一种基于分类学习的多光谱遥感图像融合方法技术

本发明专利技术属于图像处理领域，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。本发明专利技术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。

A Multi-spectral Remote Sensing Image Fusion Method Based on Classification Learning

The invention belongs to the field of image processing, and proposes a remote sensing image fusion method based on classification learning, which includes the following steps: S101, transforming M1, M2 and L1 into surface reflectance data, and image registration; S102, classifying all spectral bands of high resolution image L1 at T1 time, and obtaining high resolution classification image K S103 with total category k, and calculating L1; The reflectivity images of M1, M2 are regularized by data respectively; S104, according to the classification results of high-resolution classification image K, the reflectivity \atom\ matrices of all categories of reflectivity images are obtained; S105, sparse coefficient matrices and high-resolution over-complete dictionaries of each category at the time of calculating t2; S106, high-resolution categories of J at the time of target at the time of calculating T2 at the time of classification. The reflectivity is restored to the high resolution regularized image at the target time t2. The invention effectively maintains the spectral distribution characteristics of the image and can be widely used in the field of remote sensing image processing.

【技术实现步骤摘要】
一种基于分类学习的多光谱遥感图像融合方法
本专利技术属于图像处理领域，具体涉及一种基于分类学习的遥感图像融合方法。
技术介绍
遥感图像融合已从传统的全色与多光谱融合发展到如今的时-空-谱一体化融合，其融合质量与地学物理意义均得到有效提升，融合所采用的技术手段也愈加丰富，如基于主成分变换、小波变换等的融合方法。近年来随着超分辨率重构、压缩感知及稀疏学习理论与技术的日趋成熟，利用机器学习方法来进行图像融合处理尤其是基于遥感反演量的融合方法已初步提出，如基于单数据对和双数据对的稀疏学习融合算法，其主要思想是通过对输入的高、低分辨率遥感图像进行基于字典学习的稀疏编码，分别得到高、低分辨率图像的过完备字典以及目标时相下低分辨率图像的稀疏系数矩阵，在“同一时相下高、低分辨率图像具有相同稀疏系数矩阵”这一前提下，高分辨率图像进而能够通过高分辨率过完备字典与低分辨率图像的稀疏系数矩阵重构得到。这类方法是的优势是对于以物候变化为主的地表覆盖区域其融合精度高于现存其他融合方法，但缺点是对于以类型变化为主的地表覆盖区域其融合精度与稳定性较差，尤其是对于利用单数据对(已知研究区t1时刻下的高、低分辨率图像和本文档来自技高网...

【技术保护点】
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...

【技术特征摘要】
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(DigitalValue)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...

【专利技术属性】
技术研发人员：李大成，杨文府，刘小松，李彦荣，韩启金，龙小祥，马灵玲，崔林，赵航，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西,14