图像超分辨率重建(SRR)是目前图像处理领域中研究最广泛的技术之一,然而其低空间分辨率的问题限制了其进一步发展,尤其对于高光谱图像来说,低空间分辨率会包含大量的混合像元,这在很大程度上影响了高光谱应用领域的识别和检测性能,因此,如何提高高光谱图像的空间分辨率成为近年来学者们的重要研究课题。在进行图像重建时,对先验信息的准确约束是其中一个重要环节,最大后验概率(MAP)算法在灵活的引入先验信息方面有很大的优势。由于重建过程是一个病态求逆问题,在构建全局代价方程时需要用正则化方法来解决,而正则化项的选取模式与先验模型密切相关。本文对基于MAP算法的高光谱图像重建过程中正则化项的选择和先验模型的准确估计进行深入研究并提出相应的改进方法。 在基于MAP的高光谱图像重建过程中,由于高光谱图像“图谱合一、波段多”的特点,构建正则化项不能单一考虑空间域的约束信息,现有技术对高光谱图像的超分辨率重建未充分考虑光谱域信息的保持能力,导致重建后的高分辨率图像往往存在一定的光谱失真。本文针对高光谱图像提出一种空谱联合自适应双正则项的改进方法,重新定义正则化项与权值的选取,极大地提高了新算法的自适应性。利用高光谱赤铜矿图像和高光谱房屋图像进行仿真实验,结果表明,该方法能够有效提高图像重建信噪比,提高图像质量,证实了改进方法的有效性。 图像先验模型估计的精度是影响高光谱图像重建质量好坏的重要因素,目前常用的先验模型估计方法是基于总变分(TV)的正则化先验模型,传统的估计方法不能够有效的针对高光谱图像将空域和谱域约束信息很好地联系在一起。对此,本文基于MAP算法提出一种改进的各向异性空谱TV先验模型,有针对性的从空间域的水平和垂直方向以及光谱方向对一阶梯度的惩罚程度区别对待,并用Bregman算法进行后期迭代处理,最后将改进的先验模型估计方法应用到高光谱图像重建过程中,以提高重建结果的准确性。仿真实验表明,改进算法有效地提高了高光谱图像先验模型的估计精度,同时在去除噪声和保留边缘细节信息方面也有良好的作用效果,重建的图像质量得到了进一步改善。