[发明专利]一种基于小支持域正则化逆卷积的遥感影像恢复方法

说明书

技术领域

本发明涉及一种基于小支持域正则化逆卷积的遥感影像恢复方法，用于去除遥感影像的模糊，增强图像的质量，属于遥感数字图像恢复技术领域。

背景技术

中国于2008年9月6日发射了中国自主研发的资源环境小卫星HJ1A/1B。该卫星提供30m分辨率的卫星影像，能够用于资源调查，环境监测，土地利用/土地覆被制图，生态系统和环境评价等领域。HJ星与Landsat卫星参数有一些相似之处，但是在检查测试影像时发现HJ星影像看起来模糊，地面目标感觉混淆在一起。根据之前影像质量方面的研究可知，在信息量，纹理和特征信息方面HJ星CCD影像不如TM影像好。所以实际使用HJ星数据时，需要对其进行增强处理。

图像恢复领域的研究始于二十世纪五六十年代初期美国和前苏联的太空计划项目。图像恢复方面的文献是广泛的，但根据退化模型可以将这些方法分成两类。一类是将退化模型看成一个线性变换，另一类是用点扩散函数(除了噪声)对影像进行卷积计算。前者通过最小化问题得到结果，后者通过逆卷积计算得到结果。

正则化是一种比较著名的基于最小化方法进行影像修复方法。如果影像被看成是一个转换后的矩阵，那么通常逆变换是一个病态问题。必须增加其他的附加信息以便解决这个问题。通常应用基于原始影像统计信息的先验知识，以提高模糊影像的质量。例如，被修复的影像不应该有负值。其他常用的影像先验知识包括高斯先验知识、普拉斯先验知识等。Tikhonov应用是最重要的线性应用算法，它采用梯度下降算法实现。许多方法都源于此，即通过生成对X向量的估计(AA^T+λL)^-1gA^T在L1或Lp空间内解决泛最小化问题，这里A，g和L都是矩阵。当影像的大小变大时，计算时间变得相对的长，并且影像被平滑。另一个比较著名的应用算法是总变差算法。泛最小化问题如下式表示T(x)=12||Axλ-b||2+λ∫Ω|▿xλ|2+β2,]]>因为他是非线性变换，所以只能通过迭代的方式来解决。在每一次迭代中，都需要对矩阵进行计算以获得类似于Tikhonov的应用。而迭代次数不一定能确保影像收敛，超过一定的迭代次数可能会导致过拟合。目前大多数研究都是针对测试影像或者小范围的影像，几乎没有针对遥感影像的算法，因为这种算法的发展受到两个因素的阻碍。首先迭代方法和矩阵计算缓慢耗时长，其次在迭代程序中有多个参数需要估算，而估算的过程是很复杂的。

逆卷积方法包括多种滤波算法和正则化逆卷积算法。维纳滤波从最小平方误差角度来说是最优的滤波方法。它可以通过对退化模型直接进行快速傅里叶变换得到。原始图像功率谱与噪声功率谱需要估算，然而估算原始图像功率谱很困难，没有一个可靠和准确的方法来估计。退化的图像常用来代替原始图像。一种更巧妙的方法就是迭代的估计图像的协方差，然后用维纳滤波后的信号作为改进型的原型去更新协方差估计，一种近似的做法就是把信噪比作为一个常数。维纳滤波作为一种线性滤波方法存在振铃效应问题，为了克服这个缺点，更多的先验知识被增加到算法中，由此产生了正则化逆卷积算法。维纳逆滤波算法和正则化逆滤波都要用点扩散函数进行训练学习。然而在实际应用中点扩散函数通常难以预知，而假设的点扩散函数常常影响图像的恢复。