基于子字典稀疏重構(gòu)的全色與多光譜遙感圖像融合方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及圖像處理技術(shù)領(lǐng)域，具體設(shè)及一種基于子字典稀疏重構(gòu)的全色與多光 譜遙感圖像融合方法。
【背景技術(shù)】
[0002] 基于重構(gòu)的方法是近年來興起的一種新的全色與多光譜遙感圖像融合方法。此類 方法基本思路是將全色與多光譜遙感圖像看作是其對應(yīng)的高空間分辨率多光譜圖像的退 化，再對其進行建模并通過正則項約束解空間，從而將圖像融合的過程轉(zhuǎn)變成逆問題的求 解過程。
[0003] L巧日化ngtu首次利用圖像稀疏表示的先驗知識，提出基于壓縮傳感理論的全色與 多光譜圖像融合方法，將全色與多光譜圖像融合問題轉(zhuǎn)化成具有線性約束的信號恢復(fù)恢復(fù) 問題，其信號的恢復(fù)與求解是建立在信號稀疏表示的基礎(chǔ)上的，因此，字典的構(gòu)造直接影響 信號恢復(fù)的效果。Li和化ng在構(gòu)造字典時，從其他已知的高空間分辨率的多光譜圖像中隨 機采樣，構(gòu)造出具有高空間分辨率的多光譜圖像字典。并且在對模擬的全色與多光譜圖像 融合中獲得了較前兩類方法更優(yōu)的融合效果。
[0004] 然而，在實際應(yīng)用中，高空間分辨率(米級或亞米級）的多光譜圖像本身正是期望 得到的融合結(jié)果圖像，不易獲得。針對此問題Jiang等人W提出將其它多組全色和多光譜 圖像構(gòu)成樣本對，并用K-SVD對每對樣本訓練字典，在把所有字典W對角線方式排列進行級 聯(lián)，構(gòu)成最終字典。運種方法需要其他多對全色和多光譜圖像對，并且最終構(gòu)成的對角級聯(lián) 字典將達到1280X20000維，計算量巨大?；痚ng等人W提出了一種兩步字典學習方法，直接 從源多光譜與全色圖像自身出發(fā)訓練字典，首先用AWLP方法進行粗融合，再把粗融合的結(jié) 果做為訓練樣本，用線性約束的K-SVD方法訓練字典。運種方法較前幾種方法更為實用，但 是粗融合的結(jié)果不可避免的將影響訓練字典的性能，使得字典中的原子不能有效表示融合 圖像，最終會影響融合結(jié)果。
[0005] 本方案中設(shè)及的參考文獻：
[0006] [IJS.Li,B.Yang.A New Pan-sharpening Method using a Compressed Sensing Technique[J]. IEEE Transactions on Geoscience and 民emote Sensing,2011,49(2): 738-746.
[0007] [2]C.Jiang,H.Y.Zhang,H.F.Shen,et al.A Practical Compressed Sensing-based Pan-sharpening Method[J]. IEEE Geoscience and 民emote Sensing Letters, 2012,9(4):629-633.
[0008] [3]M.Cheng，C.Wang，J.Li.Sparse Representation Based Pansharpening Using Trained Dictionary[J]. IEEE Geoscience and 民emote Sensing Letters,2014， 11(1):293-297.
[0009] [4]Y. Zhang . Problems in the Fusion of Commercial High-resolution Satellite Images as Well as Landsat-TImages and Initial Solutions[C]// Archives Photogramming Remote Sensing Spatial Information.2002:587-592.
[0010] [5]C.A.Laben,V.Bernard,W.Brower.Process for Enhancing the Spatial Resolution of Multispectral Imagery using Pan-sharpening,U.S.Patent 6011875, Jan.4,2000.
[0011] [6]X.Otazu,M.Gonzalez-AudIcana,0.Fors,J.Nunez . Introduction of Sensor Spectral Response into Image Fusion Method:Application to Wavelet-based Methods[J]. IEEE Transactions on Geoscience and Remote Sensing,2005,43(10): 2376-2385.
[0012] [7]L.Alparone,L. Wald,J.Chanussot,C. Thomas ,P.Gamba,L.Bruce. Comparison of Pansharpening Algorithms:Outcome of the 2006GRS-S data-fusion Contest[J], IEEE Transactions on Geoscience and Remote Sensing,2007,45(10):3012-3021.
[0013] [8]Z.Li,H.Leung.Fusion of Multispectral and panchromatic images using a restoration-based method[J]. IEEE Transactions on Geoscience and Remote Sensing,2009,47(5):1482-1491.
[0014] [9]L.Alparone,B.Aiazzi,S.Baronti ,A.Garzelli,F.Nencini, M.Selva.Multi spectral and Panchromatic Data Fusion Assessment without Reference[J].Photogrammetric Engineering and Remote Sensing,2008,74(2):193-200.

【發(fā)明內(nèi)容】

[0015] 本發(fā)明針對現(xiàn)有基于稀疏重構(gòu)的全色與多光譜遙感圖像融合方法中字典較難構(gòu) 建的問題，提出基于子字典稀疏重構(gòu)的全色與多光譜遙感圖像融合方法，W提高方法的實 際應(yīng)用性能。
[0016] 為了實現(xiàn)上述任務(wù)，本發(fā)明采用W下技術(shù)方案：
[0017] -種基于子字典稀疏重構(gòu)的全色與多光譜遙感圖像融合方法，包括W下步驟：
[001引記YPAN和YMS分別表示已知的全色圖像和多光譜圖像，XMS表示未知高空間分辨率 的多光譜圖像，其中YMS和XMS的第b個波段的圖像分別記為YMSb(b = l，2,. . .，B)和XMSb(b = I，2,. . .，B)，B表示光譜波段總數(shù)目，記全色圖像與多光譜圖像的空間分辨率之比為丫 ： I; [0019 ]步驟一，高空間分辨率多光譜圖像字典的構(gòu)造
[0020]步驟1.1，將B個波段的YMSb (b = 1，2，. . .，B)分別上采樣成與YPAN大小相同的圖 像，記為 MSb(b=l，2，...，B);
[002。 步驟1.2,從YPANW及其對應(yīng)位置處的MSb(b=l，2, . . .，B)中隨機選M個大小為 ^/^^x^后圖像塊，并將圖像塊拉直成向量依次排列，組成第a(aeb)個波段的子字典，即
[0022] Da=[y_MSb,i,y_MSb,2,. . . ,y_MSb,M,yPANi,yPAN2,. . . ,yPANm]式I
[002；3]式l4^y_MSb,j，與yPAr^j分別表示MSb與YPAN圖像中的第j個圖像塊拉直成的向量，j = 1,2,. . . ,M；
[0024] 步驟1.3,采用步驟1.2的方法依次構(gòu)造 B個波段的子字典化(b= I，2, . . .，B);
[0025] 步驟1 .4,子字典的級聯(lián)構(gòu)成了高空間分辨率多光譜圖像字典D，即D = [Di化...Db...Db]t;
[00%]步驟二，基于稀疏重構(gòu)的圖像融合
[0027]步驟2.1，對￥156 (b=l，2，...，B)、YPA^、別 W 大小為X (^/;^/')、人 X 的滑 動窗口依次按照從左上到右下的順序提取圖像塊，提取圖像塊時的步長均為1，再將圖像塊 拉直并依次排列組成矩陣yMSb(b=l，2,. . .，B)與yPAN;
[002引步驟2.2，令
，其中 和 為單位矩陣，1為長度為丫的全1向量;令M2= (WlI，化1，. . .，WbI，. . .，wbI)，其中I G IRBx"為單 位矩陣，*6化=1，2，...，8)表示每個波段對應(yīng)線性組合的權(quán)重，并且滿足；|；馬=1;權(quán)重巧6 '6-1 可W根據(jù)波譜覆蓋區(qū)域計算得到；
[0029] 步驟2.3,建立模型，令：
[0030] y 二MXxMS+v 式 2
[0031] 其中，
^/；xV^的滑動窗口依次按照從左上到右下的順序提取圖像塊，并圖像將塊拉直依次排列 組成的矩陣;Vl與v2分別表示未知高空間分辨率多光譜圖像退化成多光譜圖像與全色圖像 的噪聲；
[0032] 步驟2.4，采用BP算法求解下面方程
[0033]
式3
[0034] 其中，巫=MD,D表示步驟1.4中的字典，a為稀疏表示系數(shù)，即保證X可W用稀疏表 示字典中原子的線性組合表示；e為一個正常數(shù)，表示容許誤差，I |a| Io表示a的范數(shù)，I y-巫a I 12表示廠巫a的《2.范數(shù)；
[0035] 步驟2.5,將xMS進行重構(gòu)：
[0036] xMS = D ?曰式4
[0037] 步驟2.6,將XMSb矩陣中的每一列排列成
大小的塊，再將運些塊按照從左 上到右下的順序放到XMSb的對應(yīng)位置處，并取平均，即對同一位置的子帶系數(shù)進行累加并 除W累加的次數(shù)，從而得到融合圖像XMSb(b=l，2,. . .，B)。
[0038] 本發(fā)明與現(xiàn)有技術(shù)相比具有W下技術(shù)特點：
[0039] 1.與現(xiàn)有的方法相比，本發(fā)明不需要高空間分辨率的多光譜圖像參與，提高了方 法的實際應(yīng)用性能；
[0040] 2.本發(fā)明提出的字典構(gòu)建方法直接采用源圖像構(gòu)建，提高了字典的自適應(yīng)性，使 得融合圖像在保持光譜信息的同時融入更多的空間細節(jié)信息，融合效果更好。
【附圖說明】
[0041 ]圖1為本發(fā)明方法的流程示意圖；
[0042] 圖2為如ickBrid衛(wèi)星數(shù)據(jù)W及幾種方法的融合結(jié)果圖；其中圖2(a)為實際多光譜 圖像，圖2(b)為實際全色圖像，圖2(c)為化ovey方法融合結(jié)果圖，圖2(d)為GS方法融合結(jié)果 圖，圖2(e)為AWLP方法融合結(jié)果圖，圖2(f)為CPSR方法融合結(jié)果圖，圖2(g)TDSR方法融合結(jié) 果圖，圖2化)為本發(fā)明方法的融合結(jié)果圖；
[0043] 圖3是IKONOS衛(wèi)星數(shù)據(jù)W及幾種方法的融合結(jié)果圖，其中圖3(a)為實際多光譜圖 像，圖3(b)為實際全色圖像，圖3(c)為化ovey方法融合結(jié)果圖，圖3(d)為GS方法融合結(jié)果 圖，圖3(e)為AWLP方法融合結(jié)果圖，圖3(f)為CPSR方法融合結(jié)果圖，圖3(g)TDSR方法融合結(jié) 果圖，圖3化)為本發(fā)明方法的融合結(jié)果圖。
【具體實施方式】
[0044] 本實例中采用目前較為常用的QuickBird和IKONOS衛(wèi)星數(shù)據(jù)說明本發(fā)明的融合效 果