專利名稱：一種基于稀疏表示的遙感圖像融合方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理技術(shù)，具體是一種基于稀疏表示的遙感影像融合方法。
背景技術(shù)：
隨著遙感技術(shù)的不斷發(fā)展，由各種衛(wèi)星傳感器獲取的不同空間分辨率、時(shí)間分辨率、光譜分辨率的遙感圖像數(shù)據(jù)為人類對(duì)地觀測(cè)提供了豐富而寶貴的資源。然而對(duì)于光學(xué)系統(tǒng)的遙感圖像，其空間分辨率和光譜分辨率之間是相互矛盾的，在一定信噪比的情況下，光譜分辨率的提高是以犧牲空間分辨率為代價(jià)的。全色圖像空間分辨率高，具有豐富的空間細(xì)節(jié)信息，能夠詳盡的表達(dá)地物的細(xì)節(jié)特征，但光譜信息較少；多光譜圖像光譜信息豐富，有利于地物識(shí)別，但成像分辨率低。越來(lái)越多的遙感應(yīng)用需要將二者的優(yōu)點(diǎn)結(jié)合起來(lái)，生成具有較高空間分辨率的多光譜圖像，以滿足對(duì)圖像更深層次應(yīng)用的需要。遙感圖像融合正是解決這一問(wèn)題的有效途徑。目前的融合算法可大致分為兩類:基于彩色空間分量替換的融合算法和基于ARSIS模型的融合算法。基于彩色空間分量替換的融合一般是在圖像的像素灰度空間上進(jìn)行融合，如 IHS (Intensity-Hue-Saturation), PCA (Principal Component Analysis)等，該類算法有效地提高了融合圖像的空間分辨率卻同時(shí)引入了嚴(yán)重的光譜失真?；贏RSIS模型融合是通過(guò)推斷MS圖像缺失的高頻成分提高其空間分辨率，如HPF (High-passFiltering), WTF (Wavelet Transform Fusion)等,此類算法解決了分量替換融合算法光譜失真嚴(yán)重的問(wèn)題，但融合后的多光譜圖像中容易出現(xiàn)細(xì)節(jié)過(guò)度注入或抵消等現(xiàn)象。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)缺點(diǎn)，提出一種基于稀疏表示的遙感影像融合方法，以提高融合后圖像的空間分辨率，同時(shí)減少光譜扭曲和色彩失真。為實(shí)現(xiàn)上述目的，本發(fā)明在通用分量替換融合框架下實(shí)現(xiàn)基于稀疏表示的遙感圖像融合，其技術(shù)方案是首先建立多光譜圖像與其亮度分量之間的線性回歸模型；其次利用訓(xùn)練的高、低分辨率字典分別對(duì)全色圖像和多光譜圖像進(jìn)行稀疏表示，并根據(jù)線性回歸模型獲得多光譜圖像亮度分量稀疏表示系數(shù)；然后根據(jù)全色圖像和亮度分量的稀疏表示系數(shù)提取細(xì)節(jié)成分，并在通用分量替換(GCOS)融合框架下注入到多光譜圖像各波段的稀疏表示系數(shù)中；最后進(jìn)行圖像復(fù)原得到高空間分辨率的多光譜圖像。本發(fā)明包括如下步驟:1、利用成像設(shè)備分別獲得低分辨率多光譜圖像和高分辨率全色圖像

2、構(gòu)建多光譜圖像與亮度分量線性回歸模型利用最小二乘法確定多光譜圖像的各波段圖像與多光譜圖像亮度分量之間的線性關(guān)系。3、訓(xùn)練高低分辨率字典對(duì)選擇一組細(xì)節(jié)信息豐富的高分辨率自然圖像，并模擬圖像退化過(guò)程獲得相應(yīng)低分辨率圖像。利用基于圖像特征字典對(duì)(J.Yang, J.Wright, T.Huang et al..1mageSuper-Resolution via Sparse Representation [J].1EEE Trans.1mage Processing,2010,19:2861 2873)的方法對(duì)高分辨率圖像和相應(yīng)低分辨率圖像進(jìn)行字典學(xué)習(xí)，獲得高低分辨率過(guò)完備字典。4、利用正交匹配追蹤算法(Y.C.Pati, R.Rezaiifar, P.S.Krishnaprasad.0rthogonal matching pursuit:recursive function approximation with applicationsto wavelet decomposition[C].Proceedings of the27th Annual Asilomar Conferenceon Signals, Systems, and Computers, 1993,1:40 44)分別求解多光譜圖像各波段影像在低分辨率字典下的稀疏系數(shù)，以及全色圖像在高分辨率字典下的稀疏系數(shù)。5、利用步驟2獲得的多光譜圖像與亮度分量線性回歸模型以及步驟4獲得的低分辨率多光譜圖像的稀疏系數(shù)求解低分辨率多光譜圖像亮度分量的稀疏系數(shù)；6、利用步驟5獲得的亮度分量的稀疏系數(shù)以及絕對(duì)值最大規(guī)則對(duì)步驟4獲得的高分辨率全色圖像的稀疏系數(shù)進(jìn)行部分替換；7、利用步驟6獲得的部分替換后的全色圖像稀疏系數(shù)減去步驟5獲得的亮度分量的稀疏系數(shù)，獲得細(xì)節(jié)信息的稀疏系數(shù)；8、利用步驟4獲得的低分辨率多光譜圖像各波段的稀疏系數(shù)加上步驟7獲得的細(xì)節(jié)信息稀疏系數(shù)，得到高分辨率多光譜圖像的稀疏系數(shù)；9、重構(gòu)高分辨率多光譜圖像:將高分辨率過(guò)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。將列向量化的多光譜圖像轉(zhuǎn)化為圖像塊，恢復(fù)到原圖像的位置，得到融合后的高分辨率多光譜圖像。本發(fā)明的有益效果是:1、本發(fā)明將稀疏表示引入遙感圖像融合領(lǐng)域，克服了現(xiàn)有技術(shù)中無(wú)法同時(shí)保持較高空間分辨率和光譜信息的缺陷，使得本發(fā)明可以同時(shí)較好的保持光譜信息和空間細(xì)節(jié)信息，有利于后期對(duì)圖像的處理和識(shí)別。2、本發(fā)明引入高低分辨率字典對(duì)全色圖像和多光譜圖像進(jìn)行稀疏表示，克服了現(xiàn)有技術(shù)中融合圖像受限于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(shù)的融合前全色圖像分辨率明顯提高。3、本發(fā)明引入最大融合規(guī)則對(duì)全色圖像的稀疏表示結(jié)果進(jìn)行部分替換，克服了現(xiàn)有融合技術(shù)中光譜扭曲的缺陷，使得本發(fā)明比現(xiàn)有技術(shù)的光譜扭曲度大大減小。


圖1是本發(fā)明基于稀疏表示的遙感影像融合方法的流程圖。圖2是本發(fā)明基于稀疏表示的遙感影像融合方法的仿真圖。
具體實(shí)施例方式以下結(jié)合附圖和實(shí)施例對(duì)本發(fā)明的作詳細(xì)說(shuō)明:本實(shí)施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實(shí)施的例子，給出了詳細(xì)的實(shí)施方式和過(guò)程，但本發(fā)明的保護(hù)范圍不應(yīng)限于下述的實(shí)施例。
1、利用成像設(shè)備分別獲得低分辨率多光譜圖像和高分辨率全色圖像；利用多光譜成像設(shè)備及全色圖像成像設(shè)備分別獲得低分辨率多光譜圖像和高分
辨率全色圖像，并讀入低分辨率多光譜圖像和高分辨率全色圖像。本發(fā)明實(shí)施例中的低分辨率多光譜圖像大小為128 X 128 X 4，分辨率為16m ;高分辨率全色圖像大小為512 X 512 X 4，分辨率為4m。2、構(gòu)建多光譜圖像與亮度分量線性回歸模型將高分辨率全色圖像進(jìn)行向下重采樣，得到空間分辨率與多光譜圖像相同的全色圖像表示為Pan1，通過(guò)最小二值法求解式(I )，得到權(quán)值系數(shù)gb和偏置常數(shù)bias，其中，MSb表示原始多光譜圖像的第b波段圖像，min表示最小化，Il I I2為求解二范數(shù)；然后，通過(guò)式(2)利用所得線性關(guān)系模擬低分辨率多光譜圖像亮度分量I。
權(quán)利要求
1.一種基于稀疏表示的遙感圖像融合方法，其特征在于，包括下列步驟: ①利用成像設(shè)備分別獲得低分辨率多光譜圖像和高分辨率全色圖像； ②構(gòu)建多光譜圖像與亮度分量線性回歸模型: 利用最小二乘法確定多光譜圖像的各波段圖像與多光譜圖像亮度分量之間的線性關(guān)系。
③訓(xùn)練高低分辨率字典對(duì) 選擇一組細(xì)節(jié)信息豐富的高分辨率自然圖像，并模擬圖像退化過(guò)程獲得相應(yīng)低分辨率圖像，利用基于圖像特征字典對(duì)的方法對(duì)高分辨率圖像和相應(yīng)低分辨率圖像進(jìn)行字典學(xué)習(xí)，獲得高低分辨率過(guò)完備字典； ④利用正交匹配追蹤算法分別求解步驟①獲得的低分辨多光譜圖像各波段影像在低分辨率字典下的稀疏系數(shù)，以及高分辨率全色圖像在高分辨率字典下的稀疏系數(shù)； ⑤利用步驟②獲得的多光譜圖像與亮度分量線性回歸模型以及步驟④獲得的低分辨率多光譜圖像的稀疏系數(shù)求解低分辨率多光譜圖像亮度分量的稀疏系數(shù)； ⑥利用步驟⑤獲得的亮度分量的稀疏系數(shù)以及絕對(duì)值最大規(guī)則對(duì)步驟④獲得的高分辨率全色圖像的稀疏系數(shù)進(jìn)行部分替換； ⑦利用步驟⑥獲得的部分替換后的全色圖像稀疏系數(shù)減去步驟⑤獲得的亮度分量的稀疏系數(shù)，獲得細(xì)節(jié)信息的稀疏系數(shù)； ⑧利用步驟④獲得的低分辨率多光譜圖像各波段的稀疏系數(shù)加上步驟⑦獲得的細(xì)節(jié)信息稀疏系數(shù)，得到高分 辨率多光譜圖像的稀疏系數(shù)； ⑨重構(gòu)高分辨率多光譜圖像: 將高分辨率過(guò)完備字典與步驟⑧獲得的高分辨率多光譜圖像的稀疏系數(shù)相乘，得到列向量化的多光譜圖像。
2.根據(jù)權(quán)利要求1所述的基于稀疏表示的遙感圖像融合方法，其特征在于:步驟②所述的構(gòu)建多光譜圖像與亮度分量線性回歸模型的具體步驟如下: 將步驟①獲取的高分辨率全色圖像進(jìn)行向下重采樣，得到空間分辨率與低分辨率的多光譜圖像相同的全色圖像，通過(guò)最小二值法求解下式，得到權(quán)值系數(shù)gb和偏置常數(shù)bias:
3.根據(jù)權(quán)利要求1所述的基于稀疏表示的遙感圖像融合方法，其特征在于:步驟③所述訓(xùn)練高低分辨率字典對(duì)的具體步驟如下: 選擇一組細(xì)節(jié)信息豐富的高分辨率自然圖像，并模擬圖像退化過(guò)程獲得相應(yīng)低分辨率自然圖像；同時(shí)，對(duì)低分辨率自然圖像進(jìn)行向上重采樣使其與高分辨率自然圖像大小相同；最后在低分辨率圖像的一階、二階導(dǎo)數(shù)圖像上以塊的方式隨機(jī)提取大小為NXN大小的低分辨率樣本塊，并列向量化，在高分辨率圖像減去其均值后的相應(yīng)位置處提取大小同樣為NXN高分辨率樣本塊并列向量化，提取的高、低分辨率樣本分別表示為Xh和X1，則對(duì)應(yīng)的高、低分辨率字典Dh和D1可以通過(guò)下列目標(biāo)方程得到:
4.根據(jù)權(quán)利要求1所述的基于稀疏表示的遙感圖像融合方法，其特征在于:步驟④所述利用正交匹配追蹤算法分別求解多光譜圖像各波段影像在低分辨率字典下的稀疏系數(shù)，以及全色圖像在高分辨率字典下的稀疏系數(shù)的具體步驟如下: 對(duì)多光譜圖像進(jìn)行重采樣至與全色圖像相同大小，表示為MS1，用大小為
5.根據(jù)權(quán)利要求1所述的基于稀疏表示的遙感圖像融合方法，其特征在于:步驟⑤所述利用多光譜圖像與亮度分量線性回歸模型獲得多光譜圖像亮度分量的稀疏系數(shù)的具體步驟如下: 獲得低分辨率多光譜圖像亮度分量的稀疏表示系數(shù)氣，公式如下:
6.根據(jù)權(quán)利要求1所述的基于稀疏表示的遙感圖像融合方法，其特征在于:步驟⑥所述利用多光譜圖像與亮度分量線性回歸模型獲得多光譜圖像亮度分量的稀疏系數(shù)的具體步驟如下: 采用絕對(duì)值最大融合規(guī)則對(duì)全色圖像的稀疏表示系數(shù)進(jìn)行部分成分替換，獲得高分辨率I分量的稀疏表示系數(shù)，公式如下:
全文摘要
一種基于稀疏表示的遙感圖像融合方法，首先建立多光譜圖像與其亮度分量之間的線性回歸模型；其次利用訓(xùn)練的高、低分辨率字典分別對(duì)全色圖像和多光譜圖像進(jìn)行稀疏表示，并根據(jù)線性回歸模型獲得多光譜圖像亮度分量稀疏表示系數(shù)；然后根據(jù)全色圖像和亮度分量的稀疏表示系數(shù)提取細(xì)節(jié)成分，并在通用分量替換融合框架下注入到多光譜圖像各波段的稀疏表示系數(shù)中；最后進(jìn)行圖像復(fù)原得到高空間分辨率的多光譜圖像。本發(fā)明將稀疏表示技術(shù)引入到遙感圖像融合領(lǐng)域，克服了現(xiàn)有技術(shù)無(wú)法同時(shí)保持較高空間分辨率和光譜信息的缺陷，本發(fā)明的融合結(jié)果在光譜保持和空間分辨率提高方面優(yōu)于傳統(tǒng)的遙感圖像融合方法。
文檔編號(hào)G06T5/00GK103208102SQ20131010859
公開(kāi)日2013年7月17日 申請(qǐng)日期2013年3月29日 優(yōu)先權(quán)日2013年3月29日
發(fā)明者李元祥, 尹雯, 郁文賢, 邱立忠 申請(qǐng)人:上海交通大學(xué)