本发明专利技术涉及一种基于图像块组稀疏编码与成对映射的高光谱含噪图像超分辨率重构方法。该方法分为模型训练和图像重构两个部分。在模型训练阶段，首先利用清晰图像块构造训练集，并将训练集图像块分组构成图像块组；随后利用高斯混合模型训练字典及成对映射关系。在图像重构阶段，首先将图像块分组；然后判断其所属的高斯类，选择相应的字典；最后利用成对映射方法调整其稀疏编码系数，从而求得无噪的高空间分辨率高光谱图像。
【技术实现步骤摘要】
本专利技术属于高光谱图像处理领域，具体涉及一种基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法。
技术介绍
高光谱图像(Hyper-SpectralImages，HSIs)在二维图像的基础上添加光谱维，进而形成三维的图像数据立方体。在获得地表图像信息的同时，也获得其光谱信息，第一次真正做到了光谱与图像的结合。高光谱图像在军事监测、遥感以及医学诊断等多个领域都有着重要的应用。然而高光谱成像仪在提高图像光谱分辨率的同时，损失了空间信息，导致其空间分辨率的降低。此外，在高光谱图像中，由于大气干扰、硬件设备等因素的影响，部分波段图像可能含有不同程度的噪声，图像信噪比较低，在实际应用中不能使用。为了在提高高光谱图像的空间分辨率的同时，有效地去除图像中所含的噪声，本专利技术研究含噪高光谱图像的超分辨率重构问题。图像的去噪与超分辨率重构是两个独立而又相互联系的过程。在传统方法中，含噪图像的超分辨率重构常常采用先利用去噪算法去除噪声再利用超分辨率算法进行重构的方式。然而，此类方法在去噪的过程中会造成图像高频细节信息的损失，这一损失会严重影响其后超分辨率重构的效果。为克服这一问题，近年来，针对含噪的自然图像的超分辨率重构算法被提出。一种有效的做法是，首先对含噪的低分辨率图像进行去噪操作得到无噪的低分辨率图像，其次分别对含噪和无噪的低分辨率图像进行超分辨率重构，得到相应的含噪和无噪高分辨率图像，前者含有噪声但保留了图像的细节信息，后者以损失了图像的高频细节信息为代价去除了噪声。最后，将这两幅图像进行融合从而得到既保留了图像的细节信息又有效去除了噪声的无噪高分辨率图像。无论是图像的去噪过程，还是超分辨率重构过程，图像的自相似冗余都是可以被充分利用的先验知识。基于自相似冗余的图像去噪算法旨在寻求一系列相似的含噪图像块来平滑噪声，例如非局部均值(Non-LocalMeans,NLM)算法就是利用相似图像块的加权平均来移除噪声。在超分辨率重构算法中，有一些研究成果也利用了相似的非局部无噪图像块以提供更多的细节信息。对于高光谱图像，其自身的冗余特性更加明显。由于高光谱成像仪对同一地物在不同波段下成像，从而得到具有多个波段的立方体数据。这一特点使得高光谱图像不仅含有波段内图像的冗余，又增加了波段间图像的冗余，为实现高光谱图像的联合去噪和超分辨率重构提供了更多可以利用的自相似信息。本专利技术针对含噪的高光谱图像进行超分辨率重构，充分利用高光谱图像特有的波段内和波段间的自相似冗余，利用高斯混合模型训练字典，并利用成对映射关系学习调整稀疏编码系数，在去噪同时对高光谱图像进行超分辨率重构，提出一种基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法。
技术实现思路
要解决的技术问题为了避免现有现有的高光谱图像超分辨率重构方法不能有效处理含有噪声的低空间分辨率图像的问题，本专利技术提出一种基于稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法。技术方案为了解决以上问题，本专利技术提供了一种基于图像块组稀疏编码与成对映射的高光谱含噪图像超分辨率重构方法。该方法分为模型训练和图像重构两个部分。在模型训练阶段，首先利用清晰图像块构造训练集，并将训练集图像块分组构成图像块组；随后利用高斯混合模型训练字典及成对映射关系。在图像重构阶段，首先将图像块分组；然后判断其所属的高斯类，选择相应的字典；最后利用成对映射方法调整其稀疏编码系数，从而求得无噪的高空间分辨率高光谱图像。一种基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法，其特征在于步骤如下：步骤1：构造图像块组步骤1a：输入无噪高分辨率HR训练图像块集合X＝{xi本文档来自技高网...
【技术保护点】
一种基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法，其特征在于步骤如下：步骤1：构造图像块组步骤1a：输入无噪高分辨率HR训练图像块集合X＝{xi}，对集合X中的图像块进行下采样操作，得到相应的无噪低分辨率LR训练图像块集合Y＝{yi}，从而得到成对的图像块集合{xi,yi}；步骤1b：按照欧式距离将这些成对的图像块分为N组，每组含有M对相似的图像块步骤1c：将每一组相似的图像块对拉直为列向量xn,m∈RP,yn,m∈Rp，其中P与p分别为高/低分辨率图像块所含像素的个数，计算其相应的均值向量μx,μy；μx=1MΣm=1Mxn,m,μy=1MΣm=1Myn,m---(1)]]>计算记即为成对的高/低分辨率图像块组；步骤2：高斯混合模型学习步骤2a：随机初始化K对高斯模型{Nx(μxk,Σxk),Ny(μyk,Σyk)},k＝1,…,K，其中μ,Σ分别为模型的均值和方差；步骤2b：利用期望最大化EM算法求解公式(2)所示的优化问题，得到参数μxk,Σxk,μyk,Σyk；argmaxμxk,ΣxkΣn=1Nln(Σk=1KπxkΠm=1MNx(x‾n,m|μxk,Σxk))argmaxμyk,ΣykΣn=1Nln(Σk=1KπykΠm=1MNy(y‾n,m|μyk,Σyk))---(2)]]>其中πxk,πyk为权值因子；步骤3：构造高/低分辨率字典对对于每一对高斯模型{Nx(μxk,Σxk),Ny(μyk,Σyk)}中的参数{Σxk,Σyk}，利用奇异值分解SVD算法将其分解为：其中Λxk,Λyk为由Σxk,Σyk的特征值组成的对角阵，即为K对所求的高/低分辨率字典对；步骤4：映射关系学习步骤4a：由公式(3)判断每一组高/低分辨率图像块对所对应的高斯模型k，其中c为常数；argmaxkln P(k|Y‾n)=argmaxkΣm=1Mln Ny(y‾n,m|0,Σyk)-ln c---(3)]]>步骤4b：由公式(4)求解图像块的稀疏表示系数，m＝1,…,M，sgn(·)为符号函数；α^hm=sgn((Dhk)Tx‾n,m)·max(|(Dhk)Tx‾n,m|-1/2,0)α^lm=sgn((Dlk)Ty‾n,m)·max(|(Dlk)Ty‾n,m|-1/2,0)---(4)]]>步骤4c：由公式(5)学习高低图像块稀疏表示系数映射关系；C^k=argminCk||Ah-CkAl||2---(5)]]>其中，若存在不同组的图像块对属于同一高斯模型k，则为其均值；步骤5：输出K对高/低分辨率字典以及成对映射关系步骤6：图像重构步骤6a：输入低空间分辨率含噪高光谱图像Z，K对高/低分辨率字典以及成对映射关系初始化Z(0)＝Z，t＝1，HR高光谱图像G的初始化估计值设为Z的s倍双三次插值图像；步骤6b：迭代规则化δ为规则化常数；步骤6c：估计噪声标准差η为常数；步骤6d：在高光谱图像Z(t)的各个波段图像中，搜索相似的图像块，构造图像块组并计算每一组的均值μz；步骤6e：针对每一组图像块执行以下操作：由公式(6)选择后验概率最大的高斯模型k，c为常数；maxkln P(k|Z‾n)=maxkΣm=1Mln Ny(z‾n,m|0,Σyk+σ2)-ln c---(6)]]>由公式(7)计算含噪图像块组在相应字典下的稀疏编码β^lm=sgn((Dlk)Tz‾n,m)·max(|(Dlk)Tz‾n,m|-1/2,0)---(7)]]>由公式(8)求解含噪低分辨率图像块组相应的无噪高分辨率图像块组g^n,m=DhkC^kβ^lm+μz---(8)]]>步骤6f：整合无噪高分辨率图像块组得到无噪高分辨率高光谱图像步骤6g：t＝t+1，返回步骤6b继续执行，直到达到最大迭代次数Tmax，输出高空间分辨率高光谱图像...
【技术特征摘要】
1.一种基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法，其特征在于...
【专利技术属性】
技术研发人员：李映，杨静，钟依彤，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。