基于稀疏约束正则化模型的图像提高分辨率技术研究

论文摘要

获取高分辨率的SAR和光学遥感侦察监视图像,是目前成像系统发展的主要方向之一,而成本、研制周期和硬件技术水平等因素在一定程度上限制了当前我国部分遥感观测图像的分辨率。因此,研究图像数据处理方法,改进图像的质量,提高图像的分辨率,具有重要的理论和实际意义。论文以SAR图像与光学图像提高分辨率的不适定问题为背景,针对图像稀疏先验约束在提高分辨率处理中的有效应用,解决稀疏约束正则化模型处理的有关问题。本文的主要工作如下:1)从多个角度系统揭示了SAR图像目标强散射中心的稀疏性机理研究了SAR图像目标强散射中心稀疏性的成因。首先,从目标散射中心概念出发,根据电磁散射理论,通过理论研究与实验分析了目标散射中心的稀疏性。其次,从场景粗糙屈光面对后向散射强度的影响机理出发,揭示了SAR图像中多数场景表现为“近黑”的统计特性和物理原因。最后,从人类视觉稀疏分解的角度出发,对比分析了SAR图像与光学图像稀疏结构的异同。2)利用SAR图像数据的Cauchy先验,建立了Lorentz函数稀疏约束正则化提高分辨率模型,并给出其快速求解算法建立了Lorentz(洛伦茨)函数稀疏约束正则化提高分辨率模型,该模型对应于SAR图像数据的Cauchy分布的先验信息。给出了一种较快的求解算法,分析了该稀疏约束正则化模型的稳健性、压缩性和解的广义稀疏性,及其在SAR图像处理中的应用。3)提出了一种变拟范数稀疏约束的正则化SAR图像提高分辨率模型,并建立了交互迭代的求解算法目前,提高分辨率的正则化模型通常采用预先固定的l p拟范数的方式。在此基础上,提出了一种正则化约束项随着数据而变化的正则化模型。本文将其称为变拟范数约束的正则化模型。根据稀疏约束拟范数与广义高斯分布形状参数的关系,研究了模型稀疏约束项的确定方法,给出了一种交互迭代求解的方法,并将其应用于SAR图像目标提高分辨率处理。4)建立了拟范数稀疏约束正则化模型与解的稀疏性之间的关系,并提出一种对SAR图像幅度进行部分压缩的提高分辨率算法采用不同的拟范数约束项,正则化模型的解会具有不同的稀疏性。研究了拟范数的形式与模型最优稀疏解的关系,指出了l p拟范数中p的取值特点。推导了拟范数正则化约束模型的阈值特性,给出了阈值与拟范数以及正则化参数的关系。并推导了观测数据噪声水平和解的稀疏性的关系,由此得到了模型对解的稀疏性的决定机制。推导了拟范数约束正则化模型的压缩性质,并提出了一种部分压缩算法,以保持目标散射中心的幅度。5)针对广义高斯和泊松分布噪声条件下提高分辨率处理,给出了非二次数据度量和稀疏约束的正则化模型与求解算法针对光学图像,研究了非高斯噪声条件下图像提高分辨率的正则化方法,分别从Bayes估计和正则化变分的角度研究了正则化模型的构造问题,得到了具有不同形式非二次数据度量项的正则化模型。为该正则化模型引入了边缘稀疏约束,并研究了求解方法。考虑了两类典型的非高斯噪声,即广义高斯分布噪声(涵盖了均匀分布、Laplace分布、重尾分布等多种情况)和泊松分布噪声,主要采用了光学遥感图像来进行实验分析。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 应用需求背景
• 1.1.2 技术背景
• 1.2 国内外研究现状
• 1.2.1 图像提高分辨率技术
• 1.2.2 图像提高分辨率的正则化方法
• 1.2.3 提高分辨率的稀疏先验约束
• 1.2.4 小结
• 1.3 本文主要研究工作
• 1.3.1 研究思路
• 1.3.2 主要研究内容与论文结构
• 1.3.3 主要创新
• 第二章 提高分辨率的正则化方法基础与稀疏先验约束
• 2.1 正则化模型的构造及其压缩性质
• 2.1.1 逼近项与正则化约束项
• 2.1.2 基于约束最大似然估计与最大后验估计的构造方法
• 2.1.3 基于正则化变分的构造方法
• 2.1.4 正则化模型的压缩估计性质与有偏估计性质
• 2.2 图像的随机性稀疏先验
• 2.2.1 典型的稀疏先验分布
• 2.2.2 实测SAR 图像与光学图像稀疏先验分布拟合实验
• 2.3 图像的确定性稀疏约束
• 2.3.1 确定性稀疏约束函数
• 2.3.2 确定性稀疏约束与随机性稀疏先验的关系
• 2.4 本章小结
• 第三章 基于Lorentz 函数稀疏约束正则化模型的SAR 图像提高分辨率
• 3.1 SAR 图像提高分辨率问题描述
• 3.1.1 SAR 系统空间分辨率
• 3.1.2 SAR 图像观测模型
• 3.1.3 SAR 图像分辨率的评价
• 3.2 SAR 图像数据稀疏性的分析
• 3.2.1 稀疏性的后向散射机制分析与仿真实验
• 3.2.2 粗糙屈光面后向散射对图像幅度的影响
• 3.2.3 SAR 与光学图像的稀疏分解特性比较
• 3.2.4 小结
• 3.3 基于Lorentz 函数稀疏约束正则化模型的提高分辨率方法
• 3.3.1 模型的统计解释
• 3.3.2 模型求解
• 3.3.3 实验结果与分析
• 3.4 Lorentz 函数稀疏约束正则化模型的性质及应用
• 3.4.1 稀疏约束的稳健性
• 3.4.2 模型的压缩性
• 3.4.3 解的广义稀疏性
• 3.4.4 在复杂区域的应用
• 3.5 本章小结
• 第四章 基于拟范数稀疏约束正则化的SAR 图像提高分辨率
• 4.1 拟范数稀疏约束正则化模型的压缩性质及其改进
• 4.1.1 基于拟范数约束的正则化模型
• 4.1.2 模型的压缩性质分析
• 4.1.3 改进的非均匀部分压缩算法
• 4.1.4 实验与结果分析
• 4.2 基于变拟范数稀疏约束的正则化方法
• 4.2.1 变拟范数约束正则化模型
• 4.2.2 变拟范数模型的参数估计
• 4.2.3 模型求解的交互迭代算法
• 4.2.4 对迭代终止准则的讨论
• 4.2.5 实验结果与分析
• 4.3 拟范数稀疏约束项的选定及对解的稀疏性影响
• 4.3.1 拟范数形式的选定
• 4.3.2 拟范数约束与解的稀疏性
• 4.3.3 仿真定标场数据提高分辨率实验
• 4.4 本章小结
• 第五章 基于非高斯噪声与边缘稀疏的光学图像提高分辨率
• 5.1 光学图像提高分辨率问题
• 5.1.1 光学图像提高分辨率
• 5.1.2 光学图像噪声的非高斯先验分布
• 5.2 基于随机噪声广义高斯分布的正则化方法
• 5.2.1 噪声的广义高斯分布与非二次数据逼近
• 5.2.2 正则化模型与参数选取
• 5.2.3 迭代求解及其收敛性分析
• 5.2.4 实验结果与分析
• 5.3 基于随机噪声泊松分布的稀疏约束正则化变分方法
• 5.3.1 噪声泊松分布与非二次数据逼近
• 5.3.2 稀疏约束正则化变分复原模型
• 5.3.3 变分模型的求解
• 5.3.4 正则化参数的选取
• 5.3.5 实验结果与分析
• 5.4 基于光学图像边缘稀疏约束的正则化方法
• 5.4.1 图像边缘稀疏约束条件的Markov 随机场解释
• 5.4.2 图像边缘保持与稀疏约束正则化对先验模型的选择
• 5.4.3 实验结果与分析
• 5.5 本章小结
• 第六章 结论与展望
• 6.1 本文研究工作小结
• 6.2 相关研究工作展望
• 致谢
• 参考文献
• 作者在学期间取得的学术成果