專利名稱：基于壓縮感知的多光譜與全色圖像超分辨融合方法
技術領域：
本發(fā)明屬于圖像處理技術領域，更進一步涉及遙感圖像處理技術領域中的基于壓縮感知的多光譜與全色圖像超分辨融合方法。本發(fā)明可以應用在土地利用、城區(qū)識別和森林資源調(diào)查等遙感領域。本發(fā)明是將低空間分辨率的多光譜圖像與高空間分辨率的全色圖像進行融合，同時利用壓縮感知技術進行超分辨重建，以得到一幅同時具有高空間分辨率和光譜信息的融合圖像。
背景技術：
多光譜圖像和全色圖像融合是指將從多光譜探測器獲得的同一場景的多譜圖像的信息綜合利用，利用它們在時空上的相關性及信息上的互補性，得到對景物更全面、清晰的描述，更有利于人眼的識別和機器的自動探測。多光譜圖像具有豐富的光譜信息，但空間分辨率較低；全色圖像具有豐富的空間細節(jié)信息，空間分辨率較高，但光譜信息較少。要獲得同時具有高的光譜和空間分辨率的圖像，可通過兩個途徑實現(xiàn)一是采用更新型的傳感器，這樣能獲取更高質(zhì)量的圖像，但對新型傳感器的研制將耗費大量時間，且成本高；二是進行多光譜圖像和全色圖像的融合，這樣能在現(xiàn)有傳感器技術的基礎上獲取更高質(zhì)量的圖像，且技術成本低。目前的多光譜圖像融合技術主要有兩類一類是IHS色彩變換法、主成分分析法(PCA)等；另一類是小波變換法、Laplacian金字塔分解等多尺度變換方法，但這些方法在多光譜圖像和全色圖像融合中存在著一個共同的問題均采用“注入”的方法或運用分辨率變換提取全色圖像的細節(jié)信息進行融合，利用全色圖像簡單的替代多光譜圖像的亮度分量或當抽取全色圖像的高頻分量與多光譜圖像的亮度分量的高頻分量不一致時，會產(chǎn)生嚴重的顏色失真和光譜扭曲；另一方面，融合后圖像的空間分辨率受限于融合前全色圖像的分辨率。湖南大學申請的專利“一種基于壓縮傳感理論的衛(wèi)星遙感圖像融合方法”(申請?zhí)?201010283310.0,申請公布號CN 101996396A)中，該專利申請的方法是把壓縮感知技術運用到多光譜圖像的融合中，先向量化低空間分辨率多光譜圖像和高空間分辨率全色圖像； 然后構造高空間分辨率多光譜圖像塊的稀疏表示字典；再用基追蹤算法求解高空間分辨率多光譜圖像在該字典下的稀疏表示；再將稀疏表示與預先設定的過完備字典相乘得到高空間分辨率多光譜圖像塊向量；最后將向量表示轉(zhuǎn)化為圖像塊得到融合圖像。該方法能夠較好的克服顏色失真和光譜扭曲，但是仍然存在的不足是，融合后的多光譜圖像的分辨率取決于融合前全色圖像的分辨率，只能得到與融合前全色圖像相同分辨率的圖像。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述已有技術的缺點，提出一種基于壓縮感知的多光譜圖像與全色圖像的超分辨融合方法，以提高空間分辨率，同時降低顏色失真和光譜扭曲。為實現(xiàn)上述目的，本發(fā)明在壓縮感知的框架下實現(xiàn)全色圖像與多光譜圖像的融合，其技術方案是首先將全色圖像與多光譜圖像作為壓縮采樣后的觀測值，將高分辨率多
4光譜圖像與低分辨率多光譜圖像構造的觀測矩陣，與高分辨率多光譜圖像和高分辨率全色圖像構造的觀測矩陣進行聯(lián)合；然后利用KSVD (K-Singular Value Decomposition)方法對高分辨率多光譜圖像隨機抽塊進行字典學習，得到訓練字典；最后利用壓縮感知基追蹤算法得到高分辨率多光譜圖像。本發(fā)明的具體步驟如下(1)分別輸入低分辨率多光譜圖像和高分辨率全色圖像；(2)獲得高分辨率聯(lián)合采樣值矩陣；2a)對低分辨率多光譜圖像和高分辨率全色圖像進行分塊列向量化；2b)將分塊列向量化的高分辨率全色圖像矩陣連接到分塊列向量化的低分辨率多光譜圖像矩陣后，得到高分辨率聯(lián)合采樣值矩陣；(3)對高分辨率的多光譜圖像和低分辨率的多光譜圖像構造觀測矩陣，獲得高-低觀測矩陣；(4)對高分辨率的多光譜圖像和高分辨率的全色圖像構造觀測矩陣，獲得高-高觀測矩陣；(5)將高-低觀測矩陣連接到高-高觀測矩陣后，得到高分辨率聯(lián)合觀測矩陣；(6)利用KSVD方法對高分辨率多光譜圖像進行字典學習，得到高分辨率過完備字
Ffti. ·
ZN (7)利用基追蹤算法求解高分辨率過完備字典下的高分辨率稀疏系數(shù)；(8)重構高分辨率多光譜圖像；8a)將高分辨率過完備字典與高分辨率稀疏系數(shù)相乘，得到列向量化的多光譜圖像；8b)將列向量化的多光譜圖像轉(zhuǎn)化為圖像塊，恢復到原圖像的位置，得到超分辨率的多光譜圖像。本發(fā)明與現(xiàn)有的技術相比具有以下優(yōu)點第一，本發(fā)明將多光譜圖像融合引入到壓縮感知領域來，克服了現(xiàn)有技術中顏色失真和光譜的扭曲的缺陷，使得本發(fā)明可以保持空間分辨率和光譜信息，有利于后期對圖像的處理和識別。第二，本發(fā)明引入了矩陣聯(lián)合和字典學習的方法，克服了現(xiàn)有技術中融合圖像分辨率受限于融合前全色圖像分辨率的缺陷，使得本發(fā)明得到的融合圖像分辨率比現(xiàn)有技術的融合前全色圖像分辨率明顯提高。第三，本發(fā)明引入了壓縮感知基追蹤算法，克服了現(xiàn)有技術中傳感器和融合過程中噪聲的影響，使得本發(fā)明比現(xiàn)有技術的峰值信噪比大大提高。本發(fā)明的技術過程和效果可結合以下附圖詳細說明。


圖1為本發(fā)明的流程圖；圖2為本發(fā)明的仿真圖。具體實施方法參照附圖1，本發(fā)明具體實施方式
如下
步驟1，分別輸入低分辨率多光譜圖像和高分辨率全色圖像；分別讀入待處理的低分辨多光譜圖像和高分辨率的全色圖像。本發(fā)明實施例中輸入的低分辨多光譜圖像大小為125X 125X4，分辨率為細；高分辨率的全色圖像大小為500 X 500，分辨率為lm。步驟2，獲得高分辨率聯(lián)合采樣值矩陣；將低分辨率多光譜圖像的紅、綠、藍、近紅外四個顏色通道圖像分為5X5的小塊然后列向量化，將第二塊構成的列向量連接到第一塊構成的列向量后，將第三塊構成的列向量連接到第二塊構成的列向量后，以此類推，低分辨率的多光譜圖像變換為一個行數(shù)為 100的矩陣，本發(fā)明實施例中低分辨率的多光譜圖像變換為一個大小為100X625的矩陣。將高分辨率全色圖像分為20X20的小塊然后列向量化，將第二塊構成的列向量連接到第一塊構成的列向量后，將第三塊構成的列向量連接到第二塊構成的列向量后，以此類推，高分辨率的全色圖像變成一個行數(shù)為400的矩陣，本發(fā)明實施例中高分辨率的多光譜圖像變換為一個大小為400X625的矩陣。將高分辨率全色圖像矩陣連接到低分辨率多光譜圖像矩陣后，得到一個行數(shù)為500的高分辨率聯(lián)合采樣值矩陣，本發(fā)明實施例中高分辨率聯(lián)合采樣值矩陣大小為 500X625o步驟3，對高分辨率的多光譜圖像和低分辨率的多光譜圖像構造觀測矩陣，獲得高-低觀測矩陣；將低分辨率多光譜圖像的紅、綠、藍、近紅外四個顏色通道圖像分為5X5的小塊然后列向量化，將高分辨率多光譜圖像的紅、綠、藍、近紅外四個顏色通道圖像分為40X40 的小塊然后列向量化；將高分辨率多光譜圖像每8個像素取平均得到低分辨率多光譜圖像的1個像素， 將高分辨率多光譜圖像的8X8的一個小塊取平均得到低分辨率多光譜圖像的1 X 1的一個小塊，高分辨率多光譜圖像與低分辨率多光譜圖像的下采樣比為8 1；本發(fā)明實施例中按下式求解高-低觀測矩陣Y^ =MX^gh+VpIf*'為低分辨率的多光譜圖像，X^a為高分辨率的多光譜圖像，M為待求解的高低觀測矩陣，Vp為噪聲向量，本發(fā)明實施例中高-低觀測矩陣大小為100X6400。步驟4，對高分辨率的多光譜圖像和高分辨率的全色圖像構造觀測矩陣，獲得高-高觀測矩陣；將高分辨率多光譜圖像的紅、綠、藍、近紅外四個顏色通道圖像分40X40的小塊然后列向量化，將高分辨率全色圖像分為40X40的小塊然后列向量化，將低分辨率全色圖像分為20X20的小塊然后列向量化；將高分辨率多光譜圖像的紅、綠、藍、近紅外四個顏色通道的每一個像素加權求和，得到高分辨率全色圖像對應位置的一個像素，本發(fā)明實施例中按下式求解權值矩陣yPAN = M2x+v2Ypan為高分辨率的全色圖像，Y^a為高分辨率的多光譜圖像，M2為待求解的權值矩陣，Vp為噪聲向量。本發(fā)明實施例中紅、綠、藍、近紅外每一譜段所取的權值系數(shù)大小分別為0. 1139,0. 2315,0. 2308,0. 4239，權值矩陣大小為 1600X6400。將高分辨率全色圖像每2個像素取平均得到低分辨率全色圖像的1個像素，將高分辨率全色圖像的2X2的一個小塊取平均得到低分辨率全色圖像的1X1的一個小塊，高分辨率多光譜圖像與低分辨率多光譜圖像的下采樣比為2 1，本發(fā)明實施例中按下式求解高分辨率全色圖像下采樣矩陣
權利要求
1.一種基于壓縮感知的多光譜與全色圖像超分辨融合方法，包括以下步驟(1)分別輸入低分辨率多光譜圖像和高分辨率全色圖像；(2)獲得高分辨率聯(lián)合采樣值矩陣；2a)對低分辨率多光譜圖像和高分辨率全色圖像進行分塊列向量化； 2b)將分塊列向量化的高分辨率全色圖像矩陣連接到分塊列向量化的低分辨率多光譜圖像矩陣后，得到高分辨率聯(lián)合采樣值矩陣；(3)對高分辨率的多光譜圖像和低分辨率的多光譜圖像構造觀測矩陣，獲得高-低觀測矩陣；(4)對高分辨率的多光譜圖像和高分辨率的全色圖像構造觀測矩陣，獲得高-高觀測矩陣；(5)將高-低觀測矩陣連接到高-高觀測矩陣后，得到高分辨率聯(lián)合觀測矩陣；(6)利用KSVD方法對高分辨率多光譜圖像進行字典學習，得到高分辨率過完備字典；(7)利用基追蹤算法求解高分辨率過完備字典下的高分辨率稀疏系數(shù)；(8)重構高分辨率多光譜圖像；8a)將高分辨率過完備字典與高分辨率稀疏系數(shù)相乘，得到列向量化的多光譜圖像； 8b)將列向量化的多光譜圖像轉(zhuǎn)化為圖像塊，恢復到原圖像的位置，得到超分辨率的多光譜圖像。
2.根據(jù)權利要求1所述的基于壓縮感知的多光譜與全色圖像超分辨融合方法，其特征在于步驟(3)所述構造高-低觀測矩陣的方法具體步驟如下第一步，對低分辨率的多光譜圖像和高分辨率的多光譜圖像進行分塊列向量化； 第二步，對高分辨率多光譜圖像8 1下采樣，得到低分辨率的多光譜圖像； 第三步，由高分辨率的多光譜圖像和低分辨率的多光譜圖像構造高-低觀測矩陣。
3.根據(jù)權利要求1所述的基于壓縮感知的多光譜與全色圖像超分辨融合方法，其特征在于步驟(4)所述構造高-高觀測矩陣的方法具體步驟如下第一步，對高分辨率的多光譜圖像、高分辨率的全色圖像、低分辨率的全色圖像進行分塊列向量化；第二步，對高分辨率多光譜圖像的每一譜段求權值之和，得到高分辨率全色圖像； 第三步，對高分辨率全色圖像2 1下采樣，得到低分辨率的全色圖像； 第四步，由高分辨率的多光譜圖像和高分辨率的全色圖像構造高-高觀測矩陣。
4.根據(jù)權利要求1所述的基于壓縮感知的多光譜與全色圖像超分辨融合方法，其特征在于步驟(6)所述KSVD方法訓練字典的具體步驟如下第一步，對輸入的與待融合圖像統(tǒng)計特性相近且比全色圖像高一倍分辨率的多幅高分辨率多光譜圖像進行分塊列向量化，隨機抽取高分辨率多光譜圖像的25000個圖像塊進行字典訓練；第二步，按照下式求解訓練字典D
5.根據(jù)權利要求1所述的基于壓縮感知的多光譜與全色圖像超分辨融合方法，其特征在于步驟(7)所述的基追蹤算法如下 min Il α H1 Subject to Ι^-Φα^ <ε其中，minll α ||工為最小化α的一范數(shù)，α為待求解的高分辨率稀疏系數(shù)，Subject 切表示||少-0>0^為求解時11|| α II1W限制條件，||廣0)<為求解y-Φα的二范數(shù)，y為高分辨率聯(lián)合采樣值矩陣，Φ為高分辨率聯(lián)合觀測矩陣與高分辨率訓練字典的乘積，ε為重構誤差。
全文摘要
本發(fā)明公開了一種基于壓縮感知的多光譜與全色圖像超分辨融合方法。其步驟為(1)分別輸入低分辨率多光譜圖像和高分辨率全色圖像；(2)獲得高分辨率聯(lián)合采樣值矩陣；(3)獲得高-低觀測矩陣；(4)獲得高-高觀測矩陣；(5)獲得高分辨率聯(lián)合觀測矩陣；(6)學習高分辨率過完備字典；(7)獲得高分辨率稀疏系數(shù)；(8)重構高分辨率多光譜圖像。本發(fā)明將壓縮感知技術引入到多光譜圖像融合領域來，克服了現(xiàn)有技術中顏色失真和光譜扭曲的缺陷，融合得到的多光譜圖像比高分辨率全色圖像高一倍分辨率。
文檔編號G06T7/00GK102542549SQ20121000172
公開日2012年7月4日 申請日期2012年1月4日 優(yōu)先權日2012年1月4日
發(fā)明者侯彪, 劉芳, 楊麗霞, 楊淑媛, 焦李成, 王爽, 陳璞花, 靳煥庭, 馬文萍 申請人:西安電子科技大學