【技术实现步骤摘要】
本专利技术涉及数据处理，具体涉及一种基于字典学习的光谱数据融合方法及系统。
技术介绍
1、光学遥感系统受到光学衍射极限、调制传递函数、信噪比等成像指标限制，难以获得同时具有高空间分辨率以及高光谱分辨率的遥感影像，因此大量的研究致力于结合不同光学数据在空间分辨率和光谱分辨率方面的优势得到空间分辨率光谱分辨率都很高的数据，这一过程又称为数据融合。
2、字典学习被广泛应用于多光谱高光谱数据融合，核心思想是通过求解优化问题得到多光谱数据的系数矩阵和高光谱数据的光谱基（字典）矩阵，将两者相乘进而得到最终的融合结果。
3、目前大多数字典学习方法利用高光谱数据学习一个通用的光谱字典，再根据字典和多光谱数据求解系数矩阵，进而得到融合结果。对于整个高光谱数据学习单一字典忽视了高光谱数据的空间自相似性，无法实现对图像中每个区域的精确融合，而且对整个高光谱数据进行大规模的字典稀疏编码会带来严重的计算负担。此外字典学习数据融合方法假设光谱信息存在于低维子空间（字典），然而当整个高光谱数据的字典中原子数量比多光谱数据波段的数量大得多时，由于优化问题的严重不适定性，稀疏表示方法的精度会变差。多光谱数据的系数矩阵求解通常利用贪婪算法同步正交匹配追踪(somp)，每次迭代更新单个字典原子，优化时间长，效率低，并且求解过程使用标准最小平方即最小二乘法近似，没有考虑到解的非负性，结果容易受到数据中噪声的影响，鲁棒性差。
4、综上，现需要一种基于字典学习的光谱数据融合方法及系统来解决现有技术中上述问题。
1、本专利技术提供了一种基于字典学习的光谱数据融合方法及系统，解决了大部分字典学习数据融合方法无法对图像中每个区域进行精准融合的问题，以及聚类之后每一类数据量的减少避免了大规模字典稀疏编码带来的严重计算负担和高光谱数据的字典中原子数量多于多光谱数据波段的数量引起的精度下降问题。
2、为达到解决上述技术问题的目的，本专利技术采用如下技术方案：
3、一种基于字典学习的光谱数据融合方法，包括以下步骤：
4、步骤s1、对高光谱数据和多光谱数据进行自适应的像素聚类，得到理想簇数量；
5、步骤s2、利用在线字典学习算法计算每簇高光谱数据的光谱字典；
6、步骤s3、结合光谱字典计算聚类后的每簇多光谱数据的稀疏系数；
7、步骤s4、根据光谱字典和稀疏系数计算每簇对应的融合数据，整合各簇的融合数据得到融合图像；
8、其中，所述步骤s1中的自适应的像素聚类具体包括：
9、通过迭代计算确定理想簇中心；
10、根据簇内数据计算calinski-harabasz指数；
11、预设簇数量，并在其范围内重复上述步骤，得到多个calinski-harabasz指数，当calinski-harabasz指数最大时选择其对应的簇数量作为理想簇数量。
12、在本专利技术的一些实施例中，所述通过迭代计算确定理想簇中心包括：
13、根据高光谱数据和多光谱数据的局部密度确定初始簇中心；
14、利用初始簇中心，计算每簇中数据点的均值并更新簇中心；
15、重复上述步骤至达到迭代次数后，确定理想簇中心。
16、在本专利技术的一些实施例中，所述簇中心的更新公式为：
17、；
18、其中，k为簇的编号，ck是第k簇的中心，sk是属于第k簇的数据点集合，dk是第k簇中数据点数量，xi表示数据点的值。
19、在本专利技术的一些实施例中，所述初始簇中心的确定过程包括以下步骤：
20、数据预处理，以消除不同特征之间的量纲差异；
21、采用下列公式计算局部密度：
22、，
23、其中ρi是数据点i的局部密度，dij是数据点i和j之间的距离，σ是高斯核的宽度参数；
24、选择局部密度最高的点作为初始簇中心。
25、在本专利技术的一些实施例中，所述步骤s2中光谱字典的计算过程包括以下步骤：
26、经过步骤s1聚类的每簇高光谱数据记为：
27、；
28、其中，k为簇的编号，r用来表示实数集；l为高光谱数据波段数；dk为第k簇中数据点数量；
29、通过解如下所示的约束问题来计算光谱字典；
30、；
31、其中，表示使目标函数最小的dk、bk取值；bk为第k簇高光谱数据的稀疏系数；表示矩阵bk的l1范数；表示 的l2范数的平方；s.t.表示受限于；ε为无限接近于0的数；hk为光谱字典dk的端元数。
32、在本专利技术的一些实施例中，所述步骤s3中稀疏系数的计算包括以下步骤：
33、经过步骤s1聚类的每簇多光谱数据记为：
34、；
35、其中，k为簇的编号，r用来表示实数集；l为多光谱数据的波段数；dk为第k簇高光谱数据中数据点数量；c为多光谱数据相比于高光谱数据的空间分辨率倍数；
36、将多光谱数据划分为多个尺寸大小为(n*n)的不重叠的小块pkm，记为；
37、利用广义非负同步正交匹配追踪算法求解下列不等式，可得到每个小块pkm对应的稀疏系数akm：
38、；
39、表示使目标函数最小的akm取值，为高光谱到多光谱的转换矩阵，l为高光谱数据波段数，l为多光谱数据的波段数，为转换之后的光谱字典，mk表示第k簇小块的总数量；表示对系数矩阵akm的行稀疏性约束；表示的l2范数的平方；s.t.表示受限于；ε为无限接近于0的数；
40、对每簇中的各个小块的稀疏系数akm进行求和即可得到当前簇多光谱数据的稀疏系数ak。
41、在本专利技术的一些实施例中，所述步骤s4具体包括以下步骤：
42、根据每簇的光谱字典和稀疏系数采用下式计算每簇融合后的图像：
43、；
44、然后将每簇融合后的图像xk对应到相应的区域，得到融合图像。
45、在本专利技术的一些实施例中，提供了一种基于字典学习的光谱数据融合系统，包括：
46、自适应聚类模块，其用于根据高光谱数据和多光谱数据的密度，采用kmeans算法进行自适应像素聚类；
47、计算模块，其用于通过在线字典学习算法计算光谱字典；还用于通过广义非负同步正交匹配追踪算法计算稀疏系数；
48、融合模块，其用于根据每簇的稀疏系数和光谱字典进行图像融合；
49、通信模块，用于与外部设备通信。
50、在本专利技术的一些实施例中，提供了一种电子设备，包括：
51、处理器，以及与所述处理器通信连接的存储器及收发器；
52、所述存储器存储计算机执行指令；所述收发器用于收发数据；
53、所述处理器执行所述存储器存储的计算机执行指令，以实现上述光谱数据融合方法。
54、在本专利技术的一些实本文档来自技高网...
【技术保护点】
1.一种基于字典学习的光谱数据融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于字典学习的光谱数据融合方法，其特征在于，所述通过迭代计算确定理想簇中心包括：
3.根据权利要求2所述的一种基于字典学习的光谱数据融合方法，其特征在于，所述簇中心的更新公式为：
4.根据权利要求2所述的一种基于字典学习的光谱数据融合方法，其特征在于，所述初始簇中心的确定过程包括以下步骤：
5.根据权利要求1所述的一种基于字典学习的光谱数据融合方法，其特征在于，所述步骤S2中光谱字典的计算过程包括以下步骤：
6.根据权利要求1所述的一种基于字典学习的光谱数据融合方法，其特征在于，所述步骤S3中稀疏系数的计算包括以下步骤：
7.根据权利要求6所述的一种基于字典学习的光谱数据融合方法，其特征在于，所述步骤S4具体包括以下步骤：
8.一种基于字典学习的光谱数据融合系统，其特征在于，以实现如权利要求1-7中任一项所述的方法，包括：
9.一种电子设备，其特征在于，包括：
10.一种计算机可
...【技术特征摘要】
1.一种基于字典学习的光谱数据融合方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于字典学习的光谱数据融合方法，其特征在于，所述通过迭代计算确定理想簇中心包括：
3.根据权利要求2所述的一种基于字典学习的光谱数据融合方法，其特征在于，所述簇中心的更新公式为：
4.根据权利要求2所述的一种基于字典学习的光谱数据融合方法，其特征在于，所述初始簇中心的确定过程包括以下步骤：
5.根据权利要求1所述的一种基于字典学习的光谱数据融合方法，其特征在于，所...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。