1 中国科学院大学,北京 100049
2 中国科学院上海技术物理研究所,上海 200083
3 中国科学院红外探测与成像技术重点实验室,上海 200083
红外云图具有分辨率较低、图幅大和纹理丰富等特点。针对相关研究目前在算法效率优化和局部细节分析方面仍有不足,提出了一种混合超分辨率重建算法。该方法结合双三次插值重建方法和基于稀疏表达的重建方法在不同类型图像区域中的各自优势,利用方差将滑动窗口中的图像块区分为平坦和边缘两种类型;采用双三次插值方法重建平坦型图像块,采用基于稀疏表达的方法重建边缘型图像块。利用目视、峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)以及残差图评估了算法效果。实验结果表明,本文方法在PSNR指标上比插值法平均提高了1 dB,比稀疏法也略有提升;经局部观察发现,改进重建结果中平坦区域噪声减少;该方法的重建耗时明显减少。
超分辨率重建 稀疏表达 红外云图 双三次插值 super-resolution reconstruction sparse representation infrared cloud image bicubic interpolation
宁波大学 信息科学与工程学院,浙江 宁波 315211
针对红外云图分辨率低、视觉效果较差的问题,提出一种图像结构组稀疏表示的超分辨率方法。该方法充分利用红外云图的结构自相似性,将结构组作为稀疏表示的基本单位,建立图像结构组稀疏表示模型。在训练字典过程中通过高斯混合模型学习图像结构组的先验信息,再对样本块进行聚类,利用主成分分析学习得到紧凑的分类字典。在重建阶段对每个结构组自适应选取最匹配的字典,使用改进了的加权l1 范数优化方法求解稀疏系数。实验结果表明,与ScSR、Zeyde、NARM 等算法相比,所提算法在视觉效果以及图像质量评价指标上均有所提高,红外云图重构质量有较为明显的改善。
超分辨率 红外云图 结构组稀疏表示 自相似性 super-resolution infrared nephogram structural group sparse representation self-similarity
宁波大学 信息科学与工程学院, 浙江 宁波 315211
提出一种基于TV-L1分解的红外云图超分辨率算法。该方法采用原始-对偶算法求解TV-L1图像分解模型, 将低分辨率云图分解为结构部分和纹理部分: 对结构部分采用软决策自适应插值(SAI)处理; 对纹理部分则基于非下采样Contourlet变换(NSCT)具有多方向和平移不变的特性, 构造非线性增益函数对其NSCT变换域系数进行处理, 然后对处理后的变换系数进行NSCT逆变换实现纹理增强。最后, 将处理后的结构部分和纹理部分组合起来得到重构的高分辨率云图。实验结果表明, 所提出的算法在视觉效果以及图像质量定量评价上均优于传统插值方法, 在实现两倍超分辨率时, 其峰值信噪比(PSNR)和结构相似度(SSIM)平均值分别提高了1.316 2~4.591 9 dB和0.007 1~0.020 6; 实现三倍超分辨率时PSNR和SSIM平均值分别提高了0.338 7~4.58 dB和0.001 8~0.041 7。由于SAI插值和非下釆样Contourlet变换准确表示了云图的不同形态特征, 故所提算法的超分辨率结果不但准确重建了云图中的结构部分, 而且有效保持了红外云图纹理和边缘。
TV-L1分解模型 红外云图 非下采样Contourlet变换(NSCT) 图像增强 超分辨率 TV-L1 decomposition model infrared nephogram Nonsubsampled Contourlet Transform (NSCT) image enhancement super-resolution
南京航空航天大学自动化学院,江苏南京 210016
红外云图中的云系主要由积雨云、卷云、层云和积云组成,它们对于气象研究有很大的帮助。这 4类云系具有不同的分形维数特征,因而可以借此对它们进行分割。但是由于地表和一些云具有相似的分形维数特征,单纯依靠分形维数的分割效果不理想。对此,采用最大类间方差(Otsu)算法,分离出地表,去除干扰,并对提取出的云系采用分形维数进行分割。由于传统分形维数算法在计算时只选取了窗口内的灰度最大和最小的像素点,获得的分形维数特征不够精确,造成分割的云系出现混淆的现象。对此,在计算的过程中加入窗口中的全部像素点,获得的分形维数能准确地描述区域特征,保证了云系分割的良好效果。
红外云图 分形维数 最大类间方差算法 图像分割 infrared cloud image fractal dimension Otsu algorithm image segmentation
宁波大学 信息科学与工程学院, 浙江 宁波 315211
针对红外云图分辨率低的问题, 提出一种基于耦合过完备字典的超分辨率方法。在分析红外云图成像退化模型的基础上, 建立了采用稀疏表示理论的超分辨率重构框架, 首先随机抽取大量高、低分辨率云图的图像块, 组成训练样本, 经过字典学习获取针对高、低分辨率云图块的两个字典Dh 和Dl, 为保证对应的高、低分辨率云图块关于各自的字典具有相似的稀疏表示, 提出一种耦合字典学习算法, 该算法改变了字典对的更新策略, 通过在每一步迭代中交替优化Dh 和Dl, 得到耦合的过完备字典对; 最后对输入的低分辨率红外云图, 采用最优正交匹配追踪算法(Optimized Orthogonal Matching Pursuit Algorithm, OOMP), 得到满足重构约束的高分辨率云图。实验结果表明, 本文方法与其他方法相比, 红外云图重构质量有较为明显的改善, 而且比同类方法具有更高的计算效率。
红外云图 超分辨率 耦合字典学习 稀疏表示 infrared nephogram super-resolution coupled dictionary learning sparse representation
解放军理工大学气象海洋学院, 江苏 南京 211101
将多分辨率分析融合方法和多尺度几何分析融合方法应用于气象卫星水汽图和红外云图的融合中,并用主观视觉、平均互信息和Xydeas-Petrovic指标对各种融合算法的性能分别进行了定性和定量评价。结果表明,与源图像相比,融合图像取得了更好的视觉效果,图像中包含了更多的信息量,云体清晰度和云的层次感得到了提高,纹理变得细致了。从平均互信息和Xydeas-Petrovic指标看,多尺度几何分析融合方法的效果较多分辨率分析融合方法更好。
图像融合 红外云图 水汽图 多分辨率分析融合方法 多尺度几何分析融合方法 image fusion infrared cloud image water vapor cloud image multi-resolution analysis fusion method multi-scale geometric analysis fusion method
1 解放军理工大学气象学院, 江苏 南京 211101
2 解放军68028部队, 甘肃 兰州 730058
利用连续观测的云序列图像进行风场探测的技术已经较为成熟,目前主要应用于卫星云导风中,可以获取较 大范围、大尺度的区域风场信息,但利用地基观测云图进行云导风方面的研究还较少。分析了地基测云仪 器的发展现状,提出了采用高时空分辨率的地基红外云图,通过阈值确定云高,利用目标匹配方法、目标追踪 方法进行示踪云的选择,利用快速搜索算法进行示踪云的搜索,以及地基云导风计算的方法,并分析了导风结 果的质量控制思路。利用该类地基红外云图导风资料可以与常规高空风探测手段、卫星云导风资料互为补充。
云导风 地基 红外云图 测云仪 cloud motion winds ground-based infrared cloud image cloud measuring instrument
1 吉林大学 电子科学与工程学院,吉林 长春130012
2 吉林大学 通信工程学院,吉林 长春 130012
针对已有的基于分形维数的图像分割算法难以快速计算一个小区域的分形维数,计算复杂,效率低的问题,通过分析云的分形特征,提出一种采用局部分形维数的方法对红外云彩图像进行分割。首先,提出了一种高效算法来计算一段区间内的分形维数,使用树状数组作为数据结构,利用已经计算出来的信息,在O(logN)的时间内得到结果;然后,通过计算云图每个水平线的分形维数,将分形维数超过一定阈值的区域确定为云彩区域;最后,将每条水平线的高维数区间结合在一起得出整个分割结果。实验结果表明,该方法解决了传统的分形维数算法在大量计算维数时算法复杂度高、计算时间长的问题,对于640 pixel×480 pixel的大型图像计算时间<0.1 s;同时该算法能够有效地将云彩和其他人工遮挡物以及背景光线变化和局部噪声区分开,取得满意的处理效果。
分形维数 图像分割 红外云图 树状数组 fractal dimension image segmentation infrared cloud image tree array