[发明专利]基于彩色图像融合的多光谱图像超分辨率重建方法

说明书

本发明公开了一种基于彩色图像融合的多光谱图像超分辨率重建方法。该方首先采集并配准高分辨率彩色图像和低分辨率多光谱图像，然后获取耦合在彩色图像中的逆相机响应函数和光谱敏感函数，并构建基于采集图像内容的观测模型。高分辨率多光谱图像根据该模型求解，首先从采集的RGB图像中提取边界结构信息，以引导高分辨率多光谱图像的重建，然后从采集的多光谱图像中训练得到解空间的基，并构建基于图像融合的迭代算法框架以求解多光谱图像在空间基上的系数，最后将系数与空间基结合得到高分辨率多光谱图像。本发明通过利用RGB图像的边界引导与内容融合，减少了传统多光谱图像超分辨率方法由于信息缺失而产生的误差，提高了多光谱图像的重建精度。

技术领域

本发明涉及提升多光谱图像的空间分辨率，尤其涉及一种利用彩色图像的边界引导与内容融合进行多光谱图像超分辨率重建的方法。

背景技术

多光谱成像可以记录场景丰富的光谱信息，因此在各领域引起了广泛的关注，如生物，遥感，颜色复制等。多光谱成像系统通常由可调谐滤波器组和单色相机组成，其能在可见光谱波段采集一系列连续的窄带通道图像。多光谱成像系统可以达到很高的谱域分辨率，但受到系统硬件等因素的困扰，其在空域分辨率上有着严重的局限性。

为了提升多光谱图像的空间分辨率，一种在遥感领域应用较广的方法是全色锐化，即将低分辨率的多光谱图像与一张单通道的高分辨率的全色图像进行融合。这类融合方法通常通过在变换域进行成份替换或者细节注入来实现。然而只有一张可用的高分辨率图像，全色锐化方法会在补偿空间细节的同时造成明显的光谱失真。

为了解决这个问题，最近的图像融合算法利用多个通道的高分辨率图像来提升光谱数据的精度。根据多光谱图像在光谱域和空间域上的退化模型，图像融合问题可以用贝叶斯推理表述。贝叶斯推论可将场景的先验信息结合到多光谱图像的求解中，合适的先验信息可以改善求解的质量。Q.Wei,等人在文献【“Bayesian fusion of hyperspectral andmultispectral images,”IEEE International Conference on Acoustics,Speech andSignal Processing,3176–3180,IEEE(2014).】中遵循这一策略，将场景中光谱的分布信息可以用线性混合模型描述，且一种吉布斯采样算法被提出，使重建的光谱分布与先验分布渐进。先验信息的提取需要额外的计算，其降低了重建的效率；同时先验信息的提取往往不够准确，影响了重建的精度。

在多光谱图像和多通道高分辨率图像融合的过程中，矩阵分解往往被用来消去多光谱图像的冗余性，从而提升重建的精度。矩阵分解通常基于谱分解理论，其介绍了多光谱数据可被分解成一组谱基和对应的线性系数。Q.Wei,等人在文献【“R-fuse:Robust fastfusion of multiband images based on solving a Sylvester equation,”IEEE signalprocessing letters,1632–1636,IEEE(2016).】中根据谱分解理论，使用字典学习算法从多光谱图像中分解得到谱字典，同时使用稀疏表示算法求解谱字典所对应的系数矩阵。谱分解理论有着非负性，和为一等较强的约束。这些约束的存在限制了解空间的自由度，使重建结果无法达到最优。

当目标多光谱图像位于一个相对高维度的子空间时，图像融合问题通常是病态的。针对这个问题，正则化技术被应用于得到一个合理的近似解。W.Dong,等人在文献【“Hyperspectral image super-resolution via non-negative structured sparserepresentation,”IEEE Transactions on Image Processing,2337–2352,IEEE(2016).】中提出重建的像素谱需与找到的类中心相似这一假设，使用一种基于聚类的正则项来描述像素谱之间的空间相关性。该正则项的使用较好地恢复了重建多光谱图像的光谱信息，却影响了在时域上边界信息的恢复。

发明内容