[发明专利]一种基于分类学习的多光谱遥感图像融合方法

摘要

本发明属于图像处理领域，提出了一种基于分类学习的遥感图像融合方法，包括以下步骤：S101、将M1、M2和L1转换为地表反射率数据，并进行图像配准；S102、对t1时刻下高分辨率图像L1的所有光谱波段进行分类处理，得到总类别为k的高分辨率分类图像K；S103、计算L1、M1、M2分别经数据正则化后的反射率图像；S104、根据高分辨率分类图像K的分类结果，得到反射率图像的所有类别的反射率“原子”矩阵；S105、计算t2时刻下各个类别下的稀疏系数矩阵和高分辨率过完备字典；S106、分类别计算目标时刻t2下各个类别j的高分辨率类别反射率，并还原为目标时刻t2下的高分辨率正则化图像。本发明有效保持了图像的光谱分布特征，可广泛应用于遥感图像处理领域。

主权项

1.一种基于分类学习的多光谱遥感图像融合方法，其特征在于，包括以下步骤：S101、利用辐射定标和大气校正方法将M1、M2和L1从原始的DN(Digital Value)无量纲值转换为具有地学物理意义的地表反射率数据，并且利用重采样方法将低分辨率图像M1和M2的像元尺寸采样到与L1的像元尺寸相同并进行图像配准；其中，M1和M2分别表示t1、t2时刻下对应相同地表覆盖区域的低分辨率光学遥感图像，L1表示t1时刻下对应相同地表覆盖区域的高分辨率光学遥感图像，L2表示待求取的t2时刻下对应相同地表覆盖区域的高分辨率光学遥感图像，所述图像M1、M2、L1、L2的谱段范围与数量均对应，且其谱段数量总数为b；S102、利用非监督图像分类方法对t1时刻下高分辨率图像L1的所有光谱波段进行分类处理，得到总类别为k的高分辨率分类图像K；S103、计算L1、M1、M2分别经数据正则化后的反射率图像L′1、M′1、M′2；S104、根据高分辨率分类图像K的分类结果，将经数据正则化处理得到的反射率图像L′1、M′1、M′2中某波段i(i∈[1，b])上属于类别j(j∈[1，k])的所有像元按顺序进行分类提取、标记，以形成它们的第j个类别反射率“原子”矩阵K(j，L′1)、K(j，M′1)、K(j，M′2)中的一个与波段i相关的“原子”K(j，L′1，i)、K(j，M′1，i)和K(j，M′2，i)，以此类推，对L′1、M′1、M′2图像中的所有波段均进行上述处理，可分别得到发射率图像L′1、M′1、M′2的第j个类别反射率“原子”矩阵K(j，L′1)、K(j，M′1)、K(j，M′2)；然后对反射率图像L′1、M′1、M′2重复以上操作，得到他们的所有类别的反射率“原子”矩阵；S105、计算各个类别j下的低分辨率过完备字典和t₁时刻下类别j的稀疏系数矩阵并根据和计算得到t₂时刻下各个类别j下的稀疏系数矩阵和各个类别j的高分辨率过完备字典计算时限定不同时相下的同一传感器图像可用相同的过完备字典表示，同一时相下的高、低分辨率图像具有相同的稀疏系数矩阵；S106、分类别计算目标时刻t2下各个类别j的高分辨率类别反射率K(j，L′2)，计算公式为：最后，按照波段、类别顺序以及像元标记规则将高分辨率类别反射率K(j，L′2)还原为目标时刻t2下的高分辨率正则化图像L′2，即为最终的融合图像L2。