[发明专利]一种自适应变分遥感影像融合方法

摘要

本发明提出一种自适应变分遥感影像融合方法，该方法通过分析影像的降质过程分别建立多光谱影像与全色影像的观测模型，并利用最大后验估计理论框架对影像融合对应的逆问题进行描述，建立由多光谱影像数据一致性约束、全色影像数据一致性约束和影像先验约束组成的变分影像融合模型；在求解过程中利用梯度下降法进行迭代求解，通过建立合适的函数对正则化参数进行自适应求解，同时保留一个可调参数，以满足不同用户的需求。本方法可以在提高原始多光谱影像空间分辨率的同时有效保持原有的光谱信息，并能够自适应地针对不同的影像数据自动选择合适的正则化参数，因此具有保真度高、自适应程度高等特点。

主权项

1.一种自适应变分遥感影像融合方法，其特征是包括以下步骤：步骤一、建立多光谱遥感影像的观测模型，该观测模型提供高空间分辨率多光谱影像与低空间分辨率多光谱影像之间的对应关系；步骤二、利用传感器的光谱响应函数，建立全色遥感影像的观测模型，该观测模型提供高空间分辨率全色影像与高空间分辨率多光谱影像之间的对应关系；步骤三、利用最大后验概率理论进行贝叶斯推导，使得在给定低分辨率多光谱影像与高分辨率全色影像的前提下，求解高分辨率多光谱影像的后验概率最大；假设y＝[y₁，y₂...y_B]^T为低分辨率多光谱影像，x＝[x₁，x₂...x_B]^T为高分辨率多光谱影像，z为全色影像，其中B为波段总数，推导出由三个概率密度函数构成的贝叶斯推导模型，即其中p(x_b)为第b波段影像x_b的先验分布函数，p(y_b|x_b)为第b波段高分辨率影像x_b存在的情况下低分辨率影像y_b的后验分布函数，p(z|x)为所有波段高分辨率影像x存在的情况下全色影像z的后验分布函数。步骤四、针对以上由三个概率密度函数构成的贝叶斯推导模型，选取合适的具体概率密度函数模型，并进行对数变换，把最大化问题转换为最小化求解问题，建立变分融合模型；其中，在选取p(z|x)和p(y_b|x_b)时分别基于步骤一、步骤二建立的观测模型，并假定噪声分布为高斯类型，建立相应的概率密度函数模型；p(x_b)选择Huber马尔科夫模型作为相应的概率密度函数模型；最终的变分融合模型由三个概率密度函数模型组成，用两组正则化参数λ_b，1和λ_b，2连接，其中b为波段序号；步骤五、利用双三次内插进行影像初始化，并将极值优化问题转换为求解方程组的问题，利用梯度下降法求解融合影像；在求解过程中的每次迭代中，自适应求解正则化参数，所述自适应求解方式为，建立相应的函数，对迭代过程中对两组正则化参数λ_b，1和λ_b，2进行自适应求解；对于λ_b，1的求解，建立一个可调参数λ_tradeoff＝λ_b，1/λ′_b，1，用于针对不同的应用目的进行调节；同时，对每个波段的相对参数λ′_b，1进行自适应求解，利用p(y_b|x_b)的能量函数残差的对数变换建立求解函数；对于λ_b，2的求解，利用p(z|x)、p(y_b|x_b)和p(x_b)的能量值建立一个求解函数，实现对参数的自适应求解；在求解过程中的每次迭代后，判断是否满足迭代终止条件，即前后两次迭代影像之差的平方和除以当前影像平方和是否小于预设的阈值d，若满足则终止迭代输出融合影像，否则继续进行下次迭代，直至满足迭代终止条件。