基于稀疏表示的多时相遥感影像超分辨率分类方法研究

The new earth observing systems such as the geostationary orbit satellite and small satellite constellation under construction will greatly improve the acquisition capability of multi-temporal remote sensing images. How to enhance the ability and accuracy of the information extraction with these multi-temporal data has become the key to promote development for application of the multi-temporal satellite images with improved consistency. In this project, we intend to conduct super resolution mapping of these multi-temporal remote sensing images with the sparse representation technique by employing its excellence in super resolution. The contents are as follows, 1) to build a super resolution mapping model that is based on the sparse representation technique, 2) to conduct super resolution mapping with the complementary information lying in the sub-pixel shifted multi-temporal images by local redundant dictionary construction and weights regulation, 3) to assess the performance of the method with simulated images, ground test images and real satellite remote sensing images that can be acquired now or in the near future. By improving super resolution mapping method with the multi-temporal data, the high time resolution of the multi-temporal satellite images will be more effectively converted to the high spatial resolution of the information extraction results, thus the application potentials of the remote sensing satellites with high revisits will be fully unearthed, and result to advanced application levels.

我国在建的静止轨道卫星和即将发射的高性能小卫星星座等新型对地观测系统将大幅提升多时相遥感影像的获取能力。如何利用这些一致性更好的多时相影像，提高从中获取信息的能力和精度是推动卫星遥感应用发展的关键。本项目拟结合稀疏表示技术在超分辨率处理方面的优越性，开展多时相遥感影像的超分辨率分类方法研究，研究内容包括：1）建立基于稀疏表示的超分辨率分类模型；2）构建综合多时相数据的局域冗余字典，结合权重调节，利用多时相影像间亚像元错位的互补信息进行超分辨率分类；3）结合模拟图像、地面实验影像以及现有或即将发射的卫星遥感影像等对方法进行特性分析和应用能力评价。综合多时相数据发展超分辨率分类方法，使卫星遥感影像的高时间分辨率更有效地转换为信息提取结果的高空间分辨率，将充分挖掘高重访遥感卫星的应用潜力，提高卫星数据的应用水平。

在遥感应用中，对于已获取影像，往往希望能进一步提高数据的空间分辨率，以挖掘更多更精细的信息。本项目对遥感影像的超分辨率及分类技术进行研究，主要研究内容如下：（1）遥感影像超分辨率理论与分类模型。引入深度学习理论，构建高效的深度学习网络，实现了遥感影像的超分辨率重建。在遥感影像分类方面，提出了基于稀疏表示的综合空谱信息的分类模型。（2）基于稀疏表示的多时相遥感影像分类方法。针对多时相分类，提出了融合稀疏表示和核方法以及结合空间特征的多时相遥感影像分类方法。（3）超分辨率分类方法验证评价及适应性分析。综合验证本项目提出的多时相遥感影像超分辨率分类技术的能力。. 本项目核心成果可以概括为以下三方面：（1）基于深度学习的超分辨率重建。基于深度学习技术，提出了基于残差学习和融合多尺度信息的超分辨率模型，发展了基于离散光谱卷积和多损失函数的单张遥感影像超分辨率重建方法。（2）基于稀疏表示的遥感影像分类。提出了基于子空间投影的遥感影像多任务学习分类方法、基于联合子空间投影以及基于全局空间和局部光谱相似性的遥感影像群稀疏表示分类算法。（3）多时相遥感影像超分辨率分类。结合核映射和遥感影像的空间特征实现了多时相综合分类。以洪涝灾害检测为应用方向，对单时相及多时相遥感影像完成算法适应性分析。综合以上研究，发表与本项目相关学术论文12篇，其中SCI收录论文8篇，获得国家发明专利1项，培养硕士生5名。在本项目执行期间，项目负责人从讲师晋升为副教授，并获得了国家留学基金资助。 . 通过项目资助，结合深度学习和稀疏表示技术，建立了遥感影像超分辨率处理及分类的技术体系。本项目对单张图像实现超分辨率重建，不存在数据方面的条件约束与图像空间配准的问题，在资源、灾害、环境和国防等遥感应用领域均具有重要应用价值。