一种高光谱图像空间分辨率增强方法技术

本发明专利技术公开了一种高光谱图像超分辨率增强方法，该方法首先提取图像中不同场景的反射光谱，通过压缩感知字典学习算法得到强稀疏性、弱相干性的光谱字典；其次利用高光谱场景中信号的稀疏性、非负性以及空间结构自相似性，从提取的场景反射光谱解析得到高空间分辨率的低光谱图像，通过同步正交匹配追踪算法求解得到稀疏编码矩阵；最后联合光谱字典和稀疏编码矩阵得到目标图像。由于联合使用图像的空间与光谱信息，模拟数据和真实数据实验结果表明，本发明专利技术方法相比于传统方法和矩阵分解方法，能够有效重建高光谱图像细节信息与纹理结构，有效提高波段平均峰值信噪比、波段平均结构相似度以及光谱角度映射，并且更好的保持光谱信息。

A spatial resolution enhancement method for hyperspectral images

The invention discloses a hyperspectral image super-resolution enhancement method, which firstly extracts the reflective spectrum of different scenes in the image, and obtains the spectral dictionary with strong sparsity and weak coherence by compressive sensing dictionary learning algorithm; secondly, it utilizes the sparsity, non-negativity and spatial structure of the signal in the hyperspectral scene. Similarity, LOW-SPECTRAL images with high spatial resolution are obtained from the extracted scene reflectance spectra. Sparse coding matrix is obtained by synchronous orthogonal matching pursuit algorithm. Finally, target images are obtained by combining spectral dictionary and sparse coding matrix. Due to the joint use of spatial and spectral information of images, experimental results of simulated and real data show that compared with traditional methods and matrix decomposition methods, the proposed method can effectively reconstruct the details and texture structure of hyperspectral images, effectively improve the average peak signal-to-noise ratio (PSNR) of bands, the average structure similarity of bands, and so on. Spectral angle mapping, and better maintain spectral information.

【技术实现步骤摘要】
一种高光谱图像空间分辨率增强方法
本专利技术隶属于光电成像探测和图像处理领域，涉及一种新的高光谱偏振图像超分辨率增强方法。
技术介绍
高光谱成像技术是20世纪80年代以来综合对地观测的重要组成部分，将成像技术与光谱技术结合在一起，包含丰富的空间、辐射和光谱信息，具有光谱连续、图谱合一的特性。高光谱图像由于良好的光谱特性，已经广泛应用于地质勘查、海洋监测、战场侦察等领域。另外在医学成像中，通过高光谱成像技术获得的空间分辨光谱成像提供了关于组织生理学，形态学和组成的诊断信息。遥感图像的空间分辨率是衡量高光谱遥感影像质量的一个重要指标，反映了图像上能看到的地面最小目标尺寸，决定了实际应用中对地面目标的检测识别能力。受到成像条件和成像环境影响，获取的图像空间分辨率较低，导致大量混合像素，大大降低后续的检测和识别性能，进而影响到军事和民用领域的诸多应用，因此提高高光谱图像的空间分辨率具有重要意义。为解决该问题，有研究者提出使用高分辨率传感器的简单解决方案，但是进一步降低了到达传感器光子的密度，在许多应用场合不可行。由于硬件设备的限制，采用基于软方法的图像超分辨率技术是提升图像空间分辨率的有效手段。超分辨率(SuperResolution，SR)问题的性质不足，已经提出多种正则化方法来解决该问题，包括基于插值的方法、基于多帧图像的方法、基于样本学习的单帧图像超分辨率方法。这些方法在灰度图像或彩色图像上取得较好的重建效果，但是直接应用于高光谱图像结果并不理想。高光谱图像SR问题，不仅应该提高空间域信息，而且需要保持光谱信息。经典的基于凸集投影的高光谱图像SR方法，融合多个光谱带的信息提高空间分辨率，并将观测场景的频谱重建为少量频谱基函数的组合。为了估计运动参数，有学者提出基于最大后验的多帧图像SR方法，利用主成分分析减少计算负荷并重建高分辨率图像。然而，基于多帧图像的SR方法需要精确的配准过程。为了克服这个困难，近年来基于压缩感知(CompressiveSensing，CS)的方法得到足够重视，可以从高分辨率的训练图像中学习，得到重建的高分辨率图像的高频细节。针对高光谱图像各波段噪声强度不同，空间域和光谱域均存在噪声污染的问题，有学者提出了基于分组三维离散余弦变换字典的稀疏表示方法；为了增强高光谱图像的空间分辨率，有学者利用矩阵分解的方法将高光谱图像与全色图像融合，有提出光谱解混合与稀疏编码方法，用于高光谱图像与RGB图像融合，还有学者利用耦合光谱解混合的方法融合多光谱和高光谱遥感图像，提高高光谱图像的空间分辨率。上述方法在一定程度上提高了图像的空间分辨率，但是没有行之有效的方法引入光谱域信息提高重建效果，存在光谱信息失真问题。与高光谱成像系统相比，低光谱分辨率成像系统场景辐射的总体量化虽然消除大部分的光谱信息，但是能够较好的保留场景图像的空间结构信息，利用该成像系统获取的高分辨率图像有助于提高高光谱图像的空间分辨率。
技术实现思路
基于此，本专利技术提出了一种高光谱图像空间分辨率增强方法，包括了如下步骤：步骤一、提取图像中不同场景的反射光谱，通过压缩感知字典学习算法得到强稀疏性、弱相干性的光谱字典Φ；步骤二、利用高光谱场景中信号的稀疏性、非负性以及空间结构自相似性，从提取的场景反射光谱解析得到高空间分辨率的低光谱图像，通过同步正交匹配追踪算法求解得到稀疏编码矩阵B；步骤三、联合所述光谱字典Φ和所述稀疏编码矩阵B得到目标图像S。所述步骤一中的光谱字典Φ通过如下公式进行计算：其中，Xh为高分辨率训练集，h表示高分辨率，将训练图像块的所有列向量连接成矩阵Xh，Xh＝{x1,...,xi,...xmn},xi表示预处理后的图像块形成的列向量，mn表示训练集的数量，m，n分别表示空间维尺寸，A∈Rd×mn表示所有稀疏表示系数αi的矩阵，V0是稀疏约束参数，V1是相干性阈值，W是观测矩阵，d表示字典原子个数。所述步骤二中的稀疏编码矩阵B通过如下公式进行计算:其中，ε表示误差项，P表示三维原始输入信号，是P二维形式，通过连接P中的像素形成的二维矩阵形式，T∈Rl×L是变换矩阵，是字典φ变换后得到的，βPi表示矩阵Bp的第i列，M，N表示空间维尺寸，l表示光谱维数，M＞＞m，N＞＞n，L＞＞l。通过公式(2)计算稀疏编码矩阵B时，进行i次迭代运算，i＝i+1。步骤描述如下：步骤2.1、计算每个字典原子与当前图像块近似残差的累积相关性bj，即步骤2.2、步骤2.3、步骤2.4、步骤2.5、更新残差：步骤2.6、如果||Ri||F>σ||Ri-1||F，则算法停止，否则继续下一次迭代。其中，在进行所述第i次迭代之前，还包括初始化步骤：i＝0；初始化解：B0＝0；初始残差：初始化引集：row-supp{B}＝{1≤t≤d,βt≠0},表示矩阵B中非0行的基数，βt是矩阵B的第t行。通过上述方法得出目标图像S＝φB。本专利技术的有益技术效果：1.更好地提高了边缘的锐度并且恢复了更多的图像细节信息，例如目标图像上方参照物的边缘信息；2.更好地重建了目标图像的轮廓边缘及细节信息，提高了目标图像边缘锐度以及目标图像周围的细节；3.具有更好的超分辨率重建效果。附图说明图1为“大学校园”图像不同SR方法重建效果图图1(a)为高分辨率参考图像图1(b)为双三次插值方法的重建图像图1(c)为MF方法的重建图像图1(d)为本专利技术方法的重建图像图2为“卡车”缩比模型不同SR方法重建效果图2(a)为高分辨率参考图像图2(b)为双三次插值方法的重建图像图2(c)为MF方法的重建图像图2(d)为本专利技术方法的重建图像图3为不同SR方法重建图像的光谱比较图3(a)为“大学校园”图像图3(b)为“卡车”缩比模型图像图4APSNR、ASSIM和SAM与图像块尺寸之间的关系图5不同方法在不同分辨率提升倍率下重建图像的APSNR、ASSIM和SAM指标图6为本专利技术的高光谱图像空间分辨率增强方法流程图具体实施方式下面结合附图对本申请作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本申请进行进一步的说明，不能理解为对本申请保护范围的限制，该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。如图6所示，在本专利技术中，提出了一种高光谱图像空间分辨率增强方法，该方法包括了如下步骤：步骤一、提取图像中不同场景的反射光谱，通过压缩感知字典学习算法得到强稀疏性、弱相干性的光谱字典Φ；高光谱图像超分辨率的目标是从已经获得的低分辨率高光谱图像Yh和相应的高分辨率图像Y中恢复得到高分辨率的高光谱图像S，其中Yh∈Rm×n×L，Y∈RM×N×l，S∈RM×N×L，M、m、N和n表示空间维尺寸，L和l表示光谱维数。由于M＞＞m,N＞＞n,L＞＞l，使得该问题不适定，考虑将Yh和Y分别作为目标图像S的线性映射如下：Yh∈ψh(S),Y∈ψ(S)其中ψh表示RM×N×L→Rm×n×L，ψ表示RM×N×L→RM×N×l。由高光谱图像的稀疏性先验信息可知，高光谱图像场景中通常只包含少数不同的材料，并且与整个图像相比，每个像素中通常只包含非常少的不同光谱。因此Yh中的像素yh可以通过线性组合光谱字典Φ的原子进行表示，其中yh∈RL，可用如下矩阵形式表示yh：yh≈本文档来自技高网...

【技术保护点】
1.一种高光谱图像空间分辨率增强方法，其特征在于，该方法步骤描述如下：步骤一、提取图像中不同场景的反射光谱，通过压缩感知字典学习算法得到强稀疏性、弱相干性的光谱字典Φ；步骤二、利用高光谱场景中信号的稀疏性、非负性以及空间结构自相似性，从提取的场景反射光谱解析得到高空间分辨率的低光谱图像，通过同步正交匹配追踪算法求解得到稀疏编码矩阵B；步骤三、联合光谱字典Φ和稀疏编码矩阵B得到目标图像S。

【技术特征摘要】
1.一种高光谱图像空间分辨率增强方法，其特征在于，该方法步骤描述如下：步骤一、提取图像中不同场景的反射光谱，通过压缩感知字典学习算法得到强稀疏性、弱相干性的光谱字典Φ；步骤二、利用高光谱场景中信号的稀疏性、非负性以及空间结构自相似性，从提取的场景反射光谱解析得到高空间分辨率的低光谱图像，通过同步正交匹配追踪算法求解得到稀疏编码矩阵B；步骤三、联合光谱字典Φ和稀疏编码矩阵B得到目标图像S。2.根据权利要求1所述的高光谱图像空间分辨率增强方法，其特征在于，所述步骤一中的光谱字典Φ通过如下公式进行计算：其中，Xh为高分辨率训练集，h表示高分辨率，将训练图像块的所有列向量连接成矩阵Xh，Xh＝{x1,...,xi,...xmn},xi表示预处理后的图像块形成的列向量，mn表示训练集的数量，m，n分别表示空间维尺寸，A∈Rd×mn表示所有稀疏表示系数αi的矩阵，V0是稀疏约束参数，V1是相干性阈值，W是观测矩阵，d表示字典原子个数。3.根据权利要求1所述的高光谱图像空间分辨率增强方法，其特征在于，所述步骤二中的稀疏编码矩阵B通过如下公式...

【专利技术属性】
技术研发人员：徐国明，许蒙恩，王峰，袁宏武，万家华，
申请(专利权)人：徐国明，
类型：发明
国别省市：安徽,34