基于概率矩阵分解的高光谱图像锐化方法技术

基于概率矩阵分解的高光谱图像锐化方法，属于遥感图像处理领域，其特征在于根据对同高度下同一目标地区同时拍摄的一幅低分辨的高光谱图像和一幅高分辨的多光谱图像以及多光谱摄像头对应高光谱图像的频率响应矩阵、分解矩阵维数和算法迭代次数，基于高分辨的高光谱图像中像素光谱矢量只由少量隐藏光谱特征矢量线性叠加形成的假定，先对输入的两幅图像进行预处理，列出两幅处理后的图像与待求高分辨的高光谱图像的数学方程，建立贝叶斯模型，用变分法计算分解矩阵的后验概率分布，得到分解矩阵中隐藏光谱特征矩阵，对应于两幅预处理后图像的线性叠加矢量的均值，从而获得待求高分辨的高光谱图像，本发明专利技术在高锐化精度的同时大幅降低了计算的耗时，且易于调节。

【技术实现步骤摘要】

本专利技术涉及一种基于概率矩阵分解的高光谱图像锐化方法，属于遥感图像处理领域。
技术介绍
光谱图像是指对同一拍摄目标在不同光谱波段上形成的多幅图像集合。依照图像成像的光谱分辨率(光谱分辨率，指仪器所能识别的不同光波的波长间隔；高光谱分辨率，指所能分辨不同光波波长间隔小，对于不同的遥感卫星标准也不一样，高光谱分辨率的标准也不同，此处仅作泛指，下同)，光谱图像分为多光谱图像(可分辨的波长差为100nm)、高光谱图像(可分辨的波长差为10nm)和超光谱图像(可分辨的波长差为1nm)。目前，高光谱图像在遥感领域有着许多应用，许多遥感图像的分类识别任务希望图像的空间分辨率尽可能高(高空间分辨率，简称高分辨，指图像所能识别地面的物理距离非常小，单位区域内成像的像素点非常多，高分辨率对于不同的卫星标准也不同，这里泛指所有场景的高分辨图像要求，下同)，这样遥感卫星对地面目标定位识别越精确。然而，高分辨的高光谱图像获取困难：一方面该图像数据量大，无线传输成本高；另一方面，这种图像光学成像困难，图像的空间分辨率和光谱分辨率存在矛盾和折中，即，高空间分辨的图像，光谱分辨率相对较低，反之亦然。因此，对同一本文档来自技高网...

【技术保护点】
基于概率矩阵分解的高光谱图像锐化方法，其特征在于：所述高光谱图像锐化是指在通信接收端把输入的一幅低分辨的高光谱图像和一幅高分辨的多光谱图像融合生成一幅高分辨的高光谱图像，从而折中地解决遥感领域中图像的空间分辨率和光谱分辨率矛盾的一种方法，所述高光谱图像锐化方法是在通信接收端的一台计算机中依次按一下步骤实现的：步骤(1)：输入要求参数，实现计算机初始化用一台机载可见光/红外成像光谱仪对同一目标拍摄一幅低分辨的高光谱图像简称为X，以及一幅高分辨的多光谱图像简称为Y，其中：L为所述图像X的光谱通道数，l为所述图像Y的光谱通道数，l＜＜L,n为所述图像X的各光谱波段的成像像素点数，N为所述图像Y的各光...

【技术特征摘要】
1.基于概率矩阵分解的高光谱图像锐化方法，其特征在于：所述高光谱图像锐化是指在通信接收端把输入的一幅低分辨的高光谱图像和一幅高分辨的多光谱图像融合生成一幅高分辨的高光谱图像，从而折中地解决遥感领域中图像的空间分辨率和光谱分辨率矛盾的一种方法，所述高光谱图像锐化方法是在通信接收端的一台计算机中依次按一下步骤实现的：步骤(1)：输入要求参数，实现计算机初始化用一台机载可见光/红外成像光谱仪对同一目标拍摄一幅低分辨的高光谱图像简称为X，以及一幅高分辨的多光谱图像简称为Y，其中：L为所述图像X的光谱通道数，l为所述图像Y的光谱通道数，l＜＜L,n为所述图像X的各光谱波段的成像像素点数，N为所述图像Y的各光谱波段的成像像素点数，n＜＜N；输入多光谱摄像头对应高光谱图像的频率响应矩阵简称光谱响应矩阵F；手动设置分解矩阵维数r和算法迭代次数Δ，其中参数r控制分解矩阵的行数；令所述融合后的高分辨率的高光谱图像为简称为待求图像Z，光学成像原理表明：X＝ZB，Y＝FZ，其中为高分辨图像到低分辨图像的响应矩阵；步骤(2)：对所述图像X用线性插值运算矩阵C插值，且是一个已知固定常数矩阵；由于X＝ZB，因此，得到的插值图像满足即所述插值图像是待求图像Z经分辨率的降低后插值形成的图像；步骤(3)：在下述假设和推导下，待求图像Z近似为表示转置运算；假设：所述图像Z中的像素光谱矢量是由少量隐藏的光谱特征矢量经过线性叠加形成，这些光谱特征矢量为矩阵U的每一行，像素光谱矢量对应的叠加系数为矩阵T的每一行，则有Z＝U'T+R，其中r表示分解矩阵U的行数，也表示隐藏光谱特征矢量的个数，该参数在步骤(1)中人为预先设定；残余项趋近于0，故设R为各向同性的高斯噪声；令G＝BC,W＝TG,V＝T-W,N＝RG,则若近似认为所述残余项R满足R≈N，则待求图像Z满足其中步骤(4)：按以下步骤计算所述图像Y的残差变换图像其中步骤(4.1)：对所述图像Y进行预处理，消去其中只含在所述插值图像中的高光谱成分，得到残差图像矩阵光学成像原理表明：Y＝FZ，所以步骤(4.2)：通过残差图像变换矩阵对所述残差图像矩阵E进行变换，以便把所述残差图像E中各向异性高斯噪声转变为和所述残余项同分布的各向同性高斯噪声，其中：分解矩阵Q和分解矩阵D通过对矩阵(FF')-1进行奇异值分解获得，Q满足QDQ'＝(FF')-1，D为对角矩阵，表示对对角矩阵D中元素进行算术平方根运算；通过残差图像变换矩阵Φ，得到变换后的光谱响应矩阵以及残差变换图像步骤(5)：根据计算所得的残差变换图像和线性插值图像用变分贝叶斯方法迭代求取待求图像Z的分解矩阵U,V和W，得到U'V，从而估算出待求图像Z，所用变分贝叶斯方法步骤如下：步骤(5.1)：根据分解矩阵的维数r、所述图像Y的各光谱波段的成像像素点数N和所述图像X的光谱通道数L，见步骤(1)，确定分解矩阵和的大小,在此基础上初始化下列参数：1r×N表示大小为r×N的全1矩阵；α‾n(0)=α‾u(0)=α‾v(0)=α‾w(0)=1;]]>Ir表示大小为r×r的单位矩阵；[WW′‾](0)=W‾(0)(W‾(0))′+NΣw(0);[VV′‾](0)=V‾(0)(V‾(0))′+NΣV(0);]]>U‾(0)=0;Σu(0)=0;[UF~′F~U′‾](0)=[UU′‾](0)=0;]]>步骤(5.2)：总迭代次数用Δ表示，第t次迭代的各分解矩阵的取值表示为(·)(t)，符号的上划线表示符号的概率意义上的均...

【专利技术属性】
技术研发人员：陶晓明，林柏洪，葛宁，陆建华，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11