[发明专利]一种高光谱图像空间分辨率增强方法

说明书

本发明公开了一种高光谱图像超分辨率增强方法，该方法首先提取图像中不同场景的反射光谱，通过压缩感知字典学习算法得到强稀疏性、弱相干性的光谱字典；其次利用高光谱场景中信号的稀疏性、非负性以及空间结构自相似性，从提取的场景反射光谱解析得到高空间分辨率的低光谱图像，通过同步正交匹配追踪算法求解得到稀疏编码矩阵；最后联合光谱字典和稀疏编码矩阵得到目标图像。由于联合使用图像的空间与光谱信息，模拟数据和真实数据实验结果表明，本发明方法相比于传统方法和矩阵分解方法，能够有效重建高光谱图像细节信息与纹理结构，有效提高波段平均峰值信噪比、波段平均结构相似度以及光谱角度映射，并且更好的保持光谱信息。

技术领域

本发明隶属于光电成像探测和图像处理领域，涉及一种新的高光谱偏振图像超分辨率增强方法。

背景技术

高光谱成像技术是20世纪80年代以来综合对地观测的重要组成部分，将成像技术与光谱技术结合在一起，包含丰富的空间、辐射和光谱信息，具有光谱连续、图谱合一的特性。高光谱图像由于良好的光谱特性，已经广泛应用于地质勘查、海洋监测、战场侦察等领域。另外在医学成像中，通过高光谱成像技术获得的空间分辨光谱成像提供了关于组织生理学，形态学和组成的诊断信息。遥感图像的空间分辨率是衡量高光谱遥感影像质量的一个重要指标，反映了图像上能看到的地面最小目标尺寸，决定了实际应用中对地面目标的检测识别能力。受到成像条件和成像环境影响，获取的图像空间分辨率较低，导致大量混合像素，大大降低后续的检测和识别性能，进而影响到军事和民用领域的诸多应用，因此提高高光谱图像的空间分辨率具有重要意义。为解决该问题，有研究者提出使用高分辨率传感器的简单解决方案，但是进一步降低了到达传感器光子的密度，在许多应用场合不可行。由于硬件设备的限制，采用基于软方法的图像超分辨率技术是提升图像空间分辨率的有效手段。超分辨率(Super Resolution，SR)问题的性质不足，已经提出多种正则化方法来解决该问题，包括基于插值的方法、基于多帧图像的方法、基于样本学习的单帧图像超分辨率方法。这些方法在灰度图像或彩色图像上取得较好的重建效果，但是直接应用于高光谱图像结果并不理想。

高光谱图像SR问题，不仅应该提高空间域信息，而且需要保持光谱信息。经典的基于凸集投影的高光谱图像SR方法，融合多个光谱带的信息提高空间分辨率，并将观测场景的频谱重建为少量频谱基函数的组合。为了估计运动参数，有学者提出基于最大后验的多帧图像SR方法，利用主成分分析减少计算负荷并重建高分辨率图像。然而，基于多帧图像的SR方法需要精确的配准过程。为了克服这个困难，近年来基于压缩感知(CompressiveSensing，CS)的方法得到足够重视，可以从高分辨率的训练图像中学习，得到重建的高分辨率图像的高频细节。针对高光谱图像各波段噪声强度不同，空间域和光谱域均存在噪声污染的问题，有学者提出了基于分组三维离散余弦变换字典的稀疏表示方法；为了增强高光谱图像的空间分辨率，有学者利用矩阵分解的方法将高光谱图像与全色图像融合，有提出光谱解混合与稀疏编码方法，用于高光谱图像与RGB图像融合，还有学者利用耦合光谱解混合的方法融合多光谱和高光谱遥感图像，提高高光谱图像的空间分辨率。上述方法在一定程度上提高了图像的空间分辨率，但是没有行之有效的方法引入光谱域信息提高重建效果，存在光谱信息失真问题。

与高光谱成像系统相比，低光谱分辨率成像系统场景辐射的总体量化虽然消除大部分的光谱信息，但是能够较好的保留场景图像的空间结构信息，利用该成像系统获取的高分辨率图像有助于提高高光谱图像的空间分辨率。

发明内容

基于此，本发明提出了一种高光谱图像空间分辨率增强方法，包括了如下步骤：

步骤一、提取图像中不同场景的反射光谱，通过压缩感知字典学习算法得到强稀疏性、弱相干性的光谱字典Φ；

步骤二、利用高光谱场景中信号的稀疏性、非负性以及空间结构自相似性，从提取的场景反射光谱解析得到高空间分辨率的低光谱图像，通过同步正交匹配追踪算法求解得到稀疏编码矩阵B；

步骤三、联合所述光谱字典Φ和所述稀疏编码矩阵B得到目标图像S。