[发明专利]一种基于结构-纹理分解的遥感图像变分融合方法

说明书

本发明公开了一种基于结构‑纹理分解的多光谱与全色图像变分融合方法，基于遥感领域中PAN图像和HRMS图像之间结构分量和纹理分量的相似性，分别对全局信息和局部空间细节(高阶信息)进行保留。通过梯度稀疏度来确保PAN图像和HRMS图像的结构相似度，根据低轶属性来描述其纹理相似度，提出我们的变分模型。然后通过交替方向乘子法求解该模型，从而得到具有高分辨率的多光谱图像。实验表明：本发明提出的方法考虑到PAN图像和HRMS图像之间结构分量和纹理分量的相似性，使用不同的模拟数据集和真实数据集进行融合实验，与对比方法相比，我们的融合图像的各项指标均最接近于理想值，视觉上最接近于参考图像。

技术领域

本发明属于图像融合领域，涉及一种基于结构-纹理(cartoon-texture)分解的多光谱与全色图像变分融合方法，适用于由低分辨率多光谱图像与高分辨率全色图像融合得到高分辨率多光谱图像的应用场景。

背景技术

在遥感领域，通过卫星获取的地球图像的数据具有重要的应用价值，例如应用于土地覆盖分类，灾害检测和植被绘图等。由于卫星的存储与传输负担等限制，通常使用不同的传感器分别获得同一画面的光谱信息丰富但空间分辨率低的多光谱图像(LRMS)和光谱信息单一但空间分辨率高的全色图像(PAN)，并通过对其进行融合来获得同时具有丰富的光谱信息和高分辨率的多光谱图像(HRMS)，以便有利于对信息的分析和理解，该图像融合技术也被称为全锐化技术。

基于不同的融合原理，全锐化方法通常被分为4类，包括成分替换方法(componentsubstitution，CS)，多分辨率分析法(multi-resolution analysis，MRA)，基于深度卷积神经网络(deep convolutional neuron network-based，DCNN)的全锐化方法，以及变分法。CS方法将MS图像映射到一个新的空间，用PAN图像替换其中的空间分量后逆变换到原空间。MRA方法是通过多分辨率分解提取出PAN图像的细节然后将其注入MS波段中，这两类全锐化方法均可以得到分辨率较高的多光谱图像，但通常遭受严重的光谱失真或局部伪像。随着深度学习理论的不断发展，研究人员们开始探索基于深度学习的全锐化方法(deeplearning-based pansharpening method，DLP)，并展现出优异的性能。但这类方法需要大量的计算资源和训练数据，因此在资源受限的情况下缺乏灵活性。近年来，变分方法依靠其优异的融合效果成为了一个广受欢迎的融合方法，这类方法的核心为基于某些假设和先验信息建立目标能量函数。例如，C.Chen等提出引入L_2,1约束来鼓励动态梯度稀疏性和群体稀疏性的SIRF方法，较好的提升了融合质量。X Fu等提出一种基于局部梯度约束(LocalGradient Constraint，LGC)的全锐化变分模型，该方法考虑PAN和HRMS图像在不同局部块和光谱波段中的梯度差异来进行局部梯度约束，实现了高质量的锐化。

在已提出的众多变分方法中，考虑到PAN图像和MS图像取自同一场景，它们具有共同的几何特征，因此通常利用梯度相似性来对取自同一场景的PAN图像和MS图像的几何结构一致性进行约束。然而梯度算子只能获得图像的一阶边缘信息，因此融合过程中全色图像的高阶空间信息并未得到有效的利用。

发明内容

本发明针对现有变分方法的不足，提供一种新的将卡通-纹理分解与二阶导变分模型结合的变分全锐化方法。

本发明所采用的技术方案是：一种结构-纹理分解与二阶导变分模型结合的变分全锐化方法。图1展示了一张全色图像的梯度图像以及结构-纹理分量，其中结构分量包含了全局结构信息，而纹理分量中包含着一些梯度图像中不存在的图案细节(即高阶信息)，这对于全锐化过程中的细节信息提取更有利。基于PAN图像和HRMS图像之间结构分量和纹理分量的相似性，我们分别使用梯度稀疏性和低轶性进行先验约束来保留空间信息，通过数据保真项保留MS图像的光谱信息，通过交替方向乘子法(alternative directionmultiplier method，ADMM)制定并求解变分模型，从而获得具有高分辨率的多光谱图像。