[发明专利]一种基于空间-光谱联合低秩的高光谱与多光谱图像融合方法

说明书

本发明属于高光谱与多光谱图像融合领域，具体提供一种基于空间‑光谱联合低秩的高光谱与多光谱图像融合方法，通过对空间‑光谱维度的非局部低秩表示和相关优化方法实现高光谱与多光谱图像的融合。在尽可能减少光谱失真的前提下，利用已知多光谱图像丰富的空间信息进行非局部自相似数据块的提取，接着考虑重构图像空间和光谱维度的低秩特性，采用低变换张量秩的方式探索图像中的相似性和相关性，最后通过分段优化的思想和交替方向乘子法迭代求解目标优化函数实现高光谱与多光谱图像的融合。本发明通过非局部联合低秩实现了高光谱与多光谱图像的有效融合，从而得到高分辨率的高光谱图像，进一步使得光谱图像的应用更加广泛。

技术领域

本发明涉及遥感图像融合领域，具体涉及一种基于空间-光谱联合低秩的高光谱与多光谱图像融合方法。

背景技术

在遥感信息领域，高光谱图像具有广泛的应用，例如地物分类、地质勘测和军事监测等。然而，受到高光谱成像设备和太阳辐射照度的限制，设计光谱成像仪时需要在分辨率和光谱波段数之间进行权衡。现有的光谱成像仪很难直接获得具有高分辨率的高光谱图像，但是获得低分辨率的高光谱图像和同一场景下高分辨率的多光谱图像却是相对简单的。之后就可以将低空间分辨率的高光谱图像和高分辨率的多光谱图像进行融合来获得高分辨率的高光谱图像，使得高光谱图像可以更加广泛地应用于各种领域。

光谱图像融合的目的是为了充分提取并利用已知高光谱图像的丰富光谱特征信息和已知多光谱图像的丰富空间特征信息，得到具有高分辨率的高光谱图像。现有的融合方法大致可以分为四类，基于全色锐化的方法、基于矩阵的方法、基于深度学习的方法和基于张量的方法。基于全色锐化的融合方法操作简单，但容易产生较大的光谱失真。基于矩阵的方法计算复杂度较低，但很难去完整地探索图像各阶之间的相关性。基于深度学习的方法需要大量的高光谱图像作为模型的训练集，在具体应用中并不容易实现。考虑到张量在表示多阶多维数据方面的优势，且已知的多光谱图像提供了丰富的空间信息，已知的高光谱图像提供了丰富的光谱信息，针对上述方法的不足，为了更完整地利用已知图像的信息，本发明提出一种新的空间-光谱联合低秩的基于张量的高光谱与多光谱图像融合方法。

发明内容

本发明针对现有光谱图像融合方法存在的不足之处，提供一种新的空间-光谱联合低秩的基于张量的光谱图像融合方法。

本发明技术方案为：一种基于空间-光谱联合低秩的高光谱与多光谱图像融合方法，包括下列的步骤：

S1：输入待融合的高光谱图像和多光谱图像。

S2：进行非局部自相似数据数据块的提取，将相似的数据块进行聚类，然后重新排列，以便探索其非局部低秩结构；

S3：进行低秩约束，对重构的结果进行空间-光谱联合低变换张量秩的约束；

S4：建立融合模型并利用交替方向乘子法(Alternating Direction Method ofMultipliers，ADMM)进行求解，从而得到光谱图像的融合结果。

其中，步骤S1包括如下步骤：

S11：输入低分辨率的高光谱图像和高分辨率的多光谱图像。高光谱图像用张量来表示，其中w×h表示高光谱图像空间维度的尺寸，N表示光谱波段数。多光谱图像用张量来表示，其中W×H＞＞w×h表示多光谱图像空间维度的尺寸，n＜＜N表示光谱波段数。融合得到的高分辨率高光谱图像用张量来表示。

其中，步骤S2包括如下步骤：

S21：对已知的多光谱图像在空间维度上进行有重叠的切分，得到m个子数据块

S22：对切分得到的图像块利用K-means++算法进行聚类，切分过后的数据块会被分为K簇其中M_k表示第k簇中数据块的个数。

S23：对聚类过后同一簇中的数据进行展开和堆叠的操作，得到K个三阶张量