论文部分内容阅读
随着遥感图象在各领域的广泛应用，对其分辨率的要求也越来越高。然而，由于受到遥感成像系统固有传感器阵列密度的限制、大气扰动等因素的影响，得到分辨率满足实际要求的遥感图象并非易事。提高遥感图象分辨率的直接办法是增加其采集设备的传感器阵列密度，但这往往受到工艺水平及高昂研制费用等条件的限制，很难实现。图象超分辨重建技术就是在这种有着迫切需求但又很难直接改善的背景下产生的，该技术采用软件处理的方法突破遥感成像系统硬件的限制，恢复成像过程中损失的高频信息，达到提高图象分辨率的目的。图象超分辨技术以其低成本和实效性引起了军事民用很多领域的重视和关注。本文研究的遥感图象 BP神经网络超分辨重建是一种基于学习的超分辨重建方法，对它的研究一方面是解决实际问题的需要，另一方面是对基于学习的图象超分辨重建方法的探索，以期突破传统图象超分辨方法的限制。 遥感图象BP神经网络超分辨关键问题的研究是BP神经网络实现和改进的基础，主要研究网络训练样本集、网络结构和学习规则等三方面内容。其中，网络训练样本集的研究中，建立亚像素位移欠采样的图象退化方法获取网络训练样本图象；为了使训练的网络同时具备图象超分辨和去模糊去噪声功能，采用去模糊和去噪声处理后的高分辨率图象作为网络训练输出样本图象；采用对网络训练样本图象分别分块的方法构造网络训练向量，并确定最佳向量映射方式，这些问题的研究会降低网络实现的复杂度，保障网络性能。提出一种ISCG（改进的比例共轭梯度）算法作为网络权值更新规则，对采用抛物线逼近梯度函数的估计方法求取SCG算法中的暂态点梯度，加速网络训练速度；最后，研究网络结构的确定方法以及加速网络训练到设定误差的保障方法问题，保障网络成功训练。 在单级训练 BP神经网络遥感图象超分辨重建中详细给出网络结构和参数的确定及实现过程。详实的泛化实验结果表明，单级训练 BP神经网络能够实现遥感图象超分辨重建并具去模糊和去噪声功能，对2.1m和5m的等级遥感图象分辨率分别提高1.32倍和1.39倍，但这种超分辨重建图象质量和分辨率提高倍数还不尽理想。 为了进一步提高遥感图象超分辨效果，更好地满足实际应用需要，提出一种多级训练 BP神经网络图象超分辨方法，对网络训练的样本图象获取方法、输入输出样本图象的筛选、网络训练算法三方面加以改进。分别实现了同一结构 BP神经网络的二级、三级和四级训练实验，实验验证了三级训练网络效果最好。这种三级训练网络采用三种不同图象超分辨映射模式的遥感图象分别作为同一结构BP神经网络的输入/输出训练样本图象，连续进行三个周期的训练和学习，网络对低分辨率图象（LRIs）到高分辨率图象（HRI）的超分辨映射拟合能力逐级增强。大量真实遥感图象的三级训练BP神经网络泛化实验结果表明：对单帧和双帧遥感图象，超分辨结果图象的细节显著增加，对比度均提高13dB以上。对2.1m和5m的等级测试图象，分辨率分别提高1.6倍和1.69倍，较单级训练BP神经网络分辨率提高倍数高出0.28倍和0.3倍；同时，与常规频、空域超分辨算法的对比结果表明，三级训练BP神经网络的重建效果最好，PSNR较其它对比方法高出1～7dB，验证了该方法的有效性。 综上所述，本文的主要创新成果如下： 1．建立同时具有遥感图象超分辨和去模糊去噪声功能的BP神经网络，即采用模拟遥感图象退化过程获取的图象为 BP神经网络训练样本图象，同时采用去模糊和去噪声处理后的图象为网络训练输出样本图象，使网络在训练和学习中学会了模拟遥感图象成像逆过程的LRIs到HRI的超分辨映射关系，同时从输出训练样本图象中学到了相应的去模糊和去噪声能力； 2．建立构造BP神经网络最佳输入/输出向量映射的方法，即对输入/输出训练样本图象按照2×2→4×4分块法构造网络训练向量映射，增强网络可实现性，降低网络结构的复杂程度； 3．提出ISCG算法作为网络权值学习规则，对SCG算法中的暂态点梯度采用抛物线逼近梯度函数的估计方法求取，减小计算复杂度，加快网络收敛速度； 4．提出多级训练BP神经网络图象超分辨重建方法，即用多种图象超分辨映射模式的训练样本图象对同一结构 BP神经网络连续进行多个周期的训练，下一级训练以其上一级训练保存的网络结构和权值为基础，使得网络对 LRIs到HRI的超分辨映射拟合能力逐级增强，其中以三级训练网络效果最好。 本文的研究工作是神经网络智能技术在遥感图象超分辨重建应用中的一种成功尝试，有着重要的研究价值和实用意义。