欢迎来到天天文库
浏览记录
ID:46634608
大小:4.09 MB
页数:8页
时间:2019-11-26
《基于分类字典学习的遥感图像超分辨率方法》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、航天返回与遥感第36卷第6期72SPACECRAFTRECOVERY&REMOTESENSING2015年12月基于分类字典学习的遥感图像超分辨率方法王超1孙权森1刘佶鑫2贺金平3张从梅1(1南京理工大学图像工程实验室,南京210094)(2南京邮电大学宽带无线通信技术教育部工程研究中心,南京210094)(3北京空间机电研究所,北京100094)摘要传统的超分辨率方法存在图像重构时间长,重构质量有待改进的问题。因此,文章针对遥感图像对传统的超分辨率方法进行了改进。主要利用原始图像的局部二值模式(LBP)纹理特征对图像进行分类识别
2、,学习分类字典,并使用对应类别字典对低分辨率图像进行超分辨率重构。该方法的优势在于既加快了重构速度,又有效改善了重构图像的质量。试验结果证明了该方法相对于传统方法的优越性。关键词遥感图像超分辨率重建稀疏表示字典学习分类中图分类号:TP75l文献标志码:A文章编号:1009—8518(2015)06—0072—08DOI:10.3969/j.issn.1009—8518.2015.06.010Remotesen!"gImageSuF;olutionAlgorithmBasedRemote-sensingImageSuper-reso
3、lutionAlgorithmBased0nClassifiedDictionaryLearningWANGCha01SUNQuansenlLIUJixin2HEJinpin93ZHANGCongmeil(1NanjingUniversityofScience&Technology,Nanjing210094.China)(2NanjingUniversityofPostsandTelecommunications,Nanjing210094,China)(3BeijingInstituteofSpaceMechanics&Ele
4、ctricity,Beijing100094.China)AbstractThetraditionalsuper-resolutionmethodhasproblemsthatthereconstructiontimeiStoolongandthereconstructionqualityneedstobeimproved.Therefore,inviewoftheremotesensingimage,thispaperimprovesthetraditionalmethodofsuper—resolution.Themethod
5、mainlyusesthelocalbinarypattern(LBP)texturefeatureoftheoriginalimagetoclassifyandrecognizethem,andusesthecorrespondingcategorydic—tionaryoflow—resolutiontoreconstructthesuper—resolutionimage.Theadvantageofthemethodisspeedingupthereconstructionandeffectivelyimprovingth
6、equalityofthereconstructionimage.Theexperimentalresultshowsthesuperiorityofthismethodcomparedwiththetraditionalmethod.Keywordsremote—sensingimage;super-resolutionreconstruction;sparserepresentation;dictionarylearning;classification圃引言随着航天技术的发展以及遥感器性能的不断改进,卫星遥感图像的空间分辨率
7、‘11已发展到一个崭新收稿日期:2015.05.10基金项目:国家自然科学基金(61273251),民用航天技术预研项目第6期王超等:基于分类字典学习的遥感图像超分辨率方法73水平。然而,在遥感图像获取过程中,有很多因素会造成分辨率的下降,例如大气扰动、频率混叠,以及成像、传输过程中引入的噪声掣21。由于硬件方法受到制造工艺和生产成本的限制,因此利用数字信号处理技术提高图像分辨率的方法近年来受到广泛关注,相关的方法被称为超分辨率(superresolution,SR)图像重构【3-4】。现有的超分辨率方法大致分为三个主要研究方向:
8、基于插值的方法、基于重建的方法和基于学习的方法。其中,基于学习的超分辨率方法由于其良好的重构结果,成为目前的研究热点。比较典型的有基于样本(example—based)的方法‘51、邻域嵌入(neighborembedding)的方法【6】、支持向
此文档下载收益归作者所有