【技术实现步骤摘要】
基于多尺度特征提取和全变分的异源图像融合方法
[0001]本专利技术涉及图像处理
,尤其涉及一种基于多尺度特征提取和全变分的异源图像融合方法,一种多源图像融合方法,可用于生态监测与生态保护。
技术介绍
[0002]随着传感器技术的不断发展,不同类型传感器采集到的遥感图像包含不同的信息。例如,激光雷达(LiDAR)图像包含空间信息,高光谱图像(HSI)包含丰富的光谱信息。研究表明,HSI与LiDAR图像的融合可以提供互补的光谱、空间和高纬度信息,获得对场景的可靠描述,并已成功应用于土地覆盖分类、变化检测等。
[0003]然而,HSI与激光雷达数据的自动融合是一个非常具有挑战性的任务。首先要考虑的是如何从HSI和LiDAR数据中提取有效的特征,避免休斯现象。而且,在融合过程中,数据特征的简单叠加可能会产生冗余信息。因此,迫切需要一种实用有效的特征融合方法。
[0004]为了结合多源图像中的异构信息,已经提出了多种特征融合方法。这些方法大致可以分为六类:基于特征的栈结构、多核学习、稀疏表示、基于图的方法和深度学习。其中,基于特征的栈结构方法通过叠加特征以创建光谱空间立方体的方法。这种方法相对简单。然而,分配给每个像素的叠加特征向量具有高维数,这导致维数灾难和有限数量的可用训练样本。基于多核学习的融合方法能有效地集成多源数据,但是,构建一个可接受的内核并选择其参数是一项具有挑战性的工作。基于稀疏表示的方法通过创建字典和调整稀疏系数解决方案来结合异构特征,这种方法不需要任何数据分布或数学估计假设。然而,如 ...
【技术保护点】
【技术特征摘要】
1.基于多尺度特征提取和全变分的异源图像融合方法,其特征在于,包括以下步骤:步骤1,获取同一地理位置的原始异源图像,即高光谱图像H与激光雷达图像L;其中,高光谱图像H与激光雷达图像L的分辨率相同;步骤2,分别提取高光谱图像H与激光雷达图像L的拓展多属性剖面,得到高光谱图像的空间特征EMAP
H
与激光雷达图像的空间特征EMAP
L
;步骤3,将高光谱图像与激光雷达图像的光谱特征和空间特征进行堆叠;对堆叠后的数据进行主成分分析,得到特征缩减后的数据F;步骤4,建立增加正则化约束的全变分模型,即相对全变分模型,采用所述相对全变分模型处理特征缩减后的数据F,得到高光谱图像与激光雷达图像的特征融合图像S。2.根据权利要求1所述的基于多尺度特征提取和全变分的异源图像融合方法,其特征在于,步骤1中,通过剪裁高光谱图像和激光雷达图像,再对剪裁后的图像进行重采样,使两幅图像的分辨率相同。3.根据权利要求1所述的基于多尺度特征提取和全变分的异源图像融合方法,其特征在于,步骤3中,所述分别提取高光谱图像H与激光雷达图像L的拓展多属性剖面,具体过程为:(2.1)对高光谱图像和激光雷达图像的每个波段,针对每个属性的不同结构元素i
′
做属性开操作和属性闭操作,分别得到高光谱图像的属性剖面特征AP
H
和激光雷达图像的属性剖面特征AP
L
;(2.2)利用主成分分析方法分别提取高光谱图像的属性剖面特征AP
H
和激光雷达图像的属性剖面特征AP
L
的前n个主成分分量,对提取的主成分分量进行叠加,得到高光谱图像和激光雷达图像的扩展形态属性EAP
H
与EAP
L
:EAP
H
={AP
H
(PC1),AP
H
(PC2),
…
,AP
H
(PC
n
)},EAP
L
={AP
L
(PC1),AP
L
(PC2),
…
,AP
L
(PC
n
)};其中,AP
H
(PC
n
)为对AP
H
提取的第n个主成分分量,PC
n
为提取的第n个主成分,n为主成分的总个数;AP
L
(PC
n
)对AP
L
提取的第n个主成分分量;(2.3)将高光谱图像和激光雷达图像的每个属性对应的扩展形态属性进行叠加,得到高光谱图像和激光雷达图像的扩展多形态属性,即为高光谱图像的空间特征EMAP
H
与激光雷达图像的空间特征EMAP
L
:EMAP
H
={EAP
H1
,EAP
H2
,
…
,EAP
Hm
,
…
,EAP
H2m
,H},EMAP
L
={EAP
L1
,EAP
L2
,
…
,EAP
Lm
,
…
,EAP
L2m
,L};其中,EAP
Hi
表示高光谱图像的第i个属性的扩展形态剖面,EAP
Li
表示激光雷达图像的第i个属性的扩展形态剖面;高光谱图像的空间特征EMAP
H
与激光雷达图像的空间特征EMAP
L
的维度均为2m+1。4.根据权利要求3所述的基于多尺度特征提取和全变分的异源图像融合方法,其特征在于,所述属性开操作γ
i
′
和属性闭操作φ
...
【专利技术属性】
技术研发人员:冯伟,童莹萍,全英汇,李强,吴普侠,任爱峰,徐楷杰,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:
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。