一种自适应空间加权的变分遥感影像空谱融合方法技术

本发明专利技术提出一种自适应空间加权的变分遥感影像空谱融合方法，首先基于遥感影像的降质过程建立影像的观测模型，并建立包含光谱保真项、空间增强项及先验项的变分影像融合模型。其次对空间增强项及先验项分别进行自适应空间加权，在求解过程中的每轮迭代自动求解与自适应调节正则化参数。最后使用交替方向乘子法ADMM对该最优化问题进行迭代求解，从而获得高精度融合影像。本发明专利技术在现有遥感影像变分融合的基础上，在空间增强项及先验项每轮迭代过程中，对正则化空间权重参数进行自动求解与自适应调节，可有效优化模型并获取最优解，并可有效保留影像空间结构信息与去除噪声。效保留影像空间结构信息与去除噪声。效保留影像空间结构信息与去除噪声。

【技术实现步骤摘要】
一种自适应空间加权的变分遥感影像空谱融合方法


[0001]本专利技术属于遥感影像处理
，涉及一种遥感影像融合方法，可以融合多源遥感信息，提升影像空间和光谱分辨率。

技术介绍

[0002]受限于卫星传感器硬件设计与其他因素，单源遥感影像在空间分辨率、光谱分辨率和时间分辨率方面互相制约，多源遥感影像融合技术可利用不同遥感影像之间的时、空、谱信息进行优势互补，弥补单源遥感影像的不足，为后续遥感应用提供优质可靠的数据资源。
[0003]目前主流的全色—多光谱融合算法主要有四类：第一类是基于成分替换的方法，其主要思想是对多光谱影像进行变换，并对全色影像相关成分进行替换，如IHS方法、PCA方法及Gram
‑
Schmidt方法等。第二类是基于多分辨率分析的方法，其主要思想是对全色影像进行高通滤波并将高频信息融入到多光谱影像中，利用影像多层次分辨率特性实现影像融合，如小波变换方法、拉普.拉斯变换方法等。第三类是基于模型优化的方法，其主要思想是基于影像降质过程建立观测影像与待融合影像的关系模型，并使用概率统计及影像先验约束，将该本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应空间加权的变分遥感影像空谱融合方法，其特征在于，包括以下步骤：步骤1，建立影像的观测模型，具体包括以下子步骤：步骤1.1，建立多光谱影像的观测模型，基于遥感影像运动、模糊、降采样的一种或混合降质过程，建立实际观测影像与低分辨率多光谱影像关系的模型；步骤1.2，建立全色影像的观测模型，基于光谱降质过程，建立实际观测影像与高分辨率全色影像关系的模型；步骤2，建立影像的变分融合模型，基于变分理论与范数正则化理论，建立包含影像观测模型与先验模型的变分融合模型，所述变分融合模型包含三项：基于多光谱影像观测模型的光谱保真项、基于全色影像观测模型的空间增强项及可对影像空间或光谱进行约束的先验项；步骤3，对空间增强项进行自适应空间加权，即为该项每个像素添加自适应正则化空间权重参数；步骤4，对先验项进行自适应空间加权，即为该项每个像素添加自适应正则化空间权重参数；步骤5，变分融合模型优化与求解，使用交替方向乘子法ADMM对该变分融合模型进行迭代求解。2.如权利要求1所述的一种自适应空间加权的变分遥感影像空谱融合方法，其特征在于：步骤1.1建立多光谱影像的观测模型的实现方式为；将低分辨率多光谱影像表示为y，其维度为m
×
n
×
B，即低分辨率多光谱影像具有B个波段，每个波段有m行n列，将其进行向量化，向量长度为mnB
×
1；实际观测影像即待求解融合影像表示为x，其维度M
×
N
×
B，，即待求解融合影像具有B个波段，每个波段有M行N列，将其进行向量化，向量长度为MNB
×
1，该模型可表示为：y＝Ax+v
y
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式(1)中A为降采样矩阵，其维度为mnB
×
MNB；v
y
为噪声向量，其长度为mnB
×
1。3.如权利要求2所述的一种自适应空间加权的变分遥感影像空谱融合方法，其特征在于：步骤1.2建立全色影像的观测模型的实现方式为；将全色影像表示为z，其维度为M
×
N，将其进行向量化，向量长度为MN
×
1；当全色影像与多光谱影像基本重合时，全色影像z是高分辨率多光谱目标影像即待求解融合影像x各个波段的线性组合，光谱组合模型可表示为：z＝Cx+τI+v
z
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)式(2)中v
z
为噪声向量，其长度为MN
×
1；I为元素全为1的列向量，其长度为MN
×
1；C为各波段线性组合系数矩阵，其维度为MN
×
MNB，可表示为稀疏矩阵，其形式如下所示：
τ为偏置量，可由式(3)近似计算：式(3)中，aver表示平均值计算函数；c
b
为第b个波段的光谱系数；y
b
为低分辨率多光谱影像第b个波段，其中b＝1,2,3,...,B；D为降...

【专利技术属性】
技术研发人员：林德坤，沈焕锋，曾超，蒋梦辉，姜涛，
申请(专利权)人：武汉大学，
类型：发明
国别省市：