一种卫星多源遥感数据的时空谱融合方法技术

本发明专利技术公开了一种卫星多源遥感数据的时空谱融合方法，包括：获取待测目标区域的原始高光谱图像和先验高光谱图像，对原始高光谱图像和先验高光谱图像进行线性光谱解混的变换处理，获得时空融合数据；对原始高光谱图像进行多尺度训练和全色锐化的处理，获得全色锐化结果；获取雷达图像，提取全色锐化结果的空谱特征和雷达图像的高程特征，对空谱特征和高程特征进行数据融合，获得多源融合数据；基于多光谱图像光谱分辨率增强方法将时空融合数据与多源融合数据进行融合，获得最终融合数据，对待测目标区域的地表形变进行实时监测。本发明专利技术实现了多源遥感数据的数据融合，辅助对地表形变情况进行实时监测，保证了监测结果的准确性和实效性。性和实效性。性和实效性。

【技术实现步骤摘要】
一种卫星多源遥感数据的时空谱融合方法


[0001]本专利技术属于时空谱遥感数据融合
，特别是涉及一种卫星多源遥感数据的时空谱融合方法。

技术介绍

[0002]多源遥感数据融合是利用不同空间分辨率、不同时间分辨率和不同光谱分辨率的光学遥感数据，甚至是光学遥感数据与雷达数据所各自具有的不同数据特点，融合出能够综合多源数据特征的融合影像的方法。它对提高遥感影像利用效率和提高遥感应用效果都具有重要的意义。
[0003]遥感数据的时、空、谱尺度问题是影响地表形变参数监测的重要原因之一。由于对地遥感设备扫过同一区域时具有时间性的差异和土地覆盖类别的差异，因此需要获得同时具有高的时间、空间和光谱分辨率的遥感数据，然而由于传感器设计的局限性，时间、空间和光谱分辨率具有互斥性，不可能兼得三项指标。因此，亟需提出一种卫星多源遥感数据的时空谱融合方法。

技术实现思路

[0004]本专利技术的目的是提供一种卫星多源遥感数据的时空谱融合方法，以解决上述现有技术存在的问题。
[0005]为实现上述目的，本专利技术提供了一种卫星多源遥感数据的时空谱融合方法，包括以下步骤：
[0006]获取待测目标区域的任意时刻的原始高光谱图像和先验高光谱图像，对所述原始高光谱图像和先验高光谱图像进行线性光谱解混的变换处理，获得时空融合数据；
[0007]对所述原始高光谱图像进行多尺度训练和全色锐化的处理，获得全色锐化结果；
[0008]获取待测目标区域的雷达图像，提取所述全色锐化结果的空谱特征和雷达图像的高程特征，对空谱特征和高程特征进行数据融合，获得多源融合数据；
[0009]基于多光谱图像光谱分辨率增强方法将所述时空融合数据与所述多源融合数据进行融合，获得最终融合数据，基于所述最终融合数据对待测目标区域的地表形变进行实时监测。
[0010]可选地，获得时空融合数据的过程包括：分别构建所述原始高光谱图像和先验高光谱图像的线性光谱解混模型；基于所述线性光谱解混模型建立优化模型，并对所述优化模型进行线性光谱解混逆变换，获得时空融合数据。
[0011]可选地，构建原始高光谱图像的线性光谱解混模型的过程包括：基于预设比例尺度的空间降采样矩阵对理想丰度图像进行处理，获得原始高光谱图像的粗糙丰度图像，基于所述粗糙丰度图像以及原始高光谱图像的光谱端元和加性噪声，获得原始高光谱图像的线性光谱解混模型。
[0012]可选地，构建先验高光谱图像的线性光谱解混模型的过程包括：对理想丰度图像
和地物变化参数进行处理，获得先验高光谱图像的精细丰度图像，基于所述精细丰度图像以及先验高光谱图像的光谱端元和加性噪声，获得先验高光谱图像的线性光谱解混模型。
[0013]可选地，建立优化模型的过程包括：基于原始高光谱图像和先验高光谱图像的线性光谱解混模型、理想丰度图像的正则化项及对应的平衡参数和空
‑
谱变化因子的正则化项及对应的平衡参数，构建优化模型。
[0014]可选地，获得全色锐化结果的过程包括：基于所述拉普拉斯金字塔深度学习模型对所述原始高光谱图像进行多尺度训练，获得改善后的高光谱图像；获取待测目标区域的光学全色图像，基于主成分替代模型将所述光学全色图像与改善后的高光谱图像进行全色锐化，获得全色锐化结果。
[0015]可选地，对所述空谱特征和高程特征进行数据融合的过程包括：基于图特征融合方法获取变换矩阵，基于所述变换矩阵对所述空谱特征和高程特征进行数据融合。
[0016]本专利技术的技术效果为：
[0017]本专利技术将待测目标区域的原始数据和先验数据进行时空融合，然后将待测目标区域内的遥感数据和雷达数据进行空谱数据融合，最后将时空融合的数据和空谱融合的数据进行最终的数据融合，实现了对遥感数据的多源数据融合，最终的融合数据能够辅助对待测目标区域的地表形变情况进行实时监测，并且保证了监测结果的准确性和实效性。
附图说明
[0018]构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0019]图1为本专利技术实施例中的卫星多源遥感数据的时空谱融合方法流程示意图；
[0020]图2为本专利技术实施例中的基于拉普拉斯金字塔深度学习的全色锐化模型示意图。
具体实施方式
[0021]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0022]需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0023]实施例一
[0024]如图1所示，本实施例中提供一种卫星多源遥感数据的时空谱融合方法，包括以下步骤：
[0025]步骤1：假设C是T1时刻原始高光谱图像，具有B个波段和N个像元。F是获得的任意时刻精细多源先验高光谱图像，具有B个波段和NS2个像元，其中S是两幅图像的比例尺度。
[0026]分别对原始高光谱图像C和任意时刻的多源先验高光谱图像F建立线性光谱解混模型。假设图像的光谱可以看作纯物质中数目为P的光谱端元组合，原始高光谱图像C和先验高光谱图像F的光谱解混模型如下所示：
[0027]Z
C
＝MA
C
+N
C
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0028]Z
F
＝MA
F
+N
F
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0029]其中，A
C
∈R
P
×
N
和分别是Z
C
的粗糙丰度图像和Z
F
的精细丰度图像。假设两图像中所具有的纯物质相同，即光谱端元都为M∈R
B
×
P
。N
C
∈R
B
×
N
和分别表示两图像的加性噪声。而理想的丰度图像往往被认为通过比例尺度为S的空间降采样矩阵变成粗糙丰度图像A
C
，即A
C
＝HD。因此原始高光谱图像C的光谱解混模型重新表示为：
[0030]Z
C
＝MHD+N
C
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0031]步骤2：利用地物变化参数将两种图像的地物变化通过丰度图像进行关联，表示为A
F
＝αH，则精细先验高光谱图像F的光谱解混模型重新表示为：
[0032]Z
F
＝MαH+N
F
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0033]步骤3：对公式(3)和公式(4)建立优化模型，如公式(5)所示。
[0034][0035]其中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卫星多源遥感数据的时空谱融合方法，其特征在于，包括以下步骤：获取待测目标区域的任意时刻的原始高光谱图像和先验高光谱图像，对所述原始高光谱图像和先验高光谱图像进行线性光谱解混的变换处理，获得时空融合数据；对所述原始高光谱图像进行多尺度训练和全色锐化的处理，获得全色锐化结果；获取待测目标区域的雷达图像，提取所述全色锐化结果的空谱特征和雷达图像的高程特征，对空谱特征和高程特征进行数据融合，获得多源融合数据；基于多光谱图像光谱分辨率增强方法将所述时空融合数据与所述多源融合数据进行融合，获得最终融合数据，基于所述最终融合数据对待测目标区域的地表形变进行实时监测。2.根据权利要求1所述的卫星多源遥感数据的时空谱融合方法，其特征在于，获得时空融合数据的过程包括：分别构建所述原始高光谱图像和先验高光谱图像的线性光谱解混模型；基于所述线性光谱解混模型建立优化模型，并对所述优化模型进行线性光谱解混逆变换，获得时空融合数据。3.根据权利要求2所述的卫星多源遥感数据的时空谱融合方法，其特征在于，构建原始高光谱图像的线性光谱解混模型的过程包括：基于预设比例尺度的空间降采样矩阵对理想丰度图像进行处理，获得原始高光谱图像的粗糙丰度图像，基于所述粗糙丰度图像以及原始高光谱图像的光谱端元和加性噪声，获得原始高光谱图...

【专利技术属性】
技术研发人员：张雷，张帅飞，邹清顺，杨与春，蓝兴发，郭碧莲，
申请(专利权)人：福建鼎旸信息科技股份有限公司，
类型：发明
国别省市：