)果與分析 384 6.8小結(jié)與評述 396 后記 399 參考文獻 400 彩圖 插圖目錄 圖1.2.1遙感圖象成像過程示意圖7 圖1.2.2遙感圖象成像模型9 圖1.5.1幾種常見的插值核函數(shù)示意圖23 圖1.5.2 FIR插值法頻譜示意圖(P=3) 24 圖1.5.3圖象頻譜的二維振幅譜示意圖25 圖1.5.4高頻補償濾波器的幅頻響應示意圖26 圖1.5.5基于多核基集合的訓練過程框圖28 圖1.5.6基于多核基集合的高分辨圖象重構(gòu)過程原理框圖28 圖1.5.7鄰域抽取示意圖29 圖1.5.8五角大樓的基集合插值效果圖31 圖1.6.1遙感圖象復原與超分辨率處理技術(shù)系統(tǒng)方案簡圖32 圖1.6.2遙感圖象復原與超分辨率處理技術(shù)系統(tǒng)方案原理框圖32 圖2.1.1圖象頻譜移位示意圖41 圖2.1.2下采樣圖象的一維頻譜高頻部分及其頻率混疊分析圖46 圖2.1.3“資源二號”遙感圖象的一維頻譜高頻部分分析圖48 圖2.1.4 1m分辨率遙感圖象的一維頻譜高頻部分分析圖49 圖2.2.1圖象模糊退化實驗及其頻譜分析54 圖2.3.1圖象噪聲污染實驗及其頻譜變化63 圖2.4.1薄云薄霧成像模型示意圖65 圖2.5.1 MFT （f）的一般形式示意圖68 圖2.5.2線陣CCD光敏器件示意圖70 圖2.6.1基于FT的多幀序列圖象配準技術(shù)總體方案框圖75 圖2.6.2用于圖象配準仿真實驗的原始圖象76 圖2.6.3幀間不存在旋轉(zhuǎn)時基于FT的圖象頻域配準算法仿真技術(shù)方案框圖77 圖2.6.4幀間存在旋轉(zhuǎn)時基于FT的圖象頻域配準算法仿真技術(shù)方案框圖78 圖2.6.5基于全局運動模型的圖象配準算法仿真方案簡圖81 圖2.6.6采用高斯低通濾波器優(yōu)化的圖象頻域配準算法仿真方案框圖 82 圖2.6.7采用R低通濾波器優(yōu)化的圖象頻域配準算法仿真方案框圖83 圖2.6.8基于光流的魯棒性高精度圖象配準算法仿真方案85 圖2.6.9基于不變特征的高精度圖象配準算法方案框圖86 圖3.2.1遙感圖象模糊分析及解模糊復原技術(shù)實施方案框圖91 圖3.2.2圖象基本頻域解模糊復原仿真實驗方案框圖94 圖3.2.3高斯模糊（б2=0.8，5x5不附加噪聲）圖象基本頻域反卷積解模糊算法仿真實驗結(jié)果(55%顯示)95 圖3.2.4線性運動（θ=12。，5像素）模糊噪聲圖象基本頻域反卷積解模糊仿真實驗結(jié)果(55%顯示)97 圖3.2.5線性運動模糊（？=30。，5像素）噪聲圖象基本頻域反卷積解模糊算法仿真實驗結(jié)果（67%顯示）98 圖3.2.6有噪高斯模糊（б2= 0.8，5x5）圖象基本頻域反卷秋解模糊算法仿真實驗結(jié)果(一)（55%顯示）~100 圖3.2.7有噪高斯模糊（б2 =0.8，5x5）圖象基本頻域反卷秋解模糊算法仿真實驗結(jié)果（二）（67%顯示）101 圖3.2.8有噪(N(0，10))散焦模糊(5X5矩形)圖象基本頻域反卷積解模糊算法仿真實驗結(jié)果（一）(55%顯示)102 圖3.2.9有噪(N(0，10))散焦模糊(5X5矩形)圖象基本頻域反卷積解模糊算法仿真實驗結(jié)果(二)（133%顯示）103 圖3.2.10空域迭代盲目反卷積模糊圖象復原算法框圖111 圖3.2.11基于FT的迭代盲目反卷積模糊圖象復原算法框圖114 圖3.2.12有限支持域迭代盲目反卷積模糊圖象復原仿真實驗方案115 圖3.2.13空域迭代盲目反卷秋算法對無噪散焦模糊圖象復原仿真實驗結(jié)果（N為迭代次數(shù)）116 圖3.2.14基于FT的迭代盲目反卷積算法對無噪散焦模糊圖象復原實驗結(jié)果（N為迭代次數(shù)）117 圖3.2.15兩種盲目反卷積算法解散焦模糊（不附加噪聲）復原圖象的PSNR與迭代次數(shù)N的關(guān)系118 圖3.2.16空域迭代盲目反卷積算法對有噪散焦模糊圖象復原仿真實驗結(jié)果（N為迭代次數(shù)）(48%顯示)119 圖3.2.17基于FT的迭代盲目反卷積算法對有噪散焦模糊圖象復原仿真實驗結(jié)果（N為迭代次數(shù)）(48%顯示)120 圖3.2.18兩種盲目反卷積算法解散焦模糊（有噪）復原圖象的PSNR增量與迭代次數(shù)N的關(guān)系121 圖3.2.19有限支持域迭代(N=2)盲目反卷積算法解散焦模糊（有噪）復原圖象仿真實驗結(jié)果(70%顯示)124 圖3.2.20基于FT的迭代(N=2)盲目反卷積算法對真實暹感圖象解模糊復原實驗結(jié)果(70%顯示)127 圖3.3.1基于多幀融合的頻域循環(huán)遞歸迭代去噪算法仿真實驗結(jié)果(66%顯示)1 30 圖3.3.2基于PDE的九種擴散去噪算法仿真實驗方案138 圖3.3.3基于PDE的擴散去噪算法處理高斯噪聲圖象的一組仿真實驗結(jié)果(51%顯示)139 圖3.3.4基于PDE的擴散去噪算法處理泊松噪聲圖象的一組仿真實驗結(jié)果(51%顯示)140 圖3.3.5改進的各向異性擴散去噪方法仿真實驗結(jié)果143 圖3.3.6改進的各向異性擴散去噪算法對真實遙感圖象的實驗結(jié)果(72%顯示)146 圖3.3.7含條帶噪聲的CBERS-2三波段圖象及其頻譜分析圖(39%顯示)147 圖3.3.8三種常見的陷波帶阻濾波器示意圖148 圖3.3.9陷波帶阻濾波器（圖象中心部位為低頻部分）示意圖148 圖3.3.10陷波帶阻濾波器設計示意圖149 圖3.3.11陷波帶阻濾波器及其處理前后的圖象(39%顯示)150 圖3.4.1基于同態(tài)濾波的圖象薄云薄霧抑制技術(shù)實施方案框圖154 圖3.4.2基于同態(tài)濾波的圖象薄云薄霧抑制技術(shù)典型實驗結(jié)果(44%顯示)154 圖3.4.3基于同態(tài)濾波的圖象薄云薄霧抑制技術(shù)實驗結(jié)果(66%顯示)155 圖3.4.4基于小波多分辨分析的圖象薄云簿霧抑制技術(shù)實施方案l58 圖3.4.5基于小波多分辨分析的圖象薄云薄霧抑制應用實驗結(jié)果(64%顯示)159 圖3.4.6基于小波多分辨分析的圖象薄云薄霧抑制仿真實驗結(jié)果(72%顯示)160 圖4.2.1 FFT插值(P=2)算法示意圖165 圖4.2.2單幀圖象頻域變換與增強算法處理靶標圖象提高分辨率效果比較(51%顯示)167 圖4.2.3單幀圖象頻域變換與增強算法對1m分辨率遙感圖象的處理結(jié)果(70%顯示)167 圖4.2.4單幀頻域變換與增強算法仿真技術(shù)方案168 圖4.2.5單幀頻域變換與增強算法單向提高圖象分辨率的實驗結(jié)果170 圖4.2.6單幀頻域變換與增強算法雙向提高圖象分辨率的實驗結(jié)果172 圖4.2.7單幀頻域變換與增強技術(shù)應用方案172 圖4.2.8單幀頻域變換與增強算法處理前后的圖象(72%顯示)l74 圖4.2.9遙感圖象的二維頻譜和一維頻譜分析175 圖4.2.10圖象超分辨中抑制振鈴技術(shù)實施方案框圖176 圖4.2.11一維信號FFT插值法頻域變換示意圖176 圖4.2.12復雜程度不同的圖象及其頻譜分析圖177 圖4.2.13單幀頻域補償與擴展濾波器一維基礎函數(shù)響應和p指數(shù)變化的關(guān)系179 圖4.2.14維頻率補償與擴展濾波器操作原理（混疊的校正和補償）示意圖(A=2)180 圖4.2.15單幀頻域補償與擴展濾波器和其他幾種插值方法的性能實驗效果比較181 圖4.2.16圖象振幅譜方差DF與指數(shù)p的關(guān)系184 圖4.2.17單幀頻域變換與補償擴展超分辨自適應算法模塊185 圖4.2.18分辨率等級測試圖象對單幀頻域變換與補償擴展算法的性能考查實驗結(jié)果191 圖4.2.19單幀頻域變換與補償擴展算法對“資源二號”遙感圖象的應用處理結(jié)果(72%顯示)193 圖4.2.20單幀頻域變換與補償擴展算法對多類不同分辨率衛(wèi)星遙感圖象的應用處理結(jié)果198 圖4.2.21單幀頻域變換與補償擴展算法對“資源號”圖象執(zhí)行顯示模式放大4×4倍處理效果(53%顯示) 200 圖4.2.22單幀頻域變換與補償擴展算法對國際衛(wèi)星圖象執(zhí)行顯示模式放大4×4倍處理效果 201 圖4.3.1圖象頻域解混疊超分辨技術(shù)實施方案 202 圖4.3.2常見的幾種采樣函數(shù) 211 圖4.3.3單幀頻域解混疊重復遞歸迭代算法模塊 212 圖4.3.4多幀頻域解混疊基本算法對16幀欠采樣序列圖象的仿真驗證實驗結(jié)果(66%顯示) 213 圖4.3.5多幀頻域解混疊基本算法對16幀欠采樣噪聲序列圖象的仿真驗證實驗結(jié)果(66%顯示) 214 圖4.3.6多幀頻域解混疊基本算法對16幀欠采樣模糊序列圖象的仿真驗證實驗結(jié)果(66%顯示) 215 圖4.3.7分辨率等級測試圖象對單幀頻域解混疊算法的性能考查實驗結(jié)果 221 圖4.3.8單幀頻域解混疊算法對“資源二號”遙感圖象的應用處理結(jié)果(72%顯示) 224 圖4.3.9單幀頻域解混疊算法對國際上某衛(wèi)星圖象的應用處理結(jié)果 224 圖4.4.1圖象頻域融合超分辨算法框圖（圖象模式放大2x2倍） 228 圖4.4.2兩幀輸入頻域融合超分辨算法的仿真驗證實驗結(jié)果(73%顯示) 231 圖4.4.3 3m分辨率1knos等級測試圖象對頻域融合超分辨算法的性能考查實驗結(jié)果 233 圖4.4.4 2m分辨率1knos等級測試圖象對頻域融合超分辨算法的性能考查實驗結(jié)果 235 圖4.4.5兩幀輸入頻域融合超分辨算法的應用處理結(jié)果(36%顯示) 239 圖5.2.1具有標準位移的低分辨率圖象（Lx=Ly =1）與高分辨率圖象的網(wǎng)格對應關(guān)系示意圖 246 圖5.2.2具有非標準位移的低分辨率圖象存高分辨率圖象中的網(wǎng)格示意圖 247 圖5.2.3由低分辨率序列圖象重構(gòu)高分辨率圖象遞歸迭代網(wǎng)格超分辨算法模塊 251 圖5.2.4網(wǎng)格超分辨算法等兩組處理結(jié)果及其比較 253 圖5.3.1 MAP估計算法研究實施方案 254 圖5.3.2 MAP估計循環(huán)遞歸迭代算法模塊 259 圖5.3.3 MAP估計算法與雙線性插值法的實驗結(jié)果比較 260 圖5.4.1 PMAP與PML估計基本算法兩組實驗結(jié)果比較 276 圖5.4.2圖5.4.1中PMAP與PML估計基本算法迭代圖象的PSNR比較 277 圖5.4.3 GPMAP擴展算法與PMAP基本算法超分辨處理結(jié)果比較 278 圖5.4.4 GPMAP擴展算法與PMAP基本算法迭代圖象的PSNR比較 279 圖5.4.5兩幀輸入RGPMAP算法魯棒性能驗證實驗 279 圖5.4.6四幀輸入RGPMAP算法魯棒性能驗證實驗 280 圖5.4.7 RGPMAP估計算法超分辨仿真實驗結(jié)果(66%顯示) 282 圖5.5.1高分辨率圖象退化及其POCS估計重建示意圖 289 圖5.5.2 RPOCS估計魯棒算法流程圖 293 圖5.5.3兩幀輸入RPOCS和POCS估計算法魯棒性能仿真驗證實驗(73%顯示) 295 圖5.5.4四幀輸人RPOCS和POCS估計算法魯棒性能仿真驗證實驗(73%顯示) 295 圖5.5.5 RPOCS估計魯棒算法超分辨處理實驗結(jié)果(72%顯示) 298 圖5.6.1 PMAP/POCS融合優(yōu)化多級圖象超分辨算法實施方案框圖 302 圖5.6.2 RGPMAPRPOCS融合方法示意圖（一）304 圖5.6.3 RPOCSRGPMAP融合方法示意矧（二）304 圖5.6.4六幀原始高分辨率測試圖象 305 圖5.6.5兩種融合方法六組迭代圖象PSNR均值與迭代次數(shù)Ⅳ的關(guān)系曲線 306 圖5.6.6六組迭代圖象PSNR均值與迭代次數(shù)N的二個關(guān)系曲線(m=1) 308 圖5.6.7六組迭代圖象PSNR均值與迭代次數(shù)N的三個關(guān)系曲線(n=1) 309 圖5.6.8 RGPMAP-2-RPOCS融合最優(yōu)算法流程圖 310 圖5.6.9 RGPMAP-2-RPOCS融合最優(yōu)等三種算法效果驗證比較實驗結(jié)果312 圖5.6.10八組分辨率等級測試序列圖象中的1m分辨率圖象 313 圖5.6.11 3m分辨率等級測試圖象對RGPMAP-2-RPOCS融合最優(yōu)算法考查實驗結(jié)果 315 圖5.6.12 2m分辨率等級測試圖象對RGPMAP-2-RPOCS融合最優(yōu)算法考查實驗結(jié)果 317 圖5.6.13 RGPMAP-2-RPOCS融合最優(yōu)算法對兩幀輸入圖象的應用處理結(jié)果(36%顯示) 320 圖6.1.1 BPNN再生能力的實驗結(jié)果 326 圖6.2.1人工神經(jīng)元模型示意圖 328 圖6.2.2閡值型激勵函數(shù)示意圖 329 圖6.2.3分段線性激勵函數(shù)示意圖 330 圖6.2.4 S型激勵函數(shù)示意圖 330 圖6.2.5前饋層次型神經(jīng)網(wǎng)絡結(jié)構(gòu)模型示意圖 331 圖6.2.6學習過程中權(quán)值調(diào)整示意圖 333 圖6.3.1 BP網(wǎng)基本結(jié)構(gòu)及其學習過程示意圖 334 圖6.3.2隱含層和輸出層激勵函數(shù)示意圖336 圖6.3.3 BP網(wǎng)學習過程信號流程示意圖 339 圖6.3.4誤差超曲而在單個連接權(quán)值坐標方向上的切線示意圖 341 圖6.3.5不同學習算法訓練相同網(wǎng)絡的效果比較（圖象50%顯示） 351 圖6.3.6擴展S型函數(shù)在不同陡峭系數(shù)時的函數(shù)曲線355 圖6.4.1由一幀HRI生成四幀LRIs的USS操作示意圖358 圖6.4.2網(wǎng)絡訓練映射向量的構(gòu)成示意圖360 圖6.4.3網(wǎng)絡收斂誤差與訓練映射向量數(shù)目的關(guān)系 363 圖6.5.1 BP網(wǎng)單隱層節(jié)點數(shù)日確定流程365 圖6.6.1單級訓練圖象超分辨BP網(wǎng)的結(jié)構(gòu)示意圖368 圖6.6.2單級訓練圖彖超分辨BP網(wǎng)訓練過程 371 圖6.6.3單級訓練圖象超分辨BP網(wǎng)的訓練實驗結(jié)果（均61%顯示） 372 圖6.6.4分辨率等級測試圖象對單級訓練圖象超分辨BP網(wǎng)泛化再生能力考查實驗結(jié)果 373 圖6.6.5單級訓練圖象超分辨BP網(wǎng)的泛化應用實驗結(jié)果(75%顯示) 375 圖6.7.1由一幀高分辨率遙感參考圖象經(jīng)三次質(zhì)量退化操作的欠采樣圖象方差（aZ）378 圖6.7.2 三級訓練圖象超分辨BP網(wǎng)的結(jié)構(gòu)示意圖 381 圖6.7.3圖象超分辨BP網(wǎng)三級訓練算法及其泛化應用框圖 382 圖6.7.4 BP網(wǎng)三級訓練收斂圖383 圖6.7.5圖象超分辨BP網(wǎng)三級訓練及其輸出結(jié)果圖象 384 圖6.7.6三級訓練圖象超分辨BP網(wǎng)對圖象模式映射泛化應用處理結(jié)果386 圖6.7.7 3m分辨率等級測試序列圖象對三級訓練圖象超分辨BP網(wǎng)性能考查實驗結(jié)果388 圖6.7.8 2m分辨率等級測試序列圖象對三級訓練圖象超分辨BP網(wǎng)性能考查實驗結(jié)果 391 圖6.7.9單幀輸入三級訓練圖象超分辨BP網(wǎng)應用實驗結(jié)果(54%顯示)393 圖6.7.10雙幀輸入二級訓練圖象超分辨BP網(wǎng)應用效果實驗結(jié)果 395 插標目錄 表2.1.1頻率混疊深度參數(shù)C11取值范圍與圖象分辨率的關(guān)系47 表2.1.2“資源二號”遙感圖象頻率混疊分析表48 表2.1.3 1m分辨率遙感圖象頻率混疊分析表50 表2.5.1光學衍射MTFo1值隨λ、Fn、f的變化69 表2.5.2像差系統(tǒng)MTF02值隨B/d的變化70 表2.5.3 λ=0.60μm時離焦的MTF04值71 表2.5.4不同ε情況下電荷轉(zhuǎn)移損失的MTFd值72 表2.5.5不同d、Lo情況下光串擾的MTFd值72 表2.5.6載體振動的MTFs隨A/d變化值73 表2.5.7遙感光學成像系統(tǒng)奈奎斯特頻率處的MTF (fN)值與對應的后值 74 表2.6.1基于FT的圖象頻域配準算法的高斯低通濾波參數(shù)值與配準誤差的關(guān)系77 表2.6.2基于FT的圖象頻域配準算法的模板T與配準誤差的關(guān)系77 表2.6.3幀間存在旋轉(zhuǎn)時基于FT的圖象頻域配準算法濾波參數(shù)б與配準誤差的關(guān)系79 表2.6.4幀間存在旋轉(zhuǎn)時基于FT的圖象頻域配準算法計算模板T與配準誤差的關(guān)系79 表2.6.5基于全局運動模型的圖象配準算法高斯低通濾波參數(shù)б與配準誤差的關(guān)系 81 表2.6.6采用高斯濾波器優(yōu)化的圖象頻域配準算法濾波參數(shù)б與配準誤差的關(guān)系“ 82 表2.6.7采用高斯濾波器優(yōu)化的圖象頻域配準算法模板T與配準誤差的關(guān)系83 表2.6.8采用R低通濾波器優(yōu)化的圖象頻域配準算法模板T與配準誤差的關(guān)系 84 表3.2.1基本頻域反卷積算法對有噪運動模糊圖象解模糊前后PSNR (dB)比較99 表3.2.2基本頻域反卷積算法對有噪高斯模糊圖象解模糊前后PSNR(dB)比較101 表3.2.3基本頻域反卷積算法對有噪散焦模糊圖象解模糊前后PSNR (dB)比較104 表3.2.4空域迭代盲目反卷積算法解無噪散焦模糊復原圖象PSNR(dB)與迭代次數(shù)N的關(guān)系117 表3.2.5基于FT的迭代盲曰反卷積算法解無噪散焦模糊復原圖象PSNR (dB)與迭代次數(shù)N的關(guān)系118 表3.2.6空域迭代盲目反卷積算法解有噪散焦模糊復原圖象PSNR(dB)與迭代次數(shù)的關(guān)系120 表3.2.7基于FT的迭代盲目反卷積算法解有噪散焦模糊復原圖象PSNR (dB)與迭代次數(shù)N的關(guān)系121 表3.2.8兩種有限支持域迭代盲目反卷積算法解有噪散焦模糊復原圖象PSNR (dB)的比較(N=2)124 表3.2.9圖3.2.20中解模糊復原圖象對比度改善因子127 表3.3.1圖3.3.1中去噪處理前后圖象PSNR的改善130 表3.3.2基于PDE的九種擴散去噪算法處理高斯噪聲污染圖象的PSNR比較141 表3.3.3基于PDE 的九種擴散去噪算法處理泊松噪聲污染圖象（圖3.3.4）的PSNR比較141 表3.3.4改進的各向異性擴散去噪算法處理噪聲污染圖象（圖3.3.5）的PSNR 144 表4.2.1單幀頻域變換與增強算法單向提高圖象分辨率的處理誤差169 表4.2.2單幀頻域變換與增強算法雙向提高圖象分辨率的處理誤差172 表4.2.3頻域補償與擴展等插值法處理變化較緩慢信號的插值誤差比較（p=55）181 表4.2.4頻域補償與擴展等插值法處理變化較劇烈信號的插值誤差比較(p=2.2）181 表4.2.5式(4.2.17)的系數(shù)A(i)的取值185 表4.2.6分辨率等級測試圖象對單幀圖象頻域變換與補償擴展算法的性能考查實驗數(shù)據(jù)186 表4.3.1分辨率等級測試圖象對單幀頻域解混疊超分辨算法的性能考查實驗數(shù)據(jù) 221 表4.4.1兩幀輸入頻域融合超分辨算法仿真驗證實驗圖象的PSNR和SNR 231 表4.4.2頻域融合超分辨算法處理3m分辨率等級測試圖象的PSNR和SNR 235 表4.4.3頻域融合超分辨算法處理2m分辨率等級測試圖象的PSNR和SNR 236 表4.4.4圖4.4.5中兩幀輸入圖象幀間配準位移參數(shù) 239 表4.4.5圖4.4.5中頻域融合超分辨算法輸出圖象對比度改善因子Tel 239 表5.2.1圖5.2.4中網(wǎng)格超分辨算法等多種方法處理圖象的PSNR比較 253 表5.3.1圖5.3.3中MAP估計算法等處理圖象的PSNR比較 261 表5.4.1 PMAP和PML估計基本算法在圖5.4.1兩組實驗中80次迭代圖象PSNR比較 277 表5.4.2 RGPMAP等算法兩組實驗結(jié)果的PSNR比較 281 表5.4.3 RGPMAP等算法兩組實驗結(jié)果的SNR比較281 表5.4.4圖5.4.7中RGPMAP估計算法處理圖象的PSNR比較283 表5.5.1 RPOCS和POCS估計算法兩組處理圖象的PSNR比較 297 表5.5.2 RPOCS和POCS估計算法兩組處理圖象的SNR比較297 表5.5.3 圖5.5.5中RPOCS估計魯棒算法處理圖象的PSNR比較-298 表5.6.1 RGPMAP-RPOCS融合方法六組測試迭代圖象的PSNR 306 表5.6.2 RPOCS-RGPMAP融合方法六組測試迭代圖象的PSNR 306 表5.6.3 RGPMAP-RPOCS-1 (m=1)融合算法六組測試迭代圖象的PSNR 308 表5.6.4 RGPMAP-RPOCS-2(m=1)融合算法六組測試迭代圖象的PSNR 308 表5.6.5 RGPMAP-RPOCS-5 (,m=1)融合算法六組測試迭代圖象的PSNR 308 表5.6.6 RGPMAP-I-RPOCS(n=1)融合算法六組測試迭代圖象的PSNR 309 表5.6.7 RGPMAP-2-RPOCS(n=1)融合算法六組測試迭代圖象的PSNR 309 表5.6.8 RGPMAP-5-RPOCS(n=1)融合算法六組測試迭代圖象的PSNR 309 表5.6.9 圖5.6.9中三種算法比較實驗輸出圖象的PSNR 313 表5.6.10 RGPMAP-2-RPOCS觸合最優(yōu)算法對3m分辨率等級測試圖象處理效果評價 316 表5.6.11 RGPMAP-2-RPOCS融合最優(yōu)算法對2m分辨率等級測試圖象處理效果評價 318 表5.6.12 圖5.6.13中兩幀輸入圖象幀間位移參數(shù) 321 表5.6.13 圖5.6.13中RGPMAP-2-RPOCS融合最優(yōu)算法輸出圖象對比度改善因子 321 表6.3.1不同學習算法訓練相同網(wǎng)絡的數(shù)據(jù)統(tǒng)計 351 表6.3.2低分辨率序列圖象與高分辨率圖象中提取的兩組對應數(shù)據(jù)356 表6.4.1 不同分塊映射方式下單隱層基本BP網(wǎng)訓練收斂及其輸出圖象性能隋況 362 表6.6.1 單隱層不同節(jié)點數(shù)目的基本BP網(wǎng)訓練收斂及其輸出圖象性能情況 366 表6.7.1 單隱層不同節(jié)點數(shù)日的二級訓練BP網(wǎng)訓練收斂及其輸出圖象性能情況 380 表6.7.2三級訓練圖象超分辨BP網(wǎng)處理3m分辨率圖象的PSNR和SNR 389 表6.7.3 三級訓練圖象超分辨BP網(wǎng)處理2m分辨率圖象的PSNR和SNR 391 表6.7.4 單幀輸入三級訓練圖象超分辨BP網(wǎng)應用實驗結(jié)果的PSNR和SNR 393 表6.7.5 圖6.7.10中應用實驗輸出圖象對比度改善因子 395 表6.8.1 三級訓練BP網(wǎng)與頻、空域融合算法應用實驗輸出圖象對比度和PSNR改善數(shù)據(jù) 398
《遙感圖象復原與超分辨理論及實現(xiàn)》：
成像傳感器的分辨率由其物理性質(zhì)決定，分辨率是反映成像系統(tǒng)分辨物體細節(jié)的能力，它是成像系統(tǒng)的一個重要性能和指標。這里需要區(qū)分兩種分辨率的概念，即成像分辨率和圖象顯示分辨率。由于成像系統(tǒng)實際上是把物體抽象為理想的點光源的集合來考慮，所以在考慮一個成像系統(tǒng)的分辨率時，一般只考慮其兩點分辨率，即區(qū)分兩個等亮度的點光源的能力，用兩個點光源的最小極限分辨距離作為系統(tǒng)的成像分辨率，即所成圖象的實際分辨率，對光學圖象而言，這種極限分辨距離就定義為實際點擴散函數(shù)（Point Spread Function，PSF）的主瓣寬度。而圖象的顯示分辨率是每英寸視圖內(nèi)有多少像素點，其單位為每英寸像素數(shù)（Pixels PerInch，PPI）；通常，因為圖象所含客體大小不變，其像素數(shù)越多，顯示分辨率越高，常用圖象的兩個正交坐標方向上的像素數(shù)，如128x128，表示顯示分辨率，這又被稱為圖象顯示模式，簡稱為圖象模式，圖象模式越大，顯示分辨率越高。在一般情況下，圖象模式的提高有助于實際分辨率的增強，兩者無固定關(guān)系，需要深入分析。 遙感圖象，特別是高分辨率的遙感圖象，作為準確、客觀蘊涵和表達目標客體及其背景信息的一種載體，其應用領域越來越廣泛，應用價值越來越高。例如，在城市、機場等交通樞紐的管制及車牌識別、空間飛行體的制導與導航、氣象環(huán)境的監(jiān)視及預報、醫(yī)學CT和NMR（核磁共振）成像診斷、地質(zhì)勘探及其數(shù)據(jù)分析、地震災害的探查與評估等諸多領域（陳鳳，2005），各類目標識別與判讀（李寧寧，1995），以及在城市規(guī)劃、土地利用監(jiān)測、自然災害預報等民事領域（吳青，2006），都有廣泛的需求和應用。目前已經(jīng)形成遙感影像獲取、解譯、地表信息分類和提取、三維重建、變化檢測、動態(tài)監(jiān)測、地圖更新等完整的信息鏈。未來遙感圖象的應用將更加普及，進一步推動遙感技術(shù)的發(fā)展。但是，實際應用表明，從遙感成像系統(tǒng)獲取的遙感圖象分辨能力往往達不到實際應用的要求，由于成像器件技術(shù)水平以及外界干擾的影響，所成遙感圖象一般也達不到設計要求。所以，隨著應用領域和應用深度不斷擴展，越來越迫切要求提高遙感圖象分辨率（魏祥泉，2005）。 對應用電荷耦合器件（Charge Couple Device，CCD）的光學成像系統(tǒng)來說，提高圖象分辨率的一種直接的方法是使用高密度的CCD，即降低每個光敏器件的尺寸W。但MIT/Lincoln實驗室在1989年發(fā)表的研究結(jié)果已經(jīng)表明，檢測器的散粒噪聲和點擴散函數(shù)造成的模糊尺寸的影響是不可避免的，W越小，單個檢測器收集到的目標信息越少，而散粒噪聲和模糊的影響越嚴重，致使所成圖象模糊越重、信噪比越低，在一定情況下，反而會顯著降低圖象的質(zhì)量（Billard，1989）。同時，由于CCD工藝的限制，在很多實際應用情況下，不能通過降低單個檢測器的尺寸即提高CCD密度的方法提高設備的成像分辨率。 ……
你還可能感興趣
我要評論
|
