技术领域本发明属于图像处理技术领域，涉及一种SAR图像超分辨率方法，具体涉及一种基于联合优化的SAR图像超分辨率方法，可用于为SAR图像的后续解译判读、目标识别和目标检测提供更准确的信息。
背景技术：
合成孔径雷达SAR(SyntheticApertureRadar)是一种全天时、全天候的微波遥感成像雷达。SAR能够得到丰富的目标信息，在农业、林业、军事、地质学、水文学和海洋等方面具有广泛的研究和应用价值，如地物种类的识别、农作物成长监视、产量评估、地物分类、海冰监测、地面沉降监测，目标检测和海洋污染检测等。在SAR成像技术中，空间分辨率作为衡量图像质量的重要指标一直都备受关注。然而，SAR所处工作环境复杂、恶略，受到诸如硬件系统限制、平台非理想工作、成像条件不理想及系统相干斑噪声等因素影响，所获SAR图像的空间分辨率难以满足科研和应用需求。提高SAR图像空间分辨率的方法分为两类：第一类是改进或更新硬件设备，使SAR系统具备发射宽信号和合成大孔径的能力，但这种方法受限于硬件技术瓶颈和开发周期，且代价高；第二类是通过建立物理模型或数学模型，利用数据处理的图像超分辨方法，此方法受限条件少，成本低，可行性好，具有很大的现实意义，已成为SAR图像处理领域重要的研究方向。图像超分辨方法原理上分为基于重建的方法和基于学习的方法。基于重建的方法中典型的是插值方法，这种方法基于图像局部连续性，容易引起边缘模糊。用于SAR图像超分辨重建虽然运算简单，但是会把图像中很多细节信息掩盖，不能把目标和感兴趣区域精确地重建。基于学习的方法一般通过训练集学习得到高低分辨率图像之间的映射关系，从而的到高分辨率的图像。例如Yang,Wright等人发表的论文“ImageSuper-ResolutionViaSparseRepresentation”(IEEETran.onImageProcessingvol.19no.11pp.2861-2873.2010)中提出一种基于稀疏表示的方法。该方法将压缩感知的思想引入超分辨重构中，通过稀疏表示的方法来获得低分辨和高分辨的字典对。当低分辨图像的稀疏表示通过压缩感知的方法得到时，则高分辨图像的稀疏表示也相应的得到，从而可以有效地对低分辨图像进行重建。该方法是学习出一对冗余的高分辨和低分辨的字典用于对低分辨图像块进行重建，该方法用于SAR图像超分辨重建时，由于SAR图像结构复杂，只依靠一对字典无法准确的对所有SAR图像块进行重建，从而影响图像的整体恢复效果，并且该方法是通过对低分辨图像进行完全重构式地编码，造成在编码过程中引入噪声和不必要的信息，使得低分辨-高分辨图像块之间映射不准确，严重影响了图像整体的恢复效果。
技术实现要素：
本发明的目的在于克服上述现有技术存在的缺陷，提出了一种基于联合优化的SAR图像超分辨率方法，用于解决现有SAR图像超分辨率方法中存在的由于重构误差和人工噪声导致的图像恢复效果差的技术问题。为实现上述目的，本发明采取的技术方案包括如下步骤：步骤1，输入同一场景下的一幅高分辨率SAR图像和一幅低分辨SAR图像。步骤2，对高分辨率SAR图像和低分辨SAR图像均进行网格分割，得到网格位置相互对应的高-低分辨率的数据集，并从该数据集中随机选取d对高-低分辨率的图像组成训练数据集，从数据集中随机选取e对高-低分辨率的图像组成测试数据集。步骤3，对训练数据集中的高-低分辨率图像进行切块处理，得到相互对应的高分辨训练图像块集和低分辨训练图像块集，具体实现步骤如下：步骤3a，对训练数据集中的低分辨率的图像进行插值，得到和高分辨率图像大小相同的低分辨图像。步骤3b，对插值得到的低分辨图像进行切块，得到N个大小为c×c的低分辨训练图像块，相邻的图像块至少重叠1个像素。步骤3c，对训练数据集中的高分辨图像进行切块，得到N个大小为c×c的高分辨训练图像块，相邻的图像块至少重叠1个像素。步骤3d，从得到的N个大小为c×c的高分辨训练图像块和低分辨训练图像块中，选取L个高分辨训练图像块，同时选取与高分辨训练图像块相对应的低分辨训练图像块。步骤4，对得到的相互对应的高分辨训练图像块集和低分辨训练图像块集分别进行特征提取，得到高分辨特征集和低分辨特征集，具体实现步骤如下：步骤4a，利用高分辨训练图像块集中的L个图像块减去与其对应的低分辨训练图像块集中的图像块，得到L个高分辨图像块的特征向量D1＝{y1,...,yL