一种基于光谱解混的高光谱、多光谱和全色图像融合方法技术

本发明专利技术公开了一种基于光谱解混的高光谱、多光谱和全色图像融合方法，属于遥感图像融合领域，适用于通过图像融合来提升高光谱图像空间分辨率的应用场景。本发明专利技术的融合方法基于光谱解混思想，将高光谱图像分解为端元矩阵和丰度矩阵，提升了计算效率，并利用组合稀疏约束和低秩约束提升了计算准确度。本发明专利技术方法在定性和定量方面均优于对比方法的输出高分辨率高光谱图像。高光谱图像。高光谱图像。

【技术实现步骤摘要】
一种基于光谱解混的高光谱、多光谱和全色图像融合方法


[0001]本专利技术属于遥感图像融合领域，涉及一种基于光谱解混的高光谱、多光谱、全色图像融合方法。适用于通过图像融合来提升高光谱图像空间分辨率的应用场景。

技术介绍

[0002]高光谱图像含有从可见光波段到近红外波段的大量波段数，光谱分辨率极高，在遥感地物分类等领域发挥了很重要的作用。然而，在传感器成像过程中，空间分辨率和光谱分辨率之间具有相互制约的关系，因此，虽然高光谱图像的光谱分辨率极高，但是其空间分辨率却极低。而为了提升高光谱图像的空间分辨率，通常会将高光谱图像和多光谱图像或全色图像融合。
[0003]现有的高光谱图像融合技术大部分是基于高光谱图像与多光谱图像融合和高光谱图像与全色图像融合这两大类。这两大类中又属高光谱图像与多光谱图像融合最为常见。现有的高光谱图像与多光谱图像融合方法主要集中在基于矩阵分解的方法、基于张量分解的方法和基于深度学习的方法。基于矩阵分解的方法和基于张量分解的方法都属于基于物理机制的方法，优点是泛化性强，缺点是合适的先验难以构建。基于深度学习的方法属于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于光谱解混的高光谱、多光谱和全色图像融合方法，其特征在于，包括如下步骤：步骤1，输入同一区域的低分辨率高光谱图像、多光谱图像和全色图像；步骤2，计算高光谱图像模糊矩阵、多光谱图像模糊矩阵、多光谱图像光谱响应矩阵和全色图像光谱响应向量；步骤3，构建基于光谱解混和低秩组稀疏联合先验的高光谱、多光谱和全色图像融合模型；步骤4，优化求解高光谱、多光谱和全色图像融合模型，获得输出高分辨率高光谱图像。2.如权利要求1所述的一种基于光谱解混的高光谱、多光谱和全色图像融合方法，其特征在于：步骤1所述输入低分辨率高光谱图像、输入多光谱图像和输入全色图像分别记为和其中，P1，P2和P3分别表示输入高光谱图像、输入多光谱图像和输入全色图像的波段数量，W1，W2和W3分别表示输入高光谱图像、输入多光谱图像和输入全色图像的宽度，H1，H2和H3分别表示输入高光谱图像、输入多光谱图像和输入全色图像的高度。3.如权利要求1所述的一种基于光谱解混的高光谱、多光谱和全色图像融合方法，其特征在于：步骤2所述高光谱图像模糊矩阵、多光谱图像模糊矩阵、多光谱图像光谱响应矩阵和全色图像光谱响应向量分别记为和步骤2所述高光谱图像模糊矩阵、多光谱图像模糊矩阵、多光谱图像光谱响应矩阵和全色图像光谱响应向量使用Miguel Simoes的方法进行计算得到。4.如权利要求1所述的一种基于光谱解混的高光谱、多光谱和全色图像融合方法，其特征在于：步骤3所述高光谱、多光谱和全色图像融合模型由数据拟合项和先验信息约束项构成，数据拟合项即根据输入高光谱、输入多光谱、输入全色图像与输出高光谱图像之间的物理关系构建相应的数学表达式，使输出高光谱图像同时具备输入高光谱、输入多光谱、输入全色图像的信息，先验信息约束项即通过输出高光谱图像中应该蕴含的一些特征来约束输出高光谱图像，从而获得有效解。5.如权利要求4所述的一种基于光谱解混的高光谱、多光谱和全色图像融合方法，其特征在于：所述数据拟合项的具体表达式如下；记待求解的高光谱图像记为由于输入高光谱图像可以看作是输出高光谱图像经空间模糊下采样后的结果，多光谱图像可以看作是输出高光谱图像经空间模糊下采样和光谱下采样后的结果，全色图像可以看作是输出高光谱图像经光谱下采样后的结果，所以所述数据拟合项为：其中，X表示输出高光谱图像，B1和B2分别表示高光谱图像模糊矩阵和多光谱图像模糊矩阵，R1和R2分别表示多光谱图像光谱响应矩阵和全色图像光谱响应向量，M1和M2分别表示高光谱图像下采样矩阵和多光谱图像下采样矩阵，Y1，Y2和Y3分别表示输入高光谱图像、输入多光谱图像和输入全色图像，λ1和λ2表示权重参数，表示Frobenius范数。6.如权利要求5所述的一种基于光谱解混的高光谱、多光谱和全色图像融合方法，其特
征在于：先验信息约束项的具体表达式如下；基于线性光谱解混可以将输出高光谱图像分解为端元矩阵和丰度矩阵；端元矩阵记为丰度矩阵记为输出高光谱图像可以表示为：X＝EA代入数据拟合项中得到：其中，E表示端元矩阵，A表示丰度矩阵，B1和B2分别表示高光谱图像模糊矩阵和多光谱图像模糊矩阵，R1和R2分别表示多光谱图像光谱响应矩阵和全色图像光谱响应向量，M1和M2分别表示高光谱图像下采样矩阵和多光谱图像下采样矩阵，Y1，Y2和Y3分别表示输入高光谱图像、输入多光谱图像和输入全色图像，λ1和λ2表示权重参数，表示Frobenius范数；对丰度矩阵施加组合稀疏约束||A||
2，1
和低秩约束||A||
*
，因此步骤3所述先验信息约束项为：其中，A表示丰度矩阵，||
·
||
2，1
表示l
2，1
范数，||
·
||
*
表示核范数，λ3和λ4表示权重参数。7.如权利要求1所述的一种基于光谱解混的高光谱、多光谱和全色图像融合方法，其特征在于：步骤3所述高光谱、多光谱和全色图像融合模型为：其中，E表示端元矩阵，A表示丰度矩阵，B1和B2分别表示高光谱图像模糊矩阵和多光谱图像模糊矩阵，R1和R2分别表示多光谱图像光谱响应矩阵和全色图像光谱响应向量，M1和M2分别表示高光谱图像下采样矩阵和多光谱图像下采样矩阵，Y1，Y2和Y3分别表示输入高光谱图像、输入多光谱图像和输入全色图像，λ1，λ2，λ3和λ4表示权重参数，表示Frobenius范数，||
·
||
2，1
表示l
2，1
范数，||
·
||
*
表示核范数。8.如权利要求7所述的一种基于光谱解混的高光谱、多光谱和全色图像融合方法，其特征在于：步骤4所述的优化求解过程的具体实现包含以下子步骤：步骤4.1：引入辅助变量F1，F2，F3，F4和F5，分别满足F1＝AB1，F2＝AB2，F3＝A，F4＝A和F5＝A，代入高光谱、多光谱和全色图像融合模型中，得到：s.t.，F1＝AB1，F2＝AB2，F3＝A，F4＝A，F5＝A其中，E表示端元矩阵，A表示丰度矩阵，F1，F2，F3，F4和F5表示辅助变量，B1和B2分别表示高光谱图像模糊矩阵和多光谱图像模糊矩阵，R1和R2分别表示多光谱图像光谱响应矩阵和全色图像光谱响应向量，M1和M2分别表示高光谱图像下采样矩阵和多光谱图像下采...

【专利技术属性】
技术研发人员：张玮，田昕，
申请(专利权)人：武汉大学，
类型：发明
国别省市：