。運(yùn)兩種數(shù)據(jù)的多光譜波段分別是藍(lán)、綠、紅W及近紅外波段，共4個波段，運(yùn)兩種數(shù)據(jù)的 全色與多光譜遙感圖像的空間分辨率之比為4:1。本發(fā)明方法將與5種流行或近年來較先進(jìn) 的方法進(jìn)行比較，包括化OV巧方法 [4] ,Gram-Schmidt(GS)方法[5] ,AWLP方法[6]，W及經(jīng)典的 基于稀疏表示的融合方法化?51〇[13和基于兩步字典訓(xùn)練的稀疏重構(gòu)方法(TDSR) W。其中， 化ovey與GS方法是基于分量替換的融合方法，運(yùn)兩種方法已經(jīng)集成到遙感圖像處理平臺 化NVI,The Environment for Visualizing Images)中。AWLP是經(jīng)典的基于ARSIS的全色與 光譜融合方法，該方法在圖像融合大賽中取得出色的成績W"CPSR與TDSR方法是近年來提 出的同樣基于稀疏表示的全色與多光譜圖像融合方法。上述方法的參數(shù)設(shè)置與各自參考文 獻(xiàn)一致。
[0045] 由于實際衛(wèi)星數(shù)據(jù)沒有標(biāo)準(zhǔn)參考融合結(jié)果圖像，本發(fā)明采用常用無參考圖像的評 價指標(biāo)（QNR，Quality with No Reference)^]進(jìn)行評價，其包括評價光譜信息損失程度Da 和評價空間信息損失程度Ds。
[0046] 實施例1:
[0047] 遵從上述技術(shù)方案，如圖1所示，一種基于字典稀疏重構(gòu)的全色與多光譜遙感圖像 融合方法，包括W下步驟：
[004引記YPAN和YMS分別表示已知的全色圖像和多光譜圖像，XMS表示未知高空間分辨率 的多光譜圖像，其中YMS和XMS的第b個波段的圖像分別記為YMSb(b = l，2,. . .，B)和XMSb(b = I，2,. . .，B)，B表示光譜波段總數(shù)目，記全色圖像與多光譜圖像的空間分辨率之比為丫 ： I; [0049 ]步驟一，高空間分辨率多光譜圖像字典的構(gòu)造
[0050]步驟1.1，采用雙線性差值的方法將B個波段的YMSb(b = l，2,. . .，B)分別上采樣成 與YPAN大小相同的圖像，記為MSb(b = l，2,...，B);本發(fā)明中所指的高空間分辨率圖像是指 達(dá)到米級或亞米級的遙感圖像；
[00引]步驟1.2,從YPANW及其對應(yīng)位置處的MSb(b=l，2, . . .，B)中隨機(jī)選M個大小為 圖像塊，并將圖像塊拉直成向量依次排列，組成第a(aeb)個波段的子字典;本實施 例中，選取M = 1000 O個大小為12 X 12的圖像塊，則式I變成：
[0052] Da=[y_MSb,i，y_MSb,2,. . .，y_MSb,ioooo,yPANi,yPAN2,. . . ,yPANioooo]
[0053] 上式中，y_MSb, j，與yPANj分別表示MSb與YPAN圖像中的第j (j = I，2，…10000)個圖 像塊拉直成的向量；
[0054] 步驟1.3,采用步驟1.2的方法依次構(gòu)造 B(B = 4)個波段的子字典化(b=l，2,3,4);
[0055] 步驟1.4,子字典的級聯(lián)構(gòu)成了高空間分辨率多光譜圖像字典D，即D=[DiD2D姐4]t。
[0056] 步驟二，基于稀疏重構(gòu)的圖像融合
[0化7]步驟2.1，對￥156化=1，2,. . .，B)、YPAN分別W大小為(^/5本)x(V^知、V^x^/^的滑 動窗口依次按照從左上到右下的順序提取圖像塊，提取圖像塊時的步長均為1，再將圖像塊 拉直并依次排列組成矩陣yMSb(b = l，2, . . .，B)與yPAN;在本實施例中，滑動窗口 ^ X 分別取3 X 3和 12 X 12的窗 口 ；
[0化引步驟2.2，取丫 = 4，則4
，其中1化12 e吸12X。與 Igx; e腰3X3為單位矩陣，1為長度為丫的全1向量;令M2 = (Wl I，W21，W31，Wj )，其中I €化'"。為 單位矩陣，并根據(jù)文獻(xiàn)[8]，在QuickBird衛(wèi)星數(shù)據(jù)中Wi = O. 1139，W2 = 0.2315，W3 = 0.2308， ￥4=0.4239；
[0化9] 步驟2.3,建立模型，令：
[0060] y=MXxMS+v
[006。其中，
X 12的滑動窗口依次按照從左上到右下的順序提取圖像塊，并圖像將塊拉直依次排列組成 的矩陣;Vl與v2分別表示未知高空間分辨率多光譜圖像退化成多光譜圖像與全色圖像的噪 聲；
[0062] 步驟2.4，采用BP算法求解下面方程
[0063]
[0064] 其中，巫=MD,D表示步驟1.4中的字典，a為稀疏表示系數(shù)，即保證X可W用稀疏表 示字典中原子的線性組合表示；e為正常數(shù)，取0.1; ||a| Io表示a的范數(shù)，即向量中非零元 素個數(shù)；I I廠巫日I h為廠巫a的范數(shù)；
[00化]步驟2.5,融合圖像XMS可W重構(gòu)為：
[0066] XMS = D ?曰
[0067] 步驟2.6,將XMSb矩陣中的每一列排列成12X12大小的塊，再將運(yùn)些塊按照提取的 順序（從左上到右下的順序)放到XMSb的對應(yīng)位置處，并取平均，即對同一位置的子帶系數(shù) 進(jìn)行累加并除W累加的次數(shù)，從而得到融合圖像MSb(b=l，2,3,4)。
[0068] 圖2(a)和圖2(b)是一組空間分辨率為2.8米多光譜圖像和空間分辨率為0.7米全 色圖像的實際QuickBird衛(wèi)星圖像數(shù)據(jù)。幾種方法的融合結(jié)果如圖2(c)-化)所示，并且將圖 中上部白色框中區(qū)域進(jìn)行放大顯示在每組結(jié)果的右下方。從圖2(c)可W看出化ovey方法得 到的融合結(jié)果出現(xiàn)明顯的光譜崎變，在綠色植被處更為明顯。圖2(d)為GS方法得到的融合 結(jié)果，其中源圖像的空間細(xì)節(jié)信息較好的保留下來，但是出現(xiàn)光譜信息丟失的現(xiàn)象。而 AWLP，CPSR與TDSR方法在光譜保持性方面更優(yōu)，如圖2(e)-圖2(g)所示。觀察圖2化何W發(fā) 現(xiàn)在圖像光譜顏色W及空間細(xì)節(jié)處本方法融合的更加自然。
[0069] 表1給出客觀評價結(jié)果，從表中評價指標(biāo)可W看出，本方法對與實際QuiCkBird衛(wèi) 星圖像數(shù)據(jù)能更有效的融合，在光譜和空間信息保持上均具有更好的融合結(jié)果。
[0070] 表1如ickBrid衛(wèi)星實際數(shù)據(jù)幾種方法融合結(jié)果的客觀評價
[0071]
[0072] 實施例2:
[0073] 本實施例與實施例1的步驟基本相同，根據(jù)文獻(xiàn)[引，在IKONOS衛(wèi)星數(shù)據(jù)中M2中參 數(shù)取:Wi = O. 1071，W2 = 0.2646，W3 = 0.2696，W4 = 0.3587,其他步驟參數(shù)均與實施例1中相 同。
[0074] 圖3 (a)和圖3 (b)分別為IKONOS衛(wèi)星數(shù)據(jù)中4米空間分辨率的多光譜圖像和1米空 間分辨率的全色圖像。圖3(c)-圖3化)分別是幾種方法的融合結(jié)果，同時對圖中的部分區(qū)域 進(jìn)行放大，并將其顯示在每組融合結(jié)果的右下角處。通過視覺觀察可W看出，圖3(c)和圖3 (d)中化ovey和GS方法在河流區(qū)域處色彩融合與原始多光譜圖像色彩差異較大，有明顯的 光譜失真。圖3 (e)-圖3化)分別是AWLP，CPSR，TDSR W及本章提出方法的融合結(jié)果，它們之間 視覺差異較小。
[0075] 表2是對圖3中融合結(jié)果的客觀指標(biāo)評價。雖然TSDR方法在Da指標(biāo)上最優(yōu)，但是對 于Ds和QNR指標(biāo)本發(fā)明方法更具優(yōu)勢，說明本發(fā)明方法具有更少的空間信息損失，并且在綜 合指標(biāo)上更優(yōu)。
[0076] 表2IK0N0S衛(wèi)星實際數(shù)據(jù)W及幾種方法的融合結(jié)果
[0077]
【主權(quán)項】
1. 一種基于子字典稀疏重構(gòu)的全色與多光譜遙感圖像融合方法，其特征在于，包括以 下步驟： 記YPAN和YMS分別表示已知的全色圖像和多光譜圖像，XMS表示未知高空間分辨率的多 光譜圖像，其中YMS和XMS的第b個波段的圖像分別記為YMSb(b = l，2, . . .，B)和XMSb(b = l，2.. . .，B)，B表示光譜波段總數(shù)目，記全色圖像與多光譜圖像的空間分辨率之比為γ : 1; 步驟一，高空間分辨率多光譜圖像字典的構(gòu)造 步驟1.1，將Β個波段的YMSb(b = 1，2，. . .，Β)分別上采樣成與ΥΡΑΝ大小相同的圖像，記為 MSb(b=l,2,. . . ,B)； 步驟1.2,從YPAN以及其對應(yīng)位置處的MSb(b = l,2, . . .，B)中隨機(jī)選Μ個大小為士X* 圖像塊，并將圖像塊拉直成向量依次排列，組成第a(aeb)個波段的子字典，即： Da= [y_MSb,i,y_MSb,2,. . . ,y_MSb,M,yPANi,yPAN2,. . . ,υΡΑΝμ]式 1 式1中y_MSb, j，與yPANj分別表示MSb與ΥΡΑΝ圖像中的第j個圖像塊拉直成的向量，j = 1，2.. ..,Μ； 步驟1.3,采用步驟1.2的方法依次構(gòu)造 Β個波段的子字典Db(b=l，2,. . .，B); 步驟1.4,子字典的級聯(lián)構(gòu)成了高空間分辨率多光譜圖像字典D，即0=[0山2. . .Db. . .Db ]T〇 步驟二，基于稀疏重構(gòu)的圖像融合 步驟2.1，對YMSb(b = l，2,…，Β)、ΥΡΑΝ分別以大小為、'X;的滑動窗 口依次按照從左上到右下的順序提取圖像塊，提取圖像塊時的步長均為1，再將圖像塊拉直 并依次排列組成矩陣yMSb(b=l，2,. . .，Β)與yPAN; 步驟2 · 2，令％ = (1 /廠)·③(1: (1(柄1 ))，其中I''和?(:命齡編為單 位矩陣，1為長度為γ的全1向量;令m2=(w1i，W2i，…， Wbi，…，WBi)，其中1^:^_為單位矩 陣，Wb(b=l，2,. . .，B)表示每個波段對應(yīng)線性組合的權(quán)重，并且滿足 步驟2.3,建立模型，令： y=MXxMS+v 式 2 其中xMS表示XMSb以▲ X ▲的 j' ~ 滑動窗口依次按照從左上到右下的順序提取圖像塊，并圖像將塊拉直依次排列組成的矩 陣;vl與v2分別表示未知高空間分辨率多光譜圖像退化成多光譜圖像與全色圖像的噪聲； 步驟2.4，采用BP算法求解下面方程其中，?=MD，D表示步驟1.4中的字典，α為稀疏表示系數(shù);ε表示容許誤差，I |α| |〇表示α 的Ιο范數(shù)，I ly-ΦαΙ |2表示y-Φα的h范數(shù)； 步驟2.5,將xMS進(jìn)行重構(gòu)： xMS = D · α 式4 步驟2.6，將將xMSb矩陣中的每一列排列成IX 士大小的塊，再將這些塊按照從左上到 右下的順序放到XMSb的對應(yīng)位置處，并取平均，從而得到融合圖像XMSb(b=l，2,. . .，B)。
【專利摘要】本發(fā)明公開了一種基于子字典稀疏重構(gòu)的全色與多光譜遙感圖像融合方法，通過將高空間分辨率多光譜字典看成是由各個波段的高空間分辨率光譜字典的合并組成，再分別通過各個波段的光譜圖像和全色圖像構(gòu)建各個波段的子字典，使其即包含光譜信息又包含空間信息，從而解決因缺乏高空間分辨率的多光譜數(shù)據(jù)其字典較難構(gòu)建的問題；并基于稀疏重構(gòu)模型給出完整的融合方法。與現(xiàn)有同類方法相比，本發(fā)明不需要引入其它多組全色與多光譜圖像或其它模擬高空間分辨率的多光譜圖像，而是直接采用源圖像構(gòu)建，提高了方法的實際應(yīng)用性能與字典的自適應(yīng)性，使得融合圖像在保持光譜信息的同時融入更多的空間細(xì)節(jié)信息，融合效果更好。
【IPC分類】G06T5/50
【公開號】CN105719262
【申請?zhí)枴緾N201610040489
【發(fā)明人】王珺, 彭進(jìn)業(yè), 周劍虹, 艾娜, 馬建, 祝軒, 管子玉, 楊瑞靖, 羅鵬
【申請人】西北大學(xué)
【公開日】2016年6月29日
【申請日】2016年1月21日