基于压缩感知的全色锐化方法

基于压缩感知的全色锐化方法
【技术领域】
[0001] 本发明涉及图像处理技术领域，特别是涉及一种基于压缩感知的全色锐化方法。
【背景技术】
[0002] 许多遥感应用，如土地用途分类，变化检测，地图更新，以及灾害监测需要同时具 有高光谱分辨率和高空间分辨率的图像。然而，由于当前的远程传感器的技术限制，由多数 的地形对地观测卫星，如IKONOS，QuickBird和GeoEye，所提供的使用的数据由一个高空间 分辨率全色通道（例如0. 5-1M)和若干个（通常为3-8)较低的空间分辨率多光谱通道（例 如，2-第4米）组成。而全色图像可进行准确的几何分析，光谱通道提供的光谱信息，必要 时作语义解释。
[0003] 全色和光谱通道的融合被称为"全色锐化"。简单泛锐化方法旨在提供具有尖锐的 外观的彩色图像。遥感数据的定量评估要求更复杂的方法。他们的目的是获得高分辨率的 多光谱图像，也就是，具有多光谱传感器的相同光谱响应和全色传感器的空间分辨率的多 光谱图像。
[0004] 全色锐化可以被称为图像融合的一种特殊情况。Pohl和Van Genderen[l]提供 了最常规的泛锐化技术和参考图像融合约150篇学术论文进行全面审查。从那时起，在图 像融合区域进一步的研宄大多集中在提高融合质量和减少的色彩失真。其中存在数百个不 同的全色锐化方法，最流行的是IHS (亮度，色调，饱和度技术），PCA (主成分分析），Brovey 变换和基于小波的融合。
[0005] [2]提出了一个名为快速IHS(FIHS)方法，这使得IHS适合于大容量的卫星数据。 此方法已被进一步修饰在[3] [4] [5]通过它从三个光谱通道延伸到包括近红外的四个光 谱通道。V. P. Shah和N. H. Younan [6]提出了一种基于自适应PCA和轮廓变换的PCA全色锐 化方法。Brovey方法是一种基于色度变换[7]的算术组合方法[8]。[9]提出了一种基于 小波变换的方法，它在融合过程考虑了物理电磁光谱响应。Μ. M51 Ier等人结合小波融合 和全色图像的边缘，将全色锐化问题建模为能量最小化问题进行求解[10]。
[0006] 上述传统方法基于对全色图像频谱模型的简单假设-全色图像像素值被认为是 多光谱图像各个通道像素值的总和。频谱模型的未知或不准确会导致频谱失真。
[0007] [1]C.Pohl and J. L. Van Gernderen, Multisensor image fusion in remote sensing:Concepts, methods and applications, International Journal of Remote Sens ing, Vol. 19, No. 5, pp. 823-854, 1998.
[0008] [2]T. Tu, S. Su, H. Shyn and P. Huang, A new look at IHS-Iike image fusion methods, Information Fusion, Vol. 2, pp. 177-186, 2001.
[0009] [3] T. Tu, P. Huang, C. L. Hung and C. P. Chang, A fast Intensity-Hue-Saturation fusion technique with spectral adjustment for IK0N0S imagery, IEEE Geoscience and Remote Sensing Letters,Vol. I, pp. 309-312, 2004.
[0010] [4]M. Choi, A new Intensity-Hue-Saturation fusion approach to image fusion with a tradeoff parameter, IEEE Transactions of Geoscience and Remote Se nsing，Vol. 44, No. 6, pp. 1672-1682, 2006.
[0011] [5]M. Choi, H. Kimj N. I. Cho and H. 0. Kimj An improved Intensity-Hue-Saturation method for IK0N0S image fusion, International Journal of Remote Sensing,2008.
[0012] [6] V. P. Shah and N. H. Younanj An efficient pan-sharpening method via a combined adaptive PCA approach and contourlets, IEEE Transactions of Geoscience and Remote Sensing，Vol. 46, No. 5, 2008.
[0013] [7]A. R. Gillespie, A. B. Kahle and R. E. Walker, Color enhancement of highly correlated images II. Channel ratio and chromaticity transformation technique, Remote Sensing Environment, Vol. 22, No. 3, pp. 343-365, 1987.
[0014] [8]Y. Zhang，Problems in the fusion of commercial high-resolution satellite images as well as Landsat-7images and initial solutions. International Archives Of Photogrammetry Remote Sensing And Spatial Information Sciences，Vol. 34, Part 4, pp. 587-592, 2002.
[0015] [9]X. Otazu and M. Gonzalez-Ausicanaj Introduction of sensor spectral response into image fusion methods:Application to wavelet-based methods, IEEE Transactions of Geoscience and Remote Sensing, Vol. 43, No. 5, pp. 2376-2385, 2005.
[0016] [10]M. Moeller, T. Wittman and A. L. Bertozzij Variation wavelet pan-sharpening,IEEE Transactions of Geoscience and Remote Sensing
[0017] [11]V. K. Shettigaraj A generalized component substitution technique for spatial enhancement of multispectral images using a higher resolution data set, Photogrammetric Engineering&Remote Sensing，Vol. 58, No. 5, pp. 561-567, 1992〇

【发明内容】

[0018] 本发明的目的在于提供了一种基于压缩感知的全色锐化方法，以克服现有技术中 的不足。
[0019] 为实现上述目的，本发明提供如下技术方案：
[0020] 本发明实施例公开了一种基于压缩感知的全色锐化方法，定义一个具有第一分辨 率的多光谱图像Y和一个具有第二分辨率的全色图像X0,其中第二分辨率大于第一分辨 率，利用Y和XO作为输入生成高分辨率的多光谱图像X，其方法包括：
[0021] (1)、字典学习：
[0022] 对全色图像XO进行低通滤波和降采样，获得全色图像YO，进一步对全色图像YO进 行图像分割及向量化，全色图像YO被分割成小的，可能但不一定部分重叠的，补丁 y〇,所有 的补丁 y〇在减去平均灰度，归一化，矢量化之后构成的矩阵Di ;
[0023] 对全色图像XO进行图像分割及向量化，每个高分辨率的补丁 x0对应一个可能但 不一定部分重叠低分辨率的补丁 y〇,所有的高分辨率补丁 x〇构成的矩阵Dh ;
[0024] 对多光谱图像Y进行图像分割及向量化，多光谱图像Y被分割成小的，可能但不一 定部分重叠的补丁 y ;
[0025] (2)、估计稀疏系数：
[0026] 对于每个多光谱图像补丁 y，稀疏系数向量?可以通过L1-L2最小化来估计：
【主权项】
1. 一种基于压缩感知的全色锐化方法，其特征在于，定义一个具有第一分辨率的多光 谱图像Y和一个具有第二分辨率的全色图像X0,其中第二分辨率大于第一分辨率，利用Y和 XO作为输入生成高分辨率的多光谱图像X，其方法包括： (1) 、字典学习： 对全色图像XO进行低通滤波和降采样，获得全色图像YO，进一步对全色图像YO进行图 像分割及向量化，全色图像YO被分割成小的，可能但不一定部分重叠的，补丁 y〇,所有的补 丁 y0在减去平均灰度，归一化，矢量化之后构成的矩阵Di ; 对全色图像XO进行图像分割及向量化，每个高分辨率的补丁 χ〇对应一个可能但不一 定部分重叠低分辨率的补丁 y〇,所有的高分辨率补丁 χ〇构成的矩阵Dh ; 对多光谱图像Y进行图像分割及向量化，多光谱图像Y被分割成小的，可能但不一定部 分重叠的补丁 y ; (2) 、估计稀疏系数： 对于每个多光谱图像补丁 y，稀疏系数向量fi可以通过L1-L2最小化来估计：
其中， λ是L1-L2最小拉格朗日乘数； P是一个元素为0和1的对角矩阵，其中的1标记与当前图像补丁与重叠的像素； β是加权因子； w是重叠像素已经被重构的高分辨率的像素值； (3) 、高分辨率的多光谱图像重建。 高分辨率的多光谱图像补丁有以下公式重建： x = D;a 所有图像补丁的平铺给出最终全色锐化的图像夂。
2. 根据权利要求1所述基于压缩感知的全色锐化方法，其特征在于：所述步骤（1)中， 全色图像XO经过低通滤波后所获得图片与多光谱图像Y具有相同的点响应函数。
3. 根据权利要求1所述基于压缩感知的全色锐化方法，其特征在于：所述步骤（1)中， 全色图像YO与多光谱图像Y具有相同的空间分辨率。
4. 根据权利要求1所述基于压缩感知的全色锐化方法，其特征在于：所述步骤（1)中， 所述补丁 x〇和补丁 y〇的补丁排列顺序相同。
【专利摘要】本发明公开了一种基于压缩感知的全色锐化方法，定义一个具有第一分辨率的多光谱图像Y和一个具有第二分辨率的全色图像X0，其中第二分辨率大于第一分辨率，利用Y和X0作为输入生成高分辨率的多光谱图像X，其方法包括：(1)、字典学习；b)由低分辨率的多光谱图像估计稀疏系数；c)高分辨率的多光谱图像重建。本发明是一种新的先进的全色锐化方法。与其它方法相比，它的字典由数据本身“学习”而来，即适应数据本身，因而具有比现有方法更好的性能。该方法利用压缩感知理论原理解决全色锐化的问题。
【IPC分类】G06T5-00
【公开号】CN104835122
【申请号】CN201510209060
【发明人】石一磊
【申请人】苏州中德启恒电子科技有限公司
【公开日】2015年8月12日
【申请日】2015年4月28日