本发明专利技术公开了一种基于矩阵低秩分解的多光谱图像和全色图像融合方法，主要解决现有多光谱图像和全色图像融合中高光谱分辨率信息丢失的问题。其实现步骤为：（1）对输入已配准的4幅多光谱图像进行插值使其与全色图像具有相同的像素;(2)将插值后多光谱图像全部拉成列按照顺序依次堆叠构成大数据矩阵；（3）利用矩阵低秩分解算法对大数据矩阵分解得到低秩矩阵和稀疏矩阵；（4）利用标准主成分分析融合算法对低秩矩阵和全色图像进行融合得到初步的粗略融合结果；（5）将稀疏矩阵加至粗略融合结果得到最终的多光谱融合图像。本发明专利技术能有效解决高光谱分辨率信息丢失的问题，获取清晰的图像，可用于多光谱图像的预处理。
【技术实现步骤摘要】
本专利技术属于图像处理
，涉及图像融合技术，具体地说是一种结合了矩阵低秩分解理论的多光谱图像和全色图像融合方法，可用于多光谱图像的预处理。
技术介绍
多光谱图像与全色图像的融合是利用它们在时空上的相关性及信息上的互补性把具有低空间分辨率、高光谱分辨率的多光谱图像和具有高空间分辨率、低光谱分辨率的全色图像进行综合，使融合后多光谱图像具有较高空间分辨率，又同时保留高光谱分辨率，从而得到对景物更全面、清晰的描述。传统的多光谱图像与全色图像融合算法包括格拉姆-施密特正交化方法、亮度-色调-色饱和度方法等。这些方法计算量小，原理简单，已经被广泛地应用到多光谱图像与全色图像融合上，但是这些方法没有利用多光谱图像自身特点，无法有效保留高光谱 分辨率信息。针对上述传统的多光谱图像与全色图像融合算法效果较差，在实际应用中不能很好地实现的问题，目前国际上提出了一些改进上述缺点的算法。如，P. s. Chavez, J. S. Sides和J. A. Anderson提出一种主成分分析的方法，是多光谱图像与全色图像融合中非常经典的算法，具体参见〈〈Comparison of Three Different Methods to Merge Multiresolutionand Multispectral Data: Landsat TM and SPOT Panchromatic)) PH0T0GRAMMETRICENGINEERING & REMOTE SENSING, Vol. 57，No. 3，Marchl991, pp. 295-303。这种方法将全色图像直接替换掉多光谱图像的低空间分辨率信息从而得到融合的多光谱图像。这种方法速度快，比较灵活，但由于缺乏自适应性，而会造成高光谱分辨率信息的丢失；此后，Τ. M. Tu等人提出一种广义亮度-色调-色饱和度的方法，具体参见《A Fast Intensity-Hue -Saturation Fusion Technique With Spectral Adjustment for IK0N0S Imagery》IEEEGEOSCIENCE AND REMOTE SENSING LETTERS, VOL. I, NO. 4，pp. 309-312. 0CT0BER2004.这种方法将传统只适用于三波段多光谱图像的亮度-色调-色饱和度方法推广到多波段的多光谱图像上，并采用固定的模型参数，由于模型参数被固定而造成光谱信息失真。
技术实现思路
本专利技术的目的在于针对上述已有技术的不足，提出了一种，以保留较多的高光谱分辨率信息，提高融合图像的效果。实现本专利技术目的的技术方案包括如下步骤(I)输入已配准的大小为mXn的4幅多光谱图像MS11,MS12,MS13,MS14，输入I幅大小为4mX4n全色图像PAN ；(2)利用matlab软件中的imresize函数对4幅多光谱图像MS11, MS12, MS13, MS14进行插值，得到与全色图像PAN相同像素的多光谱图像MS1/，MV，MV，MS14'；(3)将插值后的4幅多光谱图像MS11' ,MS12' ,MS13' ,MS1/全部拉成列，按顺序依次排列构成大数据矩阵X e R(^4n)X4,其中R(4-x4n)x4表示行数为4mX4n，列数为4的2维整数型矩阵；(4)通过低秩分解算法对大数据矩阵X进行低秩分解，得到低秩矩阵L e R(4mx4n)x4和稀疏矩阵SG e R(4nx4n)x4，其中低秩矩阵L表示4幅多光谱图像中的低空间分辨率信息，稀疏矩阵SG表示4幅多光谱图像中的高光谱分辨率信息； (5)利用标准主成分分析融合算法对低秩矩阵L和全色图像PAN进行融合，得到4幅初步的粗略融合结果MSh/ ,MSh2' ,MSh3/ ,MSh4/ ;(6)利用matlab软件中的reshape函数,将步骤(4)得到的稀疏矩阵SG的每一列还原成大小为4mX4n的图像,得到4幅高光谱分辨率图像Sgi, i = I, 2,. . . , 4 ；(7)将步骤(6)得到的4幅高光谱分辨率图像Sgi, i = 1,2,...,4,与步骤(5)得 到的粗略融合结果MSh/，MSh2' ,MSh3/ ,MSh4/进行相加，得到最终的4幅融合多光谱图像MShl，MSh2, MSh3, MSh4。本专利技术与现有的技术相比具有以下优点本专利技术由于在标准主成分分析融合方法的基础上引入了矩阵低秩分解，与传统的融合方法相比，充分利用了多光谱图像时空上的相关性及信息上的互补性，保留了更多的高光谱分辨率信息。仿真实验表明，本专利技术能有效保留多光谱图像中的高光谱分辨率信息，同时获得较好的视觉效果。附图说明图I是本专利技术的流程图；图2是本专利技术在仿真试验中应用的4幅多光谱图像；图3是本专利技术在仿真试验中应用的I幅全色图像；图4是本专利技术在仿真试验中应用的4幅参考多光谱图像；图5是用本专利技术对图2和图3进行融合的结果图；图6是用现有的广义亮度-色调-色饱和度方法对图2和图3进行融合的结果图；图7是用现有的标准主成分分析方法对图2和图3进行融合的结果图。具体实施例方式参照图1，本专利技术的具体实施步骤如下步骤I、利用matlab软件中的imresize命令对输入已配准的4幅多光谱图像MS11,1^12，1^13，1^14进行插值，得到与全色图像PAN相同像素的多光谱图像MS1/ ,MS1^ ,MS13/，MS14;。上述输入已配准的4幅多光谱图像MS11，MS12, MS13, MS14对应多光谱图像4个不同的波段，其中，图像MS11对应多光谱图像的红色波段，图像MS12对应多光谱图像的绿色波段，图像MS13对应多光谱图像的蓝色波段，图像MS14对应多光谱图像的近红外波段。步骤2、将插值后多光谱图像MS11' ,MS12' ,MS13' ,MS1/全部拉成列并按顺序依次排列构成大数据矩阵X e R(^4n)X4,其中表示行数为4mX4n，列数为4的2维整数型矩阵。步骤3、通过低秩分解算法对大数据矩阵X进行低秩分解，得到低秩矩阵L e R(4mx4n)x4 和稀疏矩阵 SG e R(4mx4n)x40上述的低秩分解方法，是由T. Y. Zhou和D. C. Tao提出的，参见文献《GoDec:Randomized Low-rank & Sparse Matrix Decomposition in Noisy Case》Proceedings of the 28th International Conference on Machine Learning, 2011,具体操作如下3a)初始化迭代次数t=0,迭代误差ε为O. 0001 ;3b)设t=t+l,利用matlab软件中的randn函数生成随机高斯矩阵A,按照如下公 式得到3个中间变量矩阵P1=XXA,P2=XtXP1,P3=XXP2,其中，(·)τ操作表示矩阵转置操作；3c)计算第t次迭代中的低秩矩阵Lt和中间变量矩阵St Lt=P3X (P1tXP3)-1P21,St=Pfi IX-Lj ,其中，(·)<表示矩阵求逆操作，ΡΩ(·)表示取(·)中最大的前Ω个数值，Ω取值为 262144 ；3d)根据步骤3本文档来自技高网...
【技术保护点】
一种基于矩阵低秩分解的多光谱图像和全色图像融合方法，包括如下步骤：(1)输入已配准的大小为m×n的4幅多光谱图像MSl1，MSl2，MSl3，MSl4，输入1幅大小为4m×4n全色图像PAN；(2)利用matlab软件中的imresize函数对4幅多光谱图像MSl1，MSl2，MSl3，MSl4进行插值，得到与全色图像PAN相同像素的多光谱图像MSl1′，MSl2′，MSl3′，MSl4′；(3)将插值后的4幅多光谱图像MSl1′，MSl2′，MSl3′，MSl4′全部拉成列，按顺序依次排列构成大数据矩阵X∈R(4m×4n)×4，其中R(4m×4n)×4表示行数为4m×4n，列数为4的2维整数型矩阵；(4)通过低秩分解算法对大数据矩阵X进行低秩分解，得到低秩矩阵L∈R(4m×4n)×4和稀疏矩阵SG∈R(4m×4n)×4，其中低秩矩阵L表示4幅多光谱图像中的低空间分辨率信息，稀疏矩阵SG表示4幅多光谱图像中的高光谱分辨率信息；(5)利用标准主成分分析融合算法对低秩矩阵L和全色图像PAN进行融合，得到4幅初步的粗略融合结果MSh1′，MSh2′，MSh3′，MSh4′；(6)利用matlab软件中的reshape函数，将步骤(4)得到的稀疏矩阵SG的每一列还原成大小为4m×4n的图像，得到4幅高光谱分辨率图像sgi，i＝1,2,...,4；(7)将步骤(6)得到的4幅高光谱分辨率图像sgi，i＝1,2,...,4,与步骤(5)得到的粗略融合结果MSh1′，MSh2′，MSh3′，MSh4′进行相加，得到最终的4幅融合多光谱图像MSh1，MSh2，MSh3，MSh4。...
【技术特征摘要】
1.ー种基于矩阵低秩分解的多光谱图像和全色图像融合方法，包括如下步骤 (1)输入已配准的大小为HiXn的4幅多光谱图像MS11,MS12,MS13,MS14，输入I幅大小为4mX4n全色图像PAN ； (2)利用matIab软件中的imresize函数对4幅多光谱图像MS11,MS12, MS13, MS14进行插值，得到与全色图像PAN相同像素的多光谱图像MS1/，MS12'，MS13' ,MS14'； (3)将插值后的4幅多光谱图像MS11'，MS12'，MS13',MS1/全部拉成列，按顺序依次排列构成大数据矩阵X e R(4mx4n)x4,其中R(^4n)X4表示行数为4mX4n，列数为4的2维整数型矩阵； (4)通过低秩分解算法对大数据矩阵X进行低秩分解，得到低秩矩阵Le R(4M4n) X4和稀疏矩阵SG e R(4nx4n)x4，其中低秩矩阵L表示4幅多光谱图像中的低空间分辨率信息，稀疏矩阵SG表示4幅多光谱图像中的高光谱分辨率信息； (5)利用标准主成分分析融合算法对低秩矩阵L和全色图像PAN进行融合，得到4幅初步的粗略融合结果MShノ，MSh2' ,MSh3/ ,MSh4/ ； (6)利用matlab软件中的reshape函数,将步骤(4)得到的稀疏矩阵SG的姆一列还原成大小为4mX4n的图像,得到4幅高光谱分辨率图像Sgi, i = I, 2,. . . , 4 ； (7)将步骤(6)得到的4幅高光谱分辨率图像sgi，i= 1，2，. . .，4，与步骤(5)得到的粗略融合结果MShl'，MSh2' ,MSh3/ ,MSh...
【专利技术属性】
技术研发人员：戎凯旋，李婷婷，王爽，刘芳，季佩媛，张小华，侯彪，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
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。