月球车图像超分辨率重建算法

魏士俨; 申振荣; 张烁; 刘少创

美国《工程索引》（EI）核心期刊
美国《剑桥科学文摘》（CSA）收录期刊
荷兰斯高帕斯数据库（Scopus）收录期刊
英国INSPEC数据库（SA）收录期刊

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

月球车图像超分辨率重建算法

魏士俨, 申振荣, 张烁, 刘少创

文章导航 > 武汉大学学报 ( 信息科学版) > 2013 > 38(4): 436-439

魏士俨, 申振荣, 张烁, 刘少创. 月球车图像超分辨率重建算法[J]. 武汉大学学报 ( 信息科学版), 2013, 38(4): 436-439.

引用本文:

魏士俨, 申振荣, 张烁, 刘少创. 月球车图像超分辨率重建算法[J]. 武汉大学学报 ( 信息科学版), 2013, 38(4): 436-439.

WEI Shiyan, SHEN Zhenrong, ZHANG Shuo, LIU Shaochuang. Moon Rover Image Super-Resolution Reconstruction Algorithm[J]. Geomatics and Information Science of Wuhan University, 2013, 38(4): 436-439.

Citation:

WEI Shiyan, SHEN Zhenrong, ZHANG Shuo, LIU Shaochuang. Moon Rover Image Super-Resolution Reconstruction Algorithm[J]. Geomatics and Information Science of Wuhan University, 2013, 38(4): 436-439.

月球车图像超分辨率重建算法

1武汉大学测绘学院,武汉市珞喻路129号,430079)(2北京空间飞行器总体设计部,北京市友谊路104号,100094)(3中国科学院遥感与数字地球研究所,北京市大屯路甲20号,100101

基金项目: 国家自然科学基金资助项目（41072298）。

详细信息

作者简介:
魏士俨，博士生，主要研究领域为摄影测量、计算机视觉和遥感技术。

中图分类号: P237.3

Moon Rover Image Super-Resolution Reconstruction Algorithm

1School of Geodesy and Geomatics, Wuhan University, 129 Luoyu Road, Wuhan 430079, China)(2Beijing Institute of Spacecraft System Engineering, 104 Youyi Road, Beijing 100094, China)(3Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, 20A Datun Road, Beijing 100101, China

摘要: 为了更好地满足嫦娥探月工程二期中月球车导航和探测规划任务对图像数据的要求，提出了一种基于压缩感知的超分辨率图像重建方法，利用经过模糊处理并加入噪声的低分辨率图像重建原始的高分辨率图像，实现了月球车图像的超分辨率重建。算法采用局部Sparse\|Land模型，从美国阿波罗计划获取的月面图像、嫦娥二期工程实验中获取的图像以及随机选取的自然图像中提取了大量训练图块，采用K-SVD算法完成了高、低分辨率过完备字典Ah和Al的学习，在对待重建图像进行有效分割的基础上，通过求解优化问题获得待处理低分辨率图块的稀疏表示，并将表示系数用于Ah以生成对应的高分辨率图块。最后，运用最小二乘算法，得到满足重构约束的高分辨率图像。实验结果表明，此算法在视觉效果及PSNR指标上均优于插值方法和Yang的方法。
- 压缩感知 /
- 超分辨率 /
- 过完备字典 /
- 稀疏表达
Abstract: For moon rover navigation and exploration mission during the 2nd stage of Chang’e project, high-resolution images are necessary. So a moon rover image super-resolution reconstruction algorithm via using compressed sensing was presented. The target is to reconstruct an original image from its blurred and down-scaled noisy version. The algorithm assumed a local Sparse-Land model on image patches, serving as regularization. The images from Apollo Project, tests in the 2nd stage of Chang’e project and natural image database were used in extracting patches for building two dictionaries. The K-SVD algorithm was used in training the dictionaries. Then the effective segmentation was implemented on low-resolution image. Through solving optimization problem via orthogonal matching pursuit algorithm, the sparse representation for each low-resolution image patch with respect to Al was obtained, and the representation coefficients were applied to Ah in order to generate the corresponding high-resolution image patch. At the end of experiment the high-resolution image which satisfied the reconstruction constraint was achieved by using least squares algorithm. Numerical experiments about moon rover images from tests in the 2nd stage of Chang’e project demonstrated the effectiveness of the proposed algorithm. Moreover, the proposed algorithm outperforms bicubic interpolation based method and the algorithm via Yang in terms of visual quality and the peak signal to noise ratio.
- compressed sensing /
- super-resolution /
- over-complete dictionary /
- sparse representation

[1]	刘经南,魏二虎,黄劲松,等.月球测绘在月球探测中的应用[J]. 武汉大学学报.信息科学版, 2005,30(2):95-100
[2]	Thevenaz P, Blu T, Unser M. Interpolation Revisited[J]. IEEE Trans Medieal Imaging, 2000,19(7):739-758
[3]	Elad M, Aharon M. Image Denoising via Sparse and Redundant Tepresentations over Learned Dictionaries[J]. IEEE Trans on Image Processing,2006, 15(12): 3 736-3 745
[4]	Bruckstein A M, Donoho D L, Elad M. From Sparse Solutions of Systems of Equations to Sparse Modeling of Signals and Images[J]. SIAM Review, 2009, 51(1): 34-81
[5]	Elad M. Sparse and Redundant Representations: From Theory to Applications in Signal and Image Processing [M]. Heidelberg: Springer, 2010
[6]	Schultz R R, Stevenson R L. A Bayesian Approach to Image Expansion for Improved Definition[J]. IEEE Transactions on Image Processing,1994,3(3): 233-242
[7]	Aharon M, Elad M, Bruckstein A M. The K-SVD: An Algorithm for Designing of over Complete Dictionaries for Sparse Representation[J]. IEEE Trans on Signal Processing, 2006, 54(11):4 311-4 322
[8]	Yang J, Wright J, Huang T,et al. Image Super-resolution Via Sparse Representation[J]. IEEE Trans on Image Processing, 2010,19(11):2 861-2 873

[1]	王密, 项韶, 肖晶. 面向任务的高分辨率光学卫星遥感影像智能压缩方法 . 武汉大学学报 ( 信息科学版), 2022, 47(8): 1213-1219. doi: 10.13203/j.whugis20220153
[2]	冯宗伟, 种衍文, 郑炜玲, 潘少明. 基于解析字典的图像压缩方法 . 武汉大学学报 ( 信息科学版), 2018, 43(2): 262-267, 274. doi: 10.13203/j.whugis20160085
[3]	侯绍洋, 赵学胜, 官亚勤. 利用多分辨率半边进行全球多分辨率DEM无缝表达 . 武汉大学学报 ( 信息科学版), 2018, 43(3): 372-378. doi: 10.13203/j.whugis20150152
[4]	鹿璇, 汪鼎文, 石文轩. 利用在线字典学习实现图像超分辨率重建的算法 . 武汉大学学报 ( 信息科学版), 2018, 43(5): 719-725. doi: 10.13203/j.whugis20150753
[5]	刘文轩, 祁昆仑, 吴柏燕, 吴华意. 基于多任务联合稀疏和低秩表示的高分辨率遥感图像分类 . 武汉大学学报 ( 信息科学版), 2018, 43(2): 297-303. doi: 10.13203/j.whugis20160044
[6]	徐健, 常志国, 张小丹. 采用交替K-奇异值分解字典训练的图像超分辨率算法 . 武汉大学学报 ( 信息科学版), 2017, 42(8): 1137-1143. doi: 10.13203/j.whugis20150095
[7]	廖海斌, 陈友斌, 陈庆虎. 基于非局部相似字典学习的人脸超分辨率与识别 . 武汉大学学报 ( 信息科学版), 2016, 41(10): 1414-1420. doi: 10.13203/j.whugis20140498
[8]	黄远程, 钟燕飞, 赵野鹤, 朱卫恒. 联合盲分解与稀疏表达的高光谱图像异常目标检测 . 武汉大学学报 ( 信息科学版), 2015, 40(9): 1144-1150. doi: 10.13203/j .whu g is20140575
[9]	刘帅, 朱亚杰, 薛磊. 一种结合稀疏表示和纹理分块的遥感影像超分辨率方法 . 武汉大学学报 ( 信息科学版), 2015, 40(5): 578-582. doi: 10.13203/j.whugis20130385
[10]	陈王丽, 孙涛, 陈喆３马国锐, 秦前清. 利用光流配准进行嫦娥一号CCD多视影像超分辨率重建 . 武汉大学学报 ( 信息科学版), 2014, 39(9): 1103-1108. doi: 10.13203/j.whugis20130289
[11]	何楚, 张宇, 廖紫纤, 徐新. 基于压缩感知的sar图像cfar目标检测算法 . 武汉大学学报 ( 信息科学版), 2014, 39(7): 878-882.
[12]	张景雄, 阳柯, 郭建中. 压缩感知的信息论解译 . 武汉大学学报 ( 信息科学版), 2014, 39(11): 1261-1268.
[13]	黄秋燕, 冯学智, 肖鹏峰. 利用稀疏分解的高分辨率遥感图像线状特征检测 . 武汉大学学报 ( 信息科学版), 2014, 39(8): 913-917. doi: 10.13203/j.whugis20130252
[14]	兰诚栋, 陈亮, 卢涛. 利用位置权重稀疏表示的人脸超分辨率算法 . 武汉大学学报 ( 信息科学版), 2013, 38(1): 27-30.
[15]	姜少波, 杨必胜, 孙轩. 特征保持的三维复杂建筑物模型多分辨率表达 . 武汉大学学报 ( 信息科学版), 2012, 37(8): 902-905.
[16]	刘康, 廖明生, TimoBalz. 利用压缩感知方法的高分辨率三维层析SAR研究 . 武汉大学学报 ( 信息科学版), 2012, 37(12): 1456-1459.
[17]	郭琳, 陈庆虎. 结构保持的图像序列自适应超分辨率重建 . 武汉大学学报 ( 信息科学版), 2011, 36(5): 548-551.
[18]	谭兵, 郭建星, 邢帅, 张艳. 影像超分辨率重建中的动态数据更新算法 . 武汉大学学报 ( 信息科学版), 2005, 30(12): 1067-1070.
[19]	李飞鹏, 杨志高, 秦前清, 李德仁. 高分辨率遥感影像的实时压缩算法 . 武汉大学学报 ( 信息科学版), 2004, 29(3): 259-263.
[20]	韦豪东, 易尧华, 余长慧, 林立宇. 融合注意力与序列单元的文本超分辨率 . 武汉大学学报 ( 信息科学版), 0, 0(0): 0-0. doi: 10.13203/j.whugis20220158

点击查看大图

计量

文章访问数: 1235
HTML全文浏览量: 54
PDF下载量: 923
被引次数: 0

月球车图像超分辨率重建算法

1武汉大学测绘学院,武汉市珞喻路129号,430079)(2北京空间飞行器总体设计部,北京市友谊路104号,100094)(3中国科学院遥感与数字地球研究所,北京市大屯路甲20号,100101

基金项目: 国家自然科学基金资助项目（41072298）。

作者简介:
魏士俨，博士生，主要研究领域为摄影测量、计算机视觉和遥感技术。

收稿日期: 2013-03-10
修回日期: 2013-04-05
刊出日期: 2013-04-05

中图分类号: P237.3

关键词:

摘要: 为了更好地满足嫦娥探月工程二期中月球车导航和探测规划任务对图像数据的要求，提出了一种基于压缩感知的超分辨率图像重建方法，利用经过模糊处理并加入噪声的低分辨率图像重建原始的高分辨率图像，实现了月球车图像的超分辨率重建。算法采用局部Sparse\|Land模型，从美国阿波罗计划获取的月面图像、嫦娥二期工程实验中获取的图像以及随机选取的自然图像中提取了大量训练图块，采用K-SVD算法完成了高、低分辨率过完备字典Ah和Al的学习，在对待重建图像进行有效分割的基础上，通过求解优化问题获得待处理低分辨率图块的稀疏表示，并将表示系数用于Ah以生成对应的高分辨率图块。最后，运用最小二乘算法，得到满足重构约束的高分辨率图像。实验结果表明，此算法在视觉效果及PSNR指标上均优于插值方法和Yang的方法。

English Abstract

Moon Rover Image Super-Resolution Reconstruction Algorithm

1School of Geodesy and Geomatics, Wuhan University, 129 Luoyu Road, Wuhan 430079, China)(2Beijing Institute of Spacecraft System Engineering, 104 Youyi Road, Beijing 100094, China)(3Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, 20A Datun Road, Beijing 100101, China

Received Date: 2013-03-10
Rev Recd Date: 2013-04-05
Publish Date: 2013-04-05

Keywords:

Abstract: For moon rover navigation and exploration mission during the 2nd stage of Chang’e project, high-resolution images are necessary. So a moon rover image super-resolution reconstruction algorithm via using compressed sensing was presented. The target is to reconstruct an original image from its blurred and down-scaled noisy version. The algorithm assumed a local Sparse-Land model on image patches, serving as regularization. The images from Apollo Project, tests in the 2nd stage of Chang’e project and natural image database were used in extracting patches for building two dictionaries. The K-SVD algorithm was used in training the dictionaries. Then the effective segmentation was implemented on low-resolution image. Through solving optimization problem via orthogonal matching pursuit algorithm, the sparse representation for each low-resolution image patch with respect to Al was obtained, and the representation coefficients were applied to Ah in order to generate the corresponding high-resolution image patch. At the end of experiment the high-resolution image which satisfied the reconstruction constraint was achieved by using least squares algorithm. Numerical experiments about moon rover images from tests in the 2nd stage of Chang’e project demonstrated the effectiveness of the proposed algorithm. Moreover, the proposed algorithm outperforms bicubic interpolation based method and the algorithm via Yang in terms of visual quality and the peak signal to noise ratio.

魏士俨, 申振荣, 张烁, 刘少创. 月球车图像超分辨率重建算法[J]. 武汉大学学报 ( 信息科学版), 2013, 38(4): 436-439.

引用本文:

魏士俨, 申振荣, 张烁, 刘少创. 月球车图像超分辨率重建算法[J]. 武汉大学学报 ( 信息科学版), 2013, 38(4): 436-439.

WEI Shiyan, SHEN Zhenrong, ZHANG Shuo, LIU Shaochuang. Moon Rover Image Super-Resolution Reconstruction Algorithm[J]. Geomatics and Information Science of Wuhan University, 2013, 38(4): 436-439.

Citation:

WEI Shiyan, SHEN Zhenrong, ZHANG Shuo, LIU Shaochuang. Moon Rover Image Super-Resolution Reconstruction Algorithm[J]. Geomatics and Information Science of Wuhan University, 2013, 38(4): 436-439.