基于联合稀疏与结构字典的遥感图像融合方法技术

本发明专利技术公开了基于联合稀疏与结构字典的遥感图像融合方法，首先通过在线稀疏字典算法分别从全色图像和多光谱图像学习获得相应的结构字典；然后采用联合稀疏表示获取全色图像不同于多光谱图像的特有成分；最后利用ARSIS融合框架将全色图像的特有成分注入到多光谱图像，得到高分辨率多光谱图像；本发明专利技术有效利用字典的稀疏特性和原子间的相关性，进一步降低字典训练的复杂度，提高结构字典的自适应性，使得特有分量的重构更为准确，提高图像融合的质量；同时，本发明专利技术充分考虑全色图像的细节信息和低频信息，使得融合更为全面有效。

【技术实现步骤摘要】

本专利技术属于图像处理
，具体涉及基于联合稀疏与结构字典的遥感图像融合方法。
技术介绍
遥感卫星在拍摄获取多光谱(MS)图像的同时，可获取同场景的全色(PAN)图像，其中，多光谱图像富含光谱信息，但空间分辨率低，清晰度差；全色图像的空间分辨率高，但光谱分辨率低；因此，如何充分利用多光谱图像的光谱信息和全色图像的空间信息获取高分辨率多光谱图像，成为遥感图像融合研究的热点话题。目前，卫星遥感图像的融合方法大致可归为四类：基于替代的方法、基于ARSIS思想的方法、基于多分辨率分析的方法和基于稀疏表示的方法。分量替代方法最大的特点是计算效率高，能保持空间细节信息，但很难避免出现光谱扭曲现象；基于ARSIS思想的方法通常能够很好的保持多光谱图像的光谱信息，但不足之处是混叠以及局部差异会导致融合质量的下降；而基于多尺度分析方法能更好地保持光谱信息，但是会产生模糊或者信息扭曲，导致空间信息丢失，同时对图像所有几何特征表示不全面。稀疏性是近些年提出的一种新型的先验假设，它符合人类的视觉特性，且稀疏表示能充分利用图像信号的内部结构信息。最近几年，在字典学习的基础上，越来越多的融合方法被提出。现有方法中有利用稀疏表示和ARSIS思想相结合的融合方法，该类方法首先利用稀疏表示从全色图像获取细节信息，然后通过ARSIS融合框架将细节信息注入到光谱图像各波段中，这类方法的融合效果虽得到极大地提高，但存在的不足是：只融合了全色图像的细节信息而忽略了低频信息。为充分利用图像内部及图像间存在的结构特性和相关性，以降低图像处理的工作量和提高图像融合的准确度，本文提出基于联合稀疏与结构字典的融合方法(JSRDIP)；一方面，充分考虑全色图像的细节信息和低频信息，使得融合更为全面有效，再者充分利用图像存在的结构特性，以进一步提高图像融合的质量；另一方面，改善遥感图像融合方法普遍存在的效率低的问题。
技术实现思路
针对上述现有技术中存在的缺陷或不足，本专利技术的目的在于，提供基于联合稀疏与结构字典的遥感图像融合方法，解决现有技术中遥感图像融合不全面、融合质量和融合效率低的问题。为了实现上述任务，本专利技术采用如下技术方案予以实现：基于联合稀疏与结构字典的遥感图像融合方法，包括以下步骤：步骤一：获取多光谱图像和全色图像，对多光谱图像进行上采样处理得到上采样图像；步骤二：对步骤一所得的上采样图像中各波段图像求均值得到强度分量，将全色图像与强度分量进行匹配得到新的全色图像；步骤三：采用在线稀疏字典学习算法对步骤一得到的上采样图像中各波段图像以及步骤二得到的新的全色图像分别训练，获取对应的结构字典；步骤四：采用联合稀疏模型，从步骤二得到的新的全色图像中提取不同于步骤一得到的上采样图像中各波段图像的特有分量；步骤五：基于ARSIS融合框架，将步骤四得到的特有分量融入到步骤一得到的上采样图像的各波段图像中，得到融合多光谱图像。本专利技术还有如下区别技术特征：进一步的，步骤一中所述对多光谱图像进行上采样处理得到上采样图像是指：采用双三次线性插入方法将多光谱图像上采样p倍得到上采样图像XMS，其中，p为全色图像和多光谱图像空间分辨率的比值。更进一步的，p＝4。进一步的，步骤二的具体步骤包括：步骤2.1：对步骤一所得的上采样图像XMS中各波段图像求均值，得到强度分量I，即 I = [ Σ j = 1 k X M S j ] / k ]]>其中，是XMS第j(j＝1,2,…,k)个波段的光谱图像，k是波段的个数；步骤2.2：将步骤一所得的全色图像与步骤2.1所得的强度分量I进行直方图匹配，得到新的全色图像XPAN。进一步的，步骤四的具体步骤包括：步骤4.1：对上采样图像XMS中各波段图像和XPAN图像利用联合稀疏建模得到如下式所示的优化问题： M i n | | Θ | | 0 s . t . | | X - Ψ Θ | | 2 2 ≤ ϵ ]]>利用OMP算法对上式求解，得到稀疏系数其中，αCj为公共稀疏系数，为中第j个波段图像对应的特有稀疏系数，为全色图像XPAN对应的特有稀疏系数；步骤4.2：采用类似绝对值取大的方法对步骤4.1获得的全色图像XPAN对应的特有稀疏系数进行选取，得到融合所需的全色图像特有稀疏系数αpj，所述类似绝对值取大的方法如下式： | α p j U | ≥ | α j U | α p j = α p j U 本文档来自技高网...

【技术保护点】
基于联合稀疏与结构字典的遥感图像融合方法，其特征在于，包括以下步骤：步骤一：获取多光谱图像和全色图像，对多光谱图像进行上采样处理得到上采样图像；步骤二：对步骤一所得的上采样图像中各波段图像求均值得到强度分量，将全色图像与强度分量进行匹配得到新的全色图像；步骤三：采用在线稀疏字典学习算法对步骤一得到的上采样图像中各波段图像以及步骤二得到的新的全色图像分别训练，获取对应的结构字典；步骤四：采用联合稀疏模型，从步骤二得到的新的全色图像中提取不同于步骤一得到的上采样图像中各波段图像的特有分量；步骤五：基于ARSIS融合框架，将步骤四得到的特有分量融入到步骤一得到的上采样图像的各波段图像中，得到融合多光谱图像。

【技术特征摘要】
1.基于联合稀疏与结构字典的遥感图像融合方法，其特征在于，包括以下步骤：步骤一：获取多光谱图像和全色图像，对多光谱图像进行上采样处理得到上采样图像；步骤二：对步骤一所得的上采样图像中各波段图像求均值得到强度分量，将全色图像与强度分量进行匹配得到新的全色图像；步骤三：采用在线稀疏字典学习算法对步骤一得到的上采样图像中各波段图像以及步骤二得到的新的全色图像分别训练，获取对应的结构字典；步骤四：采用联合稀疏模型，从步骤二得到的新的全色图像中提取不同于步骤一得到的上采样图像中各波段图像的特有分量；步骤五：基于ARSIS融合框架，将步骤四得到的特有分量融入到步骤一得到的上采样图像的各波段图像中，得到融合多光谱图像。2.如权利要求1所述的基于联合稀疏与结构字典的遥感图像融合方法，其特征在于，步骤一中所述对多光谱图像进行上采样处理得到上采样图像是指：采用双三次线性插入方法将多光谱图像上采样p倍得到上采样图像XMS，其中，p为全色图像和多光谱图像空间分辨率的比值。3.如权利要求2所述的基于联合稀疏与结构字典的遥感图像融合方法，其特征在于，p＝4。4.如权利要求1所述的基于联合稀疏与结构字典的遥感图像融合方法，其特征在于，步骤二的具体步骤包括：步骤2.1：对步骤一所得的上采样图像XMS中各波段图像求均值，得到强度分量I，即 I = [ Σ j = 1 k X M S j ] / k ]]>其中，是XMS第j(j＝1,2,…,k)个波段的光谱图像，k是波段的个数；步骤2.2：将步骤一所得的全色图像与步骤2.1所得的强度分量I进行直方图匹配，得到新的全色图像XPAN。5.如权利要求1所述的基于联合稀疏与结构字典的遥感图像融合方法，其特征在于，步骤四的具体步骤包括：步骤4.1：对上采样图像XMS中各波段图像和XPAN图像利用联合稀疏建模得到如下式所示的优化问题： M i n | | Θ | | 0 s . t . | | X - Ψ Θ | | 2 2 ≤ ϵ ]]>利用OMP算法对上式求解，得到稀疏系数其中，αCj为公共稀疏系数，为中第j个波段图像对应的特有稀疏系数，为全色图像XPAN对应的特有稀疏系数；步骤4.2：采用类似绝对值取大的方法对步骤4.1获得的全色图像XPAN对应的特有稀疏系数进行选取，得到融合所需的全色图像特有稀疏系数αpj，所述类似绝对值取大的方法如下式： | α p j U | ...

【专利技术属性】
技术研发人员：彭进业，李心怡，王珺，
申请(专利权)人：西北大学，
类型：发明
国别省市：陕西;61