基于线性贝叶斯估计的高分辨率遥感图像融合方法

文档序号:6160342阅读:243来源:国知局
基于线性贝叶斯估计的高分辨率遥感图像融合方法
【专利摘要】本发明属于遥感图像处理【技术领域】,具体为一种基于线性贝叶斯估计的高分辨率遥感图像融合方法。该方法引入高分辨率多光谱图像和低分辨率多光谱图像之间的观测模型,以及高分辨率多光谱图像和全色图像之间的观测模型,并将上述两个观测模型联立成一个贝叶斯线性模型。通过应用贝叶斯高斯-马尔科夫定理,得到线性最小均方误差意义上的高分辨率多光谱图像的估计。本发明不仅能够增强空间细节,而且很好地保持了光谱特性,其性能优于传统的HIS方法、PCA方法和小波变换方法以及现存的基于统计参数估计的Nishii方法和Hardie方法。新方法可为改善遥感图像的目视判读精度,提高信息清晰度和可靠性上提供新的有效的技术支持。
【专利说明】基于线性贝叶斯估计的高分辨率遥感图像融合方法
【技术领域】
[0001]本发明属于遥感图像处理【技术领域】,具体涉及一种基于线性贝叶斯估计的高分辨率遥感图像融合方法。
【背景技术】
[0002]由于遥感传感器设计的限制,遥感图像一般在空间分辨率和光谱分辨率之间进行折衷,具有高的光谱分辨率的图像一般不具备高的空间分辨率,反之亦然。例如,LandsatETM+传感器提供的就是6幅30m空间分辨率的多光谱波段图像和一幅15m空间分辨率的全色波段图像。在实际应用中,那些同时具有高的空间分辨率和高的光谱分辨率的图像能够有效地提高解译和分类的精度,因此不同分辨率的遥感图像的融合成为研究的热点,尤其是低分辨率的多光谱图像和高分辨率的全色波段图像的融合。一般来说,融合后的图像既要求保留多光谱图像的光谱特性,又要求融入全色图像的空间信息。
[0003]目前常见的融合方法有HIS方法、PCA方法以及小波变换方法。HIS方法和PCA方法常常显著地改变原多光谱图像的光谱特性,而小波变换方法对于分解层次和小波基的选择比较敏感,并且会因操作人员的不同,而有不同的融合效果。
[0004]近年来,基于统计参数估计的方法开始应用于遥感图像的融合中。Nishii等假设高分辨率多光谱图像和全色图像的概率分布服从联合高斯分布,用条件均值作为估计。Hardie等在上述联合高斯分布假设的基础上引入了高分辨率多光谱图像和低分辨率多光谱图像之间的观测模型,得到了最大后验概率(MAP)意义上的估计。Nishii方法和Hardie方法在低分辨率多光谱图像和全色图像相关性不强的时候,难以融入全色图像的空间信肩、O
[0005]针对以上问题,在遥感图像融合的研究中,在增强空间细节的同时很好地保持光谱特性,以及保证算法的鲁棒性成为目前研究的热点。

【发明内容】

[0006]本发明的目的是提出一种基于线性贝叶斯估计的高分辨率遥感图像融合方法,以解决传统的基于统计参数估计方法依赖于多光谱图像和全色图像相关系数的问题,增强空间细节,保持光谱特性。
[0007]本发明提出的基于线性贝叶斯估计的高分辨率遥感图像融合方法,具体步骤如下:
[0008]引入高分辨率多光谱图像和低分辨率多光谱图像之间的观测模型,以及高分辨率多光谱图像和全色图像之间的观测模型,并将上述两个观测模型联立成一个贝叶斯线性模型;应用贝叶斯高斯-马尔科夫定理,计算得到线性最小均方误差(LMMSE)意义上的高分辨率多光谱图像的估计。
[0009]下面对各步骤作进一步具体描述。
[0010]1、引入观测模型[0011]假设同一地区分别被低分辨率的多光谱波段传感器和高分辨率的全色波段传感器拍摄到,所谓图像分辨率是指图像中每个像素覆盖地面的范围,图像分辨率的高低是个相对的概念,根据需要可具体划分。全色图像按照如下方式排列成一维的列矢量
[0012]
【权利要求】
1.一种基于线性贝叶斯估计的高分辨率遥感图像融合方法,其特征在于引入高分辨率多光谱图像和低分辨率多光谱图像之间的观测模型,以及高分辨率多光谱图像和全色图像之间的观基于线性贝叶斯估计的高分辨率遥感图像融合方法测模型,并将上述两个观测模型联立成一个贝叶斯线性模型;应用贝叶斯高斯-马尔科夫基于线性贝叶斯估计的高分辨率遥感图像融合方法定理,计算得到线性最小均方误差LMMSE意义上的高分辨率多光谱图像的估计。基于线性贝叶斯估计的高分辨率遥感图像融合方法。
2.基于线性贝叶斯估计的高分辨率遥感图像融合方法根据权利要求1所述的基于线性贝叶斯估计的高分辨率遥感图像融合方法,其特征在于:基于线性贝叶斯估计的高分辨率遥感图像融合方法所述的高分辨率多光谱图像和低分辨率多光谱图像之间的观测模型如下:基于线性贝叶斯估计的高分辨率遥感图像融合方法 y = Hz+U (4) 其中U是随机噪声,它的均值是零,协方差矩阵是Cu,且与Z是不相关的;H矩阵表示低基于线性贝叶斯估计的高分辨率遥感图像融合方法通滤波和降采样过程;y为低分辨率的多光谱图像排成一维的列矢量: 其中yj表示低分辨率的多光谱图像在空间位置j上的像素值(有K个波段,yj = [yj,l,yj2,…,yjK]T),而M是低分辨率多光谱图像的像素数目;z为高分辨率的多光谱图像排成一维的列矢量: 其中Zi表示高分辨率的多光谱图像在空间位置i上的像素值(有K个波段,zi= [zi,I, zi, 2,…,zi,K]T),N是高分辨率多光谱图像的像素数目; 所述高分辨率多光谱图像和全色图像之间的观测模型如下: X = GTz+V (5) 其中V是随机噪声,它的均值为零,协方差矩阵是Cv,且与z是不相关的;G矩阵表示对高分辨率多光谱图像的K个波段做加权平均,权重因子如下所示 其中ccl表示全色图像与低分辨率多光谱图像的第I波段的相关系数;x为全色图像排成的一维矢量: X = [xl, x2,…,xi,..., xN]T (I) 其中xi表示全色图像在空间位置i上的像素值,而N是全色图像的像素数目; 观测模型(4)和(5)按照如下的形式联立成一个贝叶斯线性模型。
3.根据权利要求2所述的基于线性贝叶斯估计的高分辨率遥感图像融合方法,其特征在于高分辨率多光谱图像的估计式如下: 其中,E(z)和Cz分别为高分辨率多光谱图像的均值的协方差,它们由各个像素的均值和协方差组成,具体如下所示: E(z) = [E(zl)T,E(z2)T,—, E(zi)T, —, E(zN)T] (13)
[C O …O 'c_ 0 C*::.(14)
x_:*...0
O …O Ckm 其中E(z)是使用双线性插值(B)后的多光谱图像,具体为:E(z) = B(y) (15) 为了估计Cz,用矢量量化算法对上述矢量E(zi)根据欧式距离进行分类,计算每一类矢量集的协方差矩阵,并把它作为类中各矢量对应的协方差矩阵;式(12)中的E(y)的估计是通过对插值图像低通滤波和降采样(H)得到的: E(y) = H(E(z)) = H(B(y)) (16) 而E(x)的估计是通过对全色图像进行低通滤波和降采样,然后再双线性插值得到的: E(X) = B (H (X )) (17) ο
【文档编号】G01S17/89GK103576164SQ201210253275
【公开日】2014年2月12日 申请日期:2012年7月20日 优先权日:2012年7月20日
【发明者】王飞 申请人:上海莱凯数码科技有限公司
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1