[发明专利]基于联合优化的SAR图像超分辨率方法

摘要

本发明提出了一种基于联合优化的SAR图像超分辨方法，用于解决现有SAR图像超分辨方法存在的图像恢复效果差的技术问题，包括如下步骤：输入同一场景下的高低分辨率SAR图像各一张；对高低分辨率SAR图像进行分割；对训练数据集进行切块；对高‑低分辨率的图像块集进行特征提取；将训练图像块集进行聚类得到K类图像块；将K类图像块迭代优化得到K个映射矩阵；将测试低分辨SAR图像切块；对测试图像块进行特征提取；为每块测试图像选择最合适的映射矩阵并对其进行重构；对重构图像块进行聚合得到高分辨SAR图像。本发明具有重构准确和人工噪声低的特点，可用于为SAR图像的后续解译判读、目标识别和目标检测提供更准确的信息。

主权项

1.一种基于联合优化的SAR图像超分辨率方法，包括如下步骤：(1)输入同一场景下的一幅高分辨率SAR图像和一幅低分辨SAR图像；(2)对所述高分辨率SAR图像和低分辨SAR图像均进行网格分割，得到网格位置相互对应的高‑低分辨率的数据集，并从该数据集中随机选取d对高‑低分辨率的图像组成训练数据集，从数据集中随机选取e对高‑低分辨率的图像组成测试数据集；(3)对所述训练数据集中的高‑低分辨率图像进行切块处理，得到相互对应的高分辨训练图像块集和低分辨训练图像块集，具体实现步骤如下：(3a)对所述训练数据集中的低分辨率的图像进行插值，得到和高分辨率图像大小相同的低分辨图像；(3b)对插值得到的低分辨图像进行切块，得到N个大小为c×c的低分辨训练图像块，相邻的图像块至少重叠1个像素；(3c)对训练数据集中的高分辨图像进行切块，得到N个大小为c×c的高分辨训练图像块，相邻块之间至少重叠1个像素；(3d)从得到的N个大小为c×c的高分辨训练图像块和低分辨训练图像块中，选取L个高分辨训练图像块，同时选取与高分辨训练图像块相对应的低分辨训练图像块；(4)对得到的相互对应的高分辨训练图像块集和低分辨训练图像块集分别进行特征提取，得到高分辨特征集和低分辨特征集，具体实现步骤如下：(4a)利用高分辨训练图像块集中的L个图像块减去与其对应的低分辨训练图像块集中的图像块，得到L个高分辨图像块的特征向量D1＝{y1,...,yL}；(4b)利用低分辨训练图像块集中的L个图像块分别与四个导数滤波器进行卷积，并将每个图像块卷积得到的四个特征向量串联，得到L个低分辨图像块的特征向量；(4c)对得到的L个低分辨图像块的特征向量分别进行降维，得到L个低分辨图像块的特征向量D2＝{x1,...,xL}；(5)对所述高分辨训练图像块集进行聚类，得到K类高分辨图像块，根据K类高分辨图像块，把低分辨训练图像块集中的图像块划分到与之对应的高分辨图像块的类中，得到K类图像块；(6)利用EM算法对得到的K类图像块进行迭代优化，得到K个映射矩阵，具体实现步骤如下：(6a)E步：利用岭回归的方法，求解得到的K类图像块中每类的映射矩阵P_k，表示为其中，Pk表示第k类的映射矩阵，Yk表示第k类高分辨训练图像块的特征矩阵，Yk是由每个图像块的特征向量按列排列组成，Xk表示第k类低分辨训练图像块的特征矩阵，Xk是由每个图像块的特征向量按列排列组成，λ是调整参数，T表示转置操作，I是单位矩阵，(·)‑1表示矩阵的逆；(6b)M步：根据公式(1)分别求出低分辨训练图像块集中每个图像块在K个映射矩阵下的重构误差，这些误差记录在误差矩阵Z＝[z1,...,zl,...,zL]中，并从该误差矩阵中的列向量zl中选择使低分辨块xl误差最小的类作为它的新类，得到新K类图像块；其中列向量z_l记录低分辨块x_l在K个映射矩阵下的重构误差，z_k,l表示低分辨块x_l在第k类映射矩阵下的重构误差，误差z_k,l为误差向量z_l中的一个元素，表示低分辨块x_l在第k类映射矩阵下的重构结果，y_l表示原始的高分辨图像块，记录误差的矩阵Z是由L个列向量组成，每个列向量记录一个图像块在K个回归函数下的重构误差，即Z为大小为K×L的矩阵；(6c)迭代所述E步和M步，直到设定的迭代次数；(7)输入测试数据集中的待处理的低分辨图像，执行步骤(3a)和步骤(3b)，得到测试图像块；(8)对得到的测试图像块，执行步骤(4b)和步骤(4c)，得到所有图像块的特征向量；(9)从步骤(6)中得到的K个映射矩阵中，选择最合适的映射矩阵对所述测试图像块中的每块测试图像进行重构，得到多个重构图像块，具体实现步骤如下：(9a)对测试图像块中的每块测试图像分别估计其在K个映射矩阵下的重构误差；(9b)选择重构误差最小的映射矩阵，对测试图像块中的每块测试图像进行重构；(10)将得到的多个重构图像块进行聚合，得到一幅高分辨率的SAR图像。