[发明专利]一种基于结构稀疏表示的遥感影像融合方法

说明书

技术领域

本发明涉及图像处理技术，具体是一种基于结构稀疏表示的遥感影像融合方法。

背景技术

在许多遥感应用中，如土地利用分类变化检测，地图更新和灾难预警监测要求使用高光谱和高空间分辨率的遥感图像。由于辐射能量的限制，遥感传感器所获得图像的空间分辨率和光谱分辨率之间是相互矛盾的。多光谱(MS)图像光谱信息丰富，但空间分辨率较低，高空间分辨率的全色(PAN)图像可以准确地获得目标的细节信息，但其光谱信息较少。通过融合得到MS图像和PAN图像所提供的光谱和空间信息，融合后的图像既具有高空间分辨率，又尽可能保留原来MS图像的光谱信息，这样可以更好地进行遥感图像的分类、特征提取及变化检测等。

目前主要的遥感图像融合方法主要分为两种，一种是分量替换的方法，另一种是多尺度分析的方法。传统的分量替换方法，如IHS变换、PCA变换等融合方法，简单易行，能够较好增强遥感图像的空间分辨率，但容易产生光谱畸变。多尺度分析的方法是通过某种算法来模拟多光谱图像缺失的空间细节信息，比如小波变化融合方法和拉普拉斯金字塔方法。虽然随分解层数的增加，该类方法抽取的空间细节会增加，但融合后多图像的光谱保持能力会变弱。近年，越来越多研究者开始利用基于图像块的稀疏表示算法进行遥感图像的融合，如一种基于稀疏表示的遥感图像融合方法(申请号：201310108594.3)，大大提高了图像融合的质量。但是经典稀疏表示其字典训练过程没有考虑图像块之间的结构相似性，且时间复杂度高。结构组稀疏表示(SGSR)，采用自适应的结构组字典来代替传统的基于整幅图像块的字典学习，考虑了相似块之间的联系，显著降低字典学习的时间复杂度，提高了稀疏系数求解精度。结构组稀疏表示开始用于图像超分辨率和图像去噪中，取得比经典稀疏表示更好的性能，但这些研究均为针对单幅图像处理的，多幅图像的融合方法还处于空白。

发明内容

本发明的目的在于克服上述现有技术缺点，在通用分量替换融合框架下实现基于结构组稀疏表示的遥感图像融合，即提出一种基于结构稀疏表示的遥感影像融合方法，该方法一方面能提高融合后图像的空间分辨率，减少光谱扭曲和色彩失真，另一方面，还能降低稀疏表示算法字典训练时的时间复杂度，提高计算效率。

为实现上述目的，本发明的技术方案如下：

一种基于结构稀疏表示的遥感影像融合方法，首先利用自适应权值系数模型求出多光谱图像的亮度分量，其次将相似图像块组成结构组，利用组稀疏模型分别求出亮度分量和全色图像的结构组字典和组稀疏系数，然后，根据绝对值最大规则进行全色图像稀疏系数的部分替换得到新的稀疏系数，利用全色图像的组字典和新的稀疏系数重构出高空间分辨率亮度图像。最后根据通用分量替换框架得到融合后的高分辨率多光谱图像。

本发明包括如下步骤：

1)利用不同的遥感影像成像设备分别获得不同类型低分辨率多光谱图像和高分辨率全色图像。

2)利用自适应权值系数模型进行亮度分量计算，由多光谱每个波段图像进行加权平均得到。

3)利用结构组稀疏模型获得亮度分量和全色图像的结构组。

4)利用结构组稀疏模型分别求解步骤3)中亮度分量和全色图像的结构组字典；

5)利用步骤4)获得的结构组字典分别求解亮度分量和全色图像的组稀疏系数；

6)利用步骤5)获得的亮度分量的稀疏系数以及绝对值最大规则对步骤5)获得的全色图像的稀疏系数进行部分替换；

7)利用步骤3)获得的全色图像的结构组字典和步骤6)获得的新的稀疏系数进行重构得到高空间分辨率的亮度分量每个结构组的图像块。

8)将每个结构组按照块索引的位置恢复到原图像的位置，得到高空间分辨率的亮度分量图像。

9)根据通用亮度分量替换框架利用步骤7)获得的新的亮度分量，得到融合后的高空间分辨率的多光谱图像。

本发明的有益效果是：

1、本发明将结构组稀疏表示引入遥感图像融合领域，能同时保持较高空间分辨率和光谱信息，有利于后续图像分类识别等。

2、本发明引入结构组作为亮度分量和全色图像字典学习和稀疏表示的基本单位，区别于经典稀疏表示方法中以图像块为字典学习和稀疏表示的基本单位，充分考虑了图像块之间相似性，能够得到更准确的稀疏系数。

3、本发明引入结构组字典学习方法，每一个结构组都有其结构组字典，字典具有自适应性，简单快速，相比经典的稀疏表示方法，大大减少了字典学习的时间。