李 正，刘 薇，张凯兵

西安工程大学 电子信息学院，西安710048

目前，遥感成像技术已广泛应用于目标匹配与检测、土地覆盖分类、超分辨土地覆盖制图、城市经济水平评价、资源勘查等方面[1]。然而，由于遥感图像的拍摄往往覆盖广阔的空间面积，即使图像整体具有高的空间分辨率，分配到单个空间景物的分辨率仍难以将其清晰呈现，导致目标测量及识别时的误差，这也成为限制其应用的关键瓶颈之一[1-2]。

提高遥感图像的空间分辨率需要面对实现和价格两方面的困难[3]。因此，通过软件算法将已有低分辨率遥感图像重建成高分辨率遥感图像[2-4]，成为解决该问题的另一可行出路，代表为超分辨率图像重建技术。

超分辨（Super-Resolution，SR）的思想是20 世纪60年代提出的[5]。超分辨重建的一般思路是模拟退化过程，重建求解HR（High Resolution）图像为退化模的逆过程。图像退化的公式可表示为：

其中，g代表LR 图像，H表示退化矩阵，H由下采样矩阵、模糊矩阵、运动扭曲矩阵共同构成，z表示原始HR图像，n代表着随机高斯白噪声。

早期的针对遥感图像的SR 方法可大致分为：基于插值、基于重建和基于学习的方法。基于插值的方法[6-8]是非迭代的空域超分辨率重建方法，其核心是先将LR遥感图像配准到HR图像的网格上，然后运用非均匀插值得到HR遥感图像每一个像素的值。基于重建的遥感SR方法[9-10]通常是需要将HR图像退化处理为LR图像，研究HR细节在低分辨下的表现，建立对应关系，最后构建模型来反应这种关系。典型的遥感SR重建算法是Li等[11]建立的小波域内的隐马尔可夫链模型。……