遙感圖象BP神經(jīng)網(wǎng)絡超分辨重建技術(shù)研究.pdf

1、隨著遙感圖象在各領域的廣泛應用，對其分辨率的要求也越來越高。然而，由于受到遙感成像系統(tǒng)固有傳感器陣列密度的限制、大氣擾動等因素的影響，得到分辨率滿足實際要求的遙感圖象并非易事。提高遙感圖象分辨率的直接辦法是增加其采集設備的傳感器陣列密度，但這往往受到工藝水平及高昂研制費用等條件的限制，很難實現(xiàn)。圖象超分辨重建技術(shù)就是在這種有著迫切需求但又很難直接改善的背景下產(chǎn)生的，該技術(shù)采用軟件處理的方法突破遙感成像系統(tǒng)硬件的限制，恢復成像過程中損失的

2、高頻信息，達到提高圖象分辨率的目的。圖象超分辨技術(shù)以其低成本和實效性引起了軍事民用很多領域的重視和關(guān)注。本文研究的遙感圖象 BP神經(jīng)網(wǎng)絡超分辨重建是一種基于學習的超分辨重建方法，對它的研究一方面是解決實際問題的需要，另一方面是對基于學習的圖象超分辨重建方法的探索，以期突破傳統(tǒng)圖象超分辨方法的限制。
　　遙感圖象BP神經(jīng)網(wǎng)絡超分辨關(guān)鍵問題的研究是BP神經(jīng)網(wǎng)絡實現(xiàn)和改進的基礎，主要研究網(wǎng)絡訓練樣本集、網(wǎng)絡結(jié)構(gòu)和學習規(guī)則等三方面內(nèi)容。其

3、中，網(wǎng)絡訓練樣本集的研究中，建立亞像素位移欠采樣的圖象退化方法獲取網(wǎng)絡訓練樣本圖象；為了使訓練的網(wǎng)絡同時具備圖象超分辨和去模糊去噪聲功能，采用去模糊和去噪聲處理后的高分辨率圖象作為網(wǎng)絡訓練輸出樣本圖象；采用對網(wǎng)絡訓練樣本圖象分別分塊的方法構(gòu)造網(wǎng)絡訓練向量，并確定最佳向量映射方式，這些問題的研究會降低網(wǎng)絡實現(xiàn)的復雜度，保障網(wǎng)絡性能。提出一種ISCG（改進的比例共軛梯度）算法作為網(wǎng)絡權(quán)值更新規(guī)則，對采用拋物線逼近梯度函數(shù)的估計方法求取SCG

4、算法中的暫態(tài)點梯度，加速網(wǎng)絡訓練速度；最后，研究網(wǎng)絡結(jié)構(gòu)的確定方法以及加速網(wǎng)絡訓練到設定誤差的保障方法問題，保障網(wǎng)絡成功訓練。
　　在單級訓練 BP神經(jīng)網(wǎng)絡遙感圖象超分辨重建中詳細給出網(wǎng)絡結(jié)構(gòu)和參數(shù)的確定及實現(xiàn)過程。詳實的泛化實驗結(jié)果表明，單級訓練 BP神經(jīng)網(wǎng)絡能夠?qū)崿F(xiàn)遙感圖象超分辨重建并具去模糊和去噪聲功能，對2.1m和5m的等級遙感圖象分辨率分別提高1.32倍和1.39倍，但這種超分辨重建圖象質(zhì)量和分辨率提高倍數(shù)還不盡理想。<

5、br>　　為了進一步提高遙感圖象超分辨效果，更好地滿足實際應用需要，提出一種多級訓練 BP神經(jīng)網(wǎng)絡圖象超分辨方法，對網(wǎng)絡訓練的樣本圖象獲取方法、輸入輸出樣本圖象的篩選、網(wǎng)絡訓練算法三方面加以改進。分別實現(xiàn)了同一結(jié)構(gòu) BP神經(jīng)網(wǎng)絡的二級、三級和四級訓練實驗，實驗驗證了三級訓練網(wǎng)絡效果最好。這種三級訓練網(wǎng)絡采用三種不同圖象超分辨映射模式的遙感圖象分別作為同一結(jié)構(gòu)BP神經(jīng)網(wǎng)絡的輸入/輸出訓練樣本圖象，連續(xù)進行三個周期的訓練和學習，網(wǎng)絡對低分辨

6、率圖象（LRIs）到高分辨率圖象（HRI）的超分辨映射擬合能力逐級增強。大量真實遙感圖象的三級訓練BP神經(jīng)網(wǎng)絡泛化實驗結(jié)果表明：對單幀和雙幀遙感圖象，超分辨結(jié)果圖象的細節(jié)顯著增加，對比度均提高13dB以上。對2.1m和5m的等級測試圖象，分辨率分別提高1.6倍和1.69倍，較單級訓練BP神經(jīng)網(wǎng)絡分辨率提高倍數(shù)高出0.28倍和0.3倍；同時，與常規(guī)頻、空域超分辨算法的對比結(jié)果表明，三級訓練BP神經(jīng)網(wǎng)絡的重建效果最好，PSNR較其它對比方法

7、高出1～7dB，驗證了該方法的有效性。
　　綜上所述，本文的主要創(chuàng)新成果如下：
　　1．建立同時具有遙感圖象超分辨和去模糊去噪聲功能的BP神經(jīng)網(wǎng)絡，即采用模擬遙感圖象退化過程獲取的圖象為 BP神經(jīng)網(wǎng)絡訓練樣本圖象，同時采用去模糊和去噪聲處理后的圖象為網(wǎng)絡訓練輸出樣本圖象，使網(wǎng)絡在訓練和學習中學會了模擬遙感圖象成像逆過程的LRIs到HRI的超分辨映射關(guān)系，同時從輸出訓練樣本圖象中學到了相應的去模糊和去噪聲能力；
　　2．

8、建立構(gòu)造BP神經(jīng)網(wǎng)絡最佳輸入/輸出向量映射的方法，即對輸入/輸出訓練樣本圖象按照2×2→4×4分塊法構(gòu)造網(wǎng)絡訓練向量映射，增強網(wǎng)絡可實現(xiàn)性，降低網(wǎng)絡結(jié)構(gòu)的復雜程度；
　　3．提出ISCG算法作為網(wǎng)絡權(quán)值學習規(guī)則，對SCG算法中的暫態(tài)點梯度采用拋物線逼近梯度函數(shù)的估計方法求取，減小計算復雜度，加快網(wǎng)絡收斂速度；
　　4．提出多級訓練BP神經(jīng)網(wǎng)絡圖象超分辨重建方法，即用多種圖象超分辨映射模式的訓練樣本圖象對同一結(jié)構(gòu) BP神經(jīng)網(wǎng)絡