基于稀疏表示超分辨率重建的遥感时空数据融合方法

合集下载

利用稀疏编码进行图像超分辨率重建的方法研究

利用稀疏编码进行图像超分辨率重建的方法研究随着科技的不断发展，图像处理技术也取得了巨大的进步。

在图像处理领域，图像超分辨率重建是一个备受关注的研究方向。

图像超分辨率重建的目标是从低分辨率图像中恢复出高分辨率图像的细节信息，以提升图像的质量和清晰度。

近年来，利用稀疏编码进行图像超分辨率重建的方法成为了研究的热点之一。

稀疏编码是一种基于信号稀疏性的图像处理技术。

它的基本思想是利用信号在某个特定的基下表示时的稀疏性，通过最小化重建图像与原始图像之间的误差来恢复出高分辨率图像的细节信息。

稀疏编码的优势在于能够充分利用图像的局部特征，提取出图像的高频细节信息。

在图像超分辨率重建中，稀疏编码的方法可以分为两个阶段：训练阶段和重建阶段。

在训练阶段，需要利用一组高分辨率图像和对应的低分辨率图像对稀疏编码模型进行训练。

训练的目标是学习到一个稀疏基，使得图像在该基下的表示具有较高的稀疏性。

在重建阶段，通过最小化重建图像与低分辨率图像之间的误差，利用稀疏编码模型对低分辨率图像进行重建，从而得到高分辨率图像的细节信息。

稀疏编码的方法在图像超分辨率重建中取得了显著的效果。

相比于传统的插值方法，稀疏编码能够更好地保留图像的细节信息，提升图像的清晰度和质量。

此外，稀疏编码还具有一定的鲁棒性，能够在一定程度上对图像的噪声和失真进行抑制和修复。

然而，稀疏编码的方法也存在一些挑战和限制。

首先，稀疏编码的训练过程需要大量的计算资源和时间，对于大规模图像的处理可能会面临困难。

其次，稀疏编码的方法对于图像的稀疏性要求较高，对于一些复杂的图像可能无法有效地进行重建。

此外，稀疏编码的方法在处理图像边缘和纹理等细节信息时可能存在一定的不准确性。

为了克服这些限制，研究者们不断提出了一系列的改进和优化方法。

例如，可以引入先验信息来约束稀疏编码的过程，提高重建图像的准确性和稳定性。

另外，可以结合其他图像处理技术，如深度学习和卷积神经网络等，来进一步提升图像超分辨率重建的效果。

基于稀疏表示的图像超分辨率重构算法

Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｅｎｈａｎｃｅｔｈｅｒｅｓｏｌｕｔｉｏｎｏｆｓｉｎｇｌｅｄｅｇｒａｄｅｄｉｍａｇｅｓ，ａｍｅｔｈｏｄｏｆｓｕｐｅｒ —ｒｅｓｏｌｕ－
ｒｅｐｒｅｓｅｎｔｈｉｇｈ— －ａｎｄｈ）ｗ —ｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓｕｎｄｅｒｃｏｒｒｅｓｐｏｎｄｉｎｇｄｉｃｔｉｏｎａｒｉｅｓ．Ｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｅｘｉｓｔｉｎｇｉｍａｇｅｓｕｐｅｒ—ｒｅｓｏｌｕｔｉｏｎｒｅｔ．ｏｎｓｔｒｕｃｔｉｏｎａｌｇｏｉｒｔｈｍｓｂａｓｅｄｏｎｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉｏｎ，ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｅｓｔａｂｌｉｓｈｅｓｄｕａｌｍｏｄｅｌｓｔｏｓｏｌｖｅｔｈｅｏｒｉｇｉｎａｌｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｂｌｅｍｉｎｔｈｅｓｔａｇｅｏｆｓｐａｒｓｅｃｏｄｉｎｇｉｎｓｔｅａｄｏｆｃｏｍｂｉｎｉｎｇｓｐａｒｓｉｔｙａｎｔｉｒｅｃｏｎｓｔｒｕｃｔｉｏｎｅｒｒｏｒｂｙＬａｇｒａｎｇｅｍｕｌｔｉｐｌｉｅｒｓ．Ｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｄｅｍｏｎｓｔｒａｔｅｔｈａｔ，ｃｏｍｐａｒｅｄｗｉｔｈｏｔｈｅｒａｐｐｒｏａｃｈｅｓ，ａｌｅｓｓｎｕｍｂｅｒｏｆｐａｒａｍｅｔｅｒｓａｒｅｍａｎｕａｌｌｙｓｅｔｕｐ，ａｎｄｔｈｅｒｅｃｏｎｓｔｒｕｃｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｉｓｍｅｔｈｏｄａｒｅａｌｓｏｉｍｐｒｏｖｅｄ．

基于稀疏表示超分辨率重建的遥感时空数据融合方法

密级:
硕士学位论文
基于稀疏表示超分辨率重建的遥感时空数据融合方法
作者姓名：指导教师:
赵永光黄波教授
香港中文大学学位类别: 学科专业: 培养单位: 工程硕士电子与通信工程中国科学院遥感应用研究所
答辩委员会主席（签字）：
2012 年 5 月
Spatial and Temporal Fusion Method for Remote Sensing Data Based on Super-Resolution Reconstruction via Sparse Representation
By Zhao Yongguang
A Dissertation Submitted to Graduate University of Chinese Academy of Sciences In partial fulfillment of the requirement For the degree of Master of Engineering
签名：
日期：
关于论文使用授权的说明
本人完全了解培养单位有关保留、使用学位论文的规定，即：培养单位有权保留送交论文的复印件，允许论文被查阅和借阅；培养单位可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。
签名：
见证人：
日期：
摘要
摘要
高时间分辨率、高空间分辨率的遥感图像在土地利用变化检测、动态监测，快速地表变化检测等应用中发挥着重要的作用，由于传感器设计受高空间分辨率和宽幅覆盖这一技术矛盾的限制，通过单一传感器获得高时空分辨率数据是非常困难的。近年来，以构建高时间分辨率、高空间分辨率的遥感合成数据为目的的时空数据融合得到了广泛的研究，国内外学者相继提出多种遥感数据时空融合的模型和算法，如：STARFM、ESTARFM 等。不过，现有遥感时空数据融合方法也存在一些问题，如： “时间平滑” 、 “混合像元”等，针对这些问题，本文利用基于稀疏表示的超分辨率重建进行遥感时空数据融合，主要研究工作和成果有以下几点：（1）对 Landsat ETM+图像进行降质处理，得到模拟的低分辨率遥感图像，然后利用基于稀疏表示的超分辨率重建模型重建原高分辨率遥感图像，并对超分辨率重建结果进行分析，证明了利用该方法进行低分辨率遥感图像超分辨重建的可行性。（2）针对 STARFM 算法预测结果中“时间平滑”问题，提出了一种 STARFM 改进算法，主要改进工作为：对 MODIS 图像进行分辨率增强；在原 STARFM 算法的基础上添加最优选择策略。实验结果表明，该算法能够较好的解决原 STARFM 算法预测结果中存在的“时间平滑”问题，得到了比原 STARFM 算法更优、更稳定的预测结果。（3）提出一种基于变化图像超分辨率重建的遥感时空数据融合方法，对两个时刻之间低分辨率变化图像进行超分辨率重建，结合其中一个时刻的高分辨率图像预测另一时刻的高分辨率图像。实验结果表明：相对于 STARFM 算法，该方法能够在低分辨率遥感图像中存在大量混合像元的区域得到较好的预测结果。

基于稀疏表示的多幅图像快速超分辨率重建

ＮｏｒｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｂｅｉｊｉｎｇ１００１４，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｐｒｏｂｌｅｍｓｔｈａｔｉｍａｇｅｓｕｐｅｒ—ｒｅｓｏｌｕｔｉｏｎｒｅｃｏｎｓｔｒｕｃｔｉｏｎ（ＳＲＲ）ｂａｓｅｄｏｎｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉｏｎ
型优化。曹翔等人提出了通过一种优化的广义正交匹配追踪算法改进稀疏表示算法。沈辉等人提出了基于预测稀疏编码的单幅图像ＳＲＲ算法。但是上述方法并未达到理想的重建效果，所以，本文提出了一种基于多幅图像的快速ＳＲＲ算法，通过改善稀疏表示算法和优化图像融合方法来提高图像ＳＲＲ速度。引入优化算法加速稀疏分解获得稀疏表示；利用多幅图像稀疏表示后的信息进行超分辨率图像融合。实验表明：在改善图像重建质量的同时，本文方法显著地提高了图像ＳＲＲ的速度。１稀疏表示的ＳＲＲ算法
Ｆａｓｔｓｕｐｅｒ－ｒｅｓｏｌｕｔｉｏｎｒｅｃｏｎｓｔｒｕｃｔｉｏｎｏｆｍｕｌｔｉｐｌｅｉｍａｇｅｓ
ｂａｓｅｄｏｎｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉｏｎ
ＹＡＮＧＢｉａｏ，ＤＩＭｉａｏ（ＢｅｉｊｉｎｇＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｎｔｅｌｌｉｇｅｎｔＣｏｎｔｒｏｌＴｅｃｈｎｏｌｏｇｙｏｆＵｒｂａｎＲｏａｄＴｒａｆｆｉｃ，
０引言图像超分辨率（ｓｕｐｅｒｒｅｓｏｌｕｔｉｏｎ，ＳＲ）重建是一种利用
单幅或者多幅低分辨率（１ｏｗｒｅｓｏｌｕｔｉｏｎ，ＬＲ）图像进行重建从而得到高分辨率（ｈｉｇｈｒｅｓｏｌｕｔｉｏｎ，ＨＲ）图像的数字信号处理技术。一般而言，多幅图像的超分辨率重建（ＳＲｒｅｃｏｎ－ｓｔｒｕｃｔｉｏｎ，ＳＲＲ）算法利用了多幅图像间的互补信息，图像质量较单幅重建算法更高，因此，本文主要研究基于多幅图像的超分辨率算法。近年来，基于学习的ＳＲＲ算法成为了ＳＲＲ算法的重要研究方向，其中基于稀疏理论的超分辨率算法具有良好的重建效果，已被广泛地应用于图像处理的各个领域。由压缩感知（ｃｏｍｐｒｅｓｓｉｖｅｓｅｎｓｉｎｇ）理论出发根据稀疏表示理论，ＹａｎｇＪＣ等人提出了一种基于稀疏表示的单幅图像ＳＲＲ算法，其算法重建得到的图像重建质量较高，但重建速度较慢。针对该问题，孙玉宝等人通过改进稀疏性正则化的多帧图像超分辨凸变分模

利用稀疏编码的遥感影像超分辨率重建

文献标志码：Ａ
文章编号：１０００ — ３ｌ７７（２０１７）１５０００３１－０７
ＳｐａｒｓｅＣｏｄｉｎｇＢａｓｅｄＲｅｍｏｔｅＳｅｎｓｉｎｇＩｍａｇｅ
ＳｕｐｅｒＲｅｓｏｌｕｔｉｏｎＲｅｃｏｎｓｔｒｕｃｔｉｏｎ
摘要：针对现有的超分辨率重建算法存在重建效果不够理想以及算法效率低下的问题，提出了一种利用稀疏编码的超分辨率重建算法，利用遥感图像在特定字典下具有稀疏性，通过学习遥感图像集获取的字典，在已有遥
ｏｂｔａｉｎｂｅｔｔｅｒｅｆｆｅｃｔｓａｎｄｈｉｇｈｅｒｅｆｆｉｃｉｅｎｃｙｔｈａｎｔｈｅｅｘｉｓｔｉｎｇｓｕｐｅｒｒｅｓｏｌｕｔｉｏｎｒｅｃｏｎｓｔｒｕｃｔｉｏｎａｌｇｏｒｉｔｈｍｓ．ＴｈｅｐｒｏｐｏｓｅｄＳＣＳＲＲａｌｇｏｒｉｔｈｍｍａｋｅｓｕｓｅｏｆｔｈｅｓｐａｒｓｉｔｙｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓｉｎｓｐｅｃｉｆｉｃｄｉｃｔｉｏｎａｒｉｅｓ，ａｎｄｒｅｃｏｎｓｔｒｕｃｔｓｈｉｇｈｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓｔｈｒｏｕｇｈａｓｅｔｏｆｓｐａｒｓｅｃｏｅｆｆｉｃｉｅｎｔｓａｆｔｅｒｌｅａｒｎｉｎｇｄｉｃｔｉｏｎａｒｉｅｓｂｙｔｈｅｅｘｉｓｔｉｎｇｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓ，ｗｈｉｃｈｉｓｃｏｎｖｅｎｉｅｎｔｆｏｒ

一种基于稀疏表达的遥感影像时空融合方法

４３００７９，Ｃｈｉｎａ；３．ＳｃｈｏｏｌｏｆＲｅｓｏｕｒｃｅａｎｄＥｎｖｉｒｏｎｍｅｎｔＳｃｉｅｎｃｅｓ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙ，Ｗｕｈａｎ４３００７９，Ｃｈｉｎａ）
ｆｕｓｉｏｎｌｇａｏｒｉｔｈｍｂａｓｅｄｏｎｓｕｐｅｒｒｅｓｏｌｕｔｉｏｎｒｅｃｏｎｓｔｒｕｃｔｉｏｎ，ｕｓｅｄｔｈｅｓｉｎｇｌｅｉｍａｇｅｓｕｐｅｒｒｅｓｏｌｕｔｉｏｎｒｅｃｏｎｓｔｒｕｃｔｉｏｎｔｅｃｈ — ｎｉｑｕｅｔｏｃｏｎｓｔｕｃｒｔｔｈｅｉｎｔｅｒｍｅｄｉａｔｅｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓ，ａｎｄｔｈｅｎｔｈｅｓｅｉｎｔｅｍｅｒｄｉａｔｅｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓａｒｅａｐｐｌｉｅｄｔｏｃｏｎｓｔｕｃｒｔｔｈｅｃｏｕｐｌｅｄｄｉｃｔｉｏｎａｒｙｍｏｄｅ１．Ｔｈｅｈｉｇｈｓｐａｔｉａｌｒｅｓｏｌｕｔｉｏｎａｎｄｈｉ【ｇｈｔｅｍｐｏｒｌａｒｅｓｏｌｕｔｉｏｎｉｍａｇｅｓｒｅａｐｒｅｄｉｃｔｅｄｂａｓｅｄｏｎｔｈｅｓｅｃｏｕｐｌｅｄｄｉｃｔｉｏｎａｒｙｍｏｄｅｌａｎｄｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｔｈｅｏｙ．Ｅｘｒｐｅｒｉｍｅｎｔｌａｒｅｓｕｌｔｓｄｅｍｏｎｓｔｒａｔｅｔｈａｔｔｈｅ

基于广义稀疏表示的图像超分辨重建方法研究

基于广义稀疏表示的图像超分辨重建方法研究一、本文概述随着信息技术的飞速发展，图像作为信息的重要载体，其分辨率的高低直接影响到人们的视觉体验和信息获取的准确性。

然而，由于硬件设备的限制和成像环境的复杂性，所获取的图像往往分辨率较低，难以满足实际应用的需求。

因此，图像超分辨率重建技术应运而生，成为计算机视觉领域的研究热点之一。

本文旨在研究基于广义稀疏表示的图像超分辨重建方法。

广义稀疏表示作为一种先进的信号处理技术，能够在稀疏约束下从低分辨率图像中有效地提取高分辨率信息，为图像超分辨重建提供了新的途径。

本文首先介绍图像超分辨重建的背景和意义，阐述现有技术的不足以及广义稀疏表示在图像超分辨重建中的优势。

接下来，本文将详细介绍基于广义稀疏表示的图像超分辨重建方法的基本原理和算法流程。

对广义稀疏表示的理论基础进行阐述，包括稀疏性的数学定义、稀疏优化问题的求解方法以及稀疏编码的基本原理。

然后，将稀疏表示引入到图像超分辨重建中，构建基于稀疏约束的超分辨重建模型，并介绍相应的求解算法和优化策略。

本文还将对所提出的基于广义稀疏表示的图像超分辨重建方法进行实验验证和性能分析。

通过实验对比不同算法在相同数据集上的重建效果，评估所提方法的重建质量和计算效率。

还将对所提方法进行参数分析和讨论，以探究不同参数对重建效果的影响。

本文将对基于广义稀疏表示的图像超分辨重建方法进行总结和展望。

总结所提方法的优势和创新点，并指出目前研究中存在的问题和不足。

还将探讨未来可能的研究方向和应用前景，为相关领域的研究人员提供参考和借鉴。

二、图像超分辨重建基础知识图像超分辨重建（Super-Resolution, SR）是一种通过软件算法提高图像分辨率的技术。

其基本思想是利用一系列低分辨率（Low-Resolution, LR）图像来生成一幅高分辨率（High-Resolution, HR）图像。

这种技术在许多领域都有广泛的应用，如卫星遥感、医学影像、安防监控和消费者电子产品等。

基于稀疏表示的超分辨率重建

稀疏系数独立可调的单图超分辨率重建
为了使 a2 和 a3 独立可调，这里引入图像重建阶段的正则化参数 r ，之后再求得高分辨率图像块。
稀疏系数独立可调的单图超分辨率重建
Bilevel Sparse Coding for Coupled Feature Spaces
摘要：主要目的是学习字典在两个空间的稀疏模型；我们首先提出了两个空间信号的稀疏表示和相应的字典的新的通用的稀疏编码模型。这个算法是二层优化问题，通过一阶梯度下降算法得到解决。
Bilevel Sparse Coding for Coupled Feature Spaces
Bilevel Sparse Coding for Coupled Feature Spaces
第二部分：1、在单一特征空间的稀疏编码
优化问题是对A和D分别更新，并不是一起更新。固定D，更新A,L1正则化求解固定A，更新D，是一个二次约束二次规划问题，即求解L2范数问题。
Bilevel Sparse Coding for Coupled Feature Spaces
Bilevel Sparse Coding for Coupled Feature Spaces
L1范数最小化
对于正则化参数 lambda 是一个非过度点，因此我们有等角条件，
Bilevel Sparse Coding for Coupled Feature Spaces
Bilevel Sparse Coding for Coupled Feature Spaces
Bilevel Sparse Coding for Coupled Feature Spaces
公式：
z(xi) 、 z(yi) 基是于 Dx、 Dy 的低层 L1 最小化问题的输出，xi、yi是为输入，令隐藏函数式、由于z(xi)、z(yi) 分别和对应的字典 Dx、 Dy 没有什么分析性的联系，因此，文章中，我们的稀疏编码z(xi)、z(yi)对于他们依赖的字典是几乎可微的。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

III
基于稀疏表示超分辨率重建的遥感数据时空融合方法
learning based super-resolution. Then using the high-resolution image at one date, it can predict the high-resolution image at the other date. This method is compared with STARFM via experiments, and the result shows that it can get better prediction in the region covered by complex landscapes, namely, there are many mixed pixel in low-resolution images. Key words: Sparse Representation, Super-resolution Reconstruction, Modified STARFM Algorithm, Change Image Super-resolution, Spatial and Temporal Data Fusion for Remote Sensing.
签名：
日期：
关于论文使用授权的说明
本人完全了解培养单位有关保留、使用学位论文的规定，即：培养单位有权保留送交论文的复印件，允许论文被查阅和借阅；培养单位可以公布论文的全部或部分内容，可以采用影印、缩印或其他复制手段保存论文。
签名：
见证人：
日期：
摘要
摘要
高时间分辨率、高空间分辨率的遥感图像在土地利用变化检测、动态监测，快速地表变化检测等应用中发挥着重要的作用，由于传感器设计受高空间分辨率和宽幅覆盖这一技术矛盾的限制，通过单一传感器获得高时空分辨率数据是非常困难的。近年来，以构建高时间分辨率、高空间分辨率的遥感合成数据为目的的时空数据融合得到了广泛的研究，国内外学者相继提出多种遥感数据时空融合的模型和算法，如：STARFM、ESTARFM 等。不过，现有遥感时空数据融合方法也存在一些问题，如： “时间平滑” 、 “混合像元”等，针对这些问题，本文利用基于稀疏表示的超分辨率重建进行遥感时空数据融合，主要研究工作和成果有以下几点：（1）对 Landsat ETM+图像进行降质处理，得到模拟的低分辨率遥感图像，然后利用基于稀疏表示的超分辨率重建模型重建原高分辨率遥感图像，并对超分辨率重建结果进行分析，证明了利用该方法进行低分辨率遥感图像超分辨重建的可行性。（2）针对 STARFM 算法预测结果中“时间平滑”问题，提出了一种 STARFM 改进算法，主要改进工作为：对 MODIS 图像进行分辨率增强；在原 STARFM 算法的基础上添加最优选择策略。实验结果表明，该算法能够较好的解决原 STARFM 算法预测结果中存在的“时间平滑”问题，得到了比原 STARFM 算法更优、更稳定的预测结果。（3）提出一种基于变化图像超分辨率重建的遥感时空数据融合方法，对两个时刻之间低分辨率变化图像进行超分辨率重建，结合其中一个时刻的高分辨率图像预测另一时刻的高分辨率图像。实验结果表明：相对于 STARFM 算法，该方法能够在低分辨率遥感图像中存在大量混合像元的区域得到较好的预测结果。
IV
目录
目录
摘要................................................................ I Abstract.......................................................... III 目录................................................................ V 图目录............................................................ VII 表目录............................................................. IX 第一章绪论......................................................... 1 1.1 本文的研究背景及意义 ........................................ 1 1.1.1 研究背景............................................... 1 1.1.2 研究意义............................................... 2 1.2 遥感时空数据融合概述 ........................................ 3 1.3 遥感时空数据融合研究现状分析 ................................ 5 1.4 本文主要研究内容及安排 ...................................... 7 第二章基于稀疏表示的遥感图像超分辨率重建.......................... 11 2.1 稀疏表示 ................................................... 11 2.1.1 稀疏表示理论 .......................................... 12 2.1.2 稀疏编码算法.......................................... 13 2.2 冗余字典构建 ............................................... 16 2.3 基于稀疏表示的遥感图像超分辨率重建 ......................... 20 2.4 实验结果与分析 ............................................. 22 第三章基于低分辨率图像分辨率增强的 STARFM 改进算法................. 25 3.1 时空自适应反射率融合模型（STARFM） ......................... 25 3.2 基于低分辨率图像分辨率增强的 STARFM 改进算法 ................ 27 3.2.1 MODIS 图像分辨率增强 .................................. 27 3.2.2 最优选择策略.......................................... 29 3.3 实验结果与分析 ............................................. 30 3.3.1 区域 1 ................................................ 30
By Zhao Yongguang
A Dissertation Submitted to Graduate University of Chinese Academy of Sciences In partial fulfillment of the requirement For the degree of Master of Engineering
Institute of Remote Sensing Application Chinese Academy of Sciences May, 2012
独创性声明
本人声明所呈交的论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含任何其他人已发表或撰写过的材料，也不包含为获得其它教育机构的别种学位或证书而大量使用过的材料。与我一同工作的人对本研究所做的任何贡献已在论文中作了明确的说明并表示谢意。
关键词：稀疏表示，超分辨率重建，STARFM 改进算法、变化图像超分辨重建、遥感时空数据融合
I
基于稀疏表示超分辨率重建的遥感数据时空融合方法
II
Abstract
பைடு நூலகம்
Abstract
Remote sensing images are usually very useful for land use/cover mapping and change detection, monitoring ecosystem dynamics, as well as detecting rapid surface change and etc. Due to technical and budget limitations, remote sensing instruments trade spatial resolution and swatch width. Therefore, it is very difficult to acquire remote sensing data through a single sensor. In recent years, spatial and temporal data fusion methods, which are used to construct remote sensing synthetic data with high spatial and temporal resolution, are widely studied and have achieved many good results. A lot of researchers have proposed several models and algorithms such as STARFM, ESTARFM and etc. However, there are a few problems such as “temporal smoothing” and “mixed pixel” in existing spatial and temporal remote sensing data fusion methods. To solve these problems, this paper proposes that applying learning based super-resolution to spatial and temporal data fusion. The main work and contributions of this dissertation are: (1) To simulate low-resolution remote sensing images, we blur and down-sample Landsat ETM+ images. Then super-resolution algorithm based on sparse representation is used to reconstruction the original high-resolution images corresponding to these low-resolution images obtained by degradation process. Comparing with original Landsat ETM+ images, experimental results demonstrate the effectiveness of high resolution remote sensing images reconstruction using learning based super-resolution. (2) Considering the problem of “temporal smoothing” in STARFM, we propose an improved STARFM algorithm. Learning based super-resolution is first applied to enhance the resolution of MODIS images. Then, we add a patch-based optimal selection strategy to original STARFM algorithm. The proposed algorithm gets better and more stable prediction by comparing with original STARFM, and, to some extent , it can solve the “temporal smoothing” problem in STARFM. (3) A novel spatial and temporal data fusion is proposed based on super-resolution reconstruction of change image between two difference dates. It reconstructs high-resolution change image using low-resolution change image via