第4期 徐立中，等：多源监测信息融合仿生复眼型系统模式及感知计算机理 ·333 (c)太湖的TM数据 (d)依据LF系统算法，由图4(c) (e)依据SF系统算法，由图4(a)获取的 (432波段组合) 获取的太湖叶绿素浓度分府 太湖梅梁湾区域叶绿素浓度分布 图4LF、SF系统对太湖水体叶绿素浓度分布监测结果 Fig 4 Chla concentration distribution of TaiLake usingLF and SF system 由图4(b)和图4(d)可见，MODS数据和M 考虑到自然蝇采用较复杂的神经网络来处理信 数据所形成的LF系统监测结果都表明太湖的周边 息，为证明其可行性，以神经网络来做同一遥感平台 地区的叶绿素浓度较高，特别是东北部和西南部叶 的虚拟复眼图像超分辨率重构) 绿素浓度更高，而太湖的中部、南部和东部局部区域 仿真实验时作如下假设：1)考虑到自然复眼的 的叶绿素浓度较低.由此验证LF系统可对整个太 每个小眼的光瞳基本一样，在仿真时虚拟复眼图像 湖区域的叶绿素浓度进行宏观上的监测，并可以提 的降质只考虑纯移位和降采样：2)虚拟复眼图像是 供250mMOD1S数据提供)和30m(M数据提供) 通过模拟产生的：3)超分辨率重构的分辨率提高倍 2种空间分辨率的叶绿素浓度分布图.采用的虚拟 数为2 复眼数目越多，则可得到更多不同空间分辨率的叶 仿真算法具体实现步骤为 绿素浓度分布图.采用多个虚拟复眼，可以在某一虚 )选取一幅航拍的遥感图像，y作为参考图像 拟复眼数据缺失时，还能够对观测区域实行大场景 S表示分辨率的大小 监测.由图4(e)可知，单一MODS数据形成的SF 2将y分别在水平、垂直方向移位为(1 系统，可对太湖的梅梁湾区这一特定区域的叶绿素 i=0,1然后将移位后的图像进行2倍的降采样 浓度进行有效的监测，如果再融合M虚拟复眼数 得到4幅更低分辨率的图像，分别记为品、、品 据对该区域的监测，则可以更有效地进行水质监测 ,目标就是将4幅较低分辨率的虚拟复眼图像 34复眼图像超分辨率重构算法与仿真实验 重构为更高分辨率的图像x,记为：→x 对于以卫星遥感平台为基础的仿蝇复眼系统， 3)从中选择一幅图像，如，对它进行双线 会受到探测器的辐射分辨率的影响.为了使获得的 性插值，放大到和)一样大小，然后对放大后的图 遥感图像数据具有可以接受的信噪比，就不得不在 像执行与2)相同的操作得到4幅更低，分辨率的虚 光谱分辨率和空间分辨率之间保持平衡.高光谱分 辨率的卫星遥感图像数据往往具有较低的空间分辨 拟复眼图像，分别记为8、、、州 率，因此可使用基于超分辨率重构的技术对低空间 4)选择一幅更低分辨率的图像，如，对它进 分辨率遥感数据进行补偿，以使其在保持原始光谱 行插值放大到和一样大小，然后作为神经网络的 特性的基础上提高空间分辨率 输入，作为神经网络的输出。 常用的遥感图像超分辨率重构算法主要有频域 神经网络选择BP神经网络，共包括3层：输入 法和空域法？仿蝇信息融合系统的超分辨率重构 层、隐层和输出层.学习函数采用LevenbergMar 主要包括3个方面：1)不同或者相同)遥感平台的 quard反向传播算法.神经网络训练完成以后，就得 不同空间分辨率图像的融合；2同一遥感平台的虚 到网络的权值矩阵.然后将虚拟复眼图像输入训练好 拟复眼图像的超分辨率重构：3)多个虚拟复眼图像 的神经网络，从而得到重构图像，仿真实验结果如图 监测信息的反演结果的超分辨率重构 5所示.实验采用航拍遥感图像进行超分辨率重构， 1994-2009 China Academic Journal Electronic Publishing House.All rights reserved.http://www.cnki.net图 4 LF、SF系统对太湖水体叶绿素浓度分布监测结果 Fig. 4 Chl2α concentration distribution of Tai Lake using LF and SF system 由图 4 ( b)和图 4 ( d)可见 ,MOD IS数据和 TM 数据所形成的 LF系统监测结果都表明太湖的周边 地区的叶绿素浓度较高 ,特别是东北部和西南部叶 绿素浓度更高 ,而太湖的中部、南部和东部局部区域 的叶绿素浓度较低. 由此验证 LF系统可对整个太 湖区域的叶绿素浓度进行宏观上的监测 ,并可以提 供 250 m (MOD IS数据提供 )和 30 m (TM数据提供 ) 2种空间分辨率的叶绿素浓度分布图. 采用的虚拟 复眼数目越多 ,则可得到更多不同空间分辨率的叶 绿素浓度分布图. 采用多个虚拟复眼 ,可以在某一虚 拟复眼数据缺失时 ,还能够对观测区域实行大场景 监测. 由图 4 ( e)可知 , 单一 MOD IS数据形成的 SF 系统 ,可对太湖的梅梁湾区这一特定区域的叶绿素 浓度进行有效的监测 ,如果再融合 TM 虚拟复眼数 据对该区域的监测 ,则可以更有效地进行水质监测. 3. 4 复眼图像超分辨率重构算法与仿真实验 对于以卫星遥感平台为基础的仿蝇复眼系统 , 会受到探测器的辐射分辨率的影响. 为了使获得的 遥感图像数据具有可以接受的信噪比 ,就不得不在 光谱分辨率和空间分辨率之间保持平衡. 高光谱分 辨率的卫星遥感图像数据往往具有较低的空间分辨 率 ,因此可使用基于超分辨率重构的技术对低空间 分辨率遥感数据进行补偿 ,以使其在保持原始光谱 特性的基础上提高空间分辨率. 常用的遥感图像超分辨率重构算法主要有频域 法和空域法 [ 7 ] . 仿蝇信息融合系统的超分辨率重构 主要包括 3个方面 : 1)不同 (或者相同 )遥感平台的 不同空间分辨率图像的融合; 2)同一遥感平台的虚 拟复眼图像的超分辨率重构; 3)多个虚拟复眼图像 监测信息的反演结果的超分辨率重构 [ 8 ] . 考虑到自然蝇采用较复杂的神经网络来处理信 息 ,为证明其可行性 ,以神经网络来做同一遥感平台 的虚拟复眼图像超分辨率重构 [ 9 ] . 仿真实验时作如下假设 : 1)考虑到自然复眼的 每个小眼的光瞳基本一样 ,在仿真时虚拟复眼图像 的降质只考虑纯移位和降采样; 2)虚拟复眼图像是 通过模拟产生的; 3)超分辨率重构的分辨率提高倍 数为 2. 仿真算法具体实现步骤为 1)选取一幅航拍的遥感图像 y S 作为参考图像 , S表示分辨率的大小. 2)将 y S 分别在水平、垂直方向移位为 ( i, j) , i, j = 0, 1. 然后将移位后的图像进行 2倍的降采样 , 得到 4幅更低分辨率的图像 ,分别记为 y 2S 00、y 2S 01、y 2S 10、 y 2S 11 ,目标就是将 4幅较低分辨率的虚拟复眼图像 y 2S ij 重构为更高分辨率的图像 x S ,记为 : y 2S ij →x S . 3)从 y 2S ij中选择一幅图像 ,如 y 2S 00 ,对它进行双线 性插值 ,放大到和 y S 一样大小 ,然后对放大后的图 像执行与 2)相同的操作得到 4幅更低 ,分辨率的虚 拟复眼图像 ,分别记为 y 4S 00、y 4S 01、y 4S 01、y 4S 11 . 4)选择一幅更低分辨率的图像 ,如 y 4S 00 ,对它进 行插值放大到和 y S 一样大小 ,然后作为神经网络的 输入 , y 2S 00作为神经网络的输出. 神经网络选择 BP神经网络,共包括 3层:输入 层、隐层和输出层. 学习函数采用 Levenberg2Mar2 quardt反向传播算法. 神经网络训练完成以后,就得 到网络的权值矩阵. 然后将虚拟复眼图像输入训练好 的神经网络,从而得到重构图像 ,仿真实验结果如图 5所示. 实验采用航拍遥感图像进行超分辨率重构. 第 4期 徐立中 ,等 :多源监测信息融合仿生复眼型系统模式及感知计算机理 ·333·