CN102789639B - 基于非负矩阵分解的高光谱图像和可见光图像融合方法 - Google Patents
基于非负矩阵分解的高光谱图像和可见光图像融合方法 Download PDFInfo
- Publication number
- CN102789639B CN102789639B CN201210245835.4A CN201210245835A CN102789639B CN 102789639 B CN102789639 B CN 102789639B CN 201210245835 A CN201210245835 A CN 201210245835A CN 102789639 B CN102789639 B CN 102789639B
- Authority
- CN
- China
- Prior art keywords
- image
- spectrum image
- pixel
- high spectrum
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 100
- 239000011159 matrix material Substances 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000000354 decomposition reaction Methods 0.000 title abstract 4
- 238000010521 absorption reaction Methods 0.000 claims abstract description 11
- 230000003595 spectral effect Effects 0.000 claims description 17
- 239000000203 mixture Substances 0.000 claims description 5
- 230000017105 transposition Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于非负矩阵分解的将高光谱图像与可见光图像进行融合的方法,包括:利用基于稀疏约束的非负矩阵分解方法对高光谱图像进行解混,得到端元光谱曲线;根据可见光图像的光谱吸收曲线和解混得到的端元光谱曲线,利用有约束的二次规划来求解图像中每个像元的混合系数;将解混得到的端元光谱曲线和每个像元的混合系数进行线性混合,得到高空间分辨率和高光谱图像的融合图像。本发明解决了高光谱图像某些波段光谱与可见光图像不相关的问题。利用基于稀疏约束的非负矩阵分解对高光谱图像进行解混,可得到更为准确的端元光谱。同时利用有约束的二次规划问题,能得到像元的混合系数。本发明得到的融合图像具有高空间分辨率和高光谱分辨率。
Description
技术领域
本发明涉及遥感图像处理技术领域,尤其涉及一种基于非负矩阵分解的将高光谱图像与可见光图像进行融合的方法,用于航天、航空传感器平台获取的高光谱图像和可见光图像的融合。
背景技术
在遥感图像处理领域,对于光学传感器,图像的空间分辨率和光谱分辨率是一对矛盾的因素。要获得高空间分辨率的图像就只能以单光谱工作,而要获得高光谱就必须降低空间分辨率。高光谱图像在探测地表和大气的物质种类、评价和测量光谱所反映出的物质含量、确定一个光谱混合的空间单元内各组成的面积比、描绘各类地物的空间分布、通过周期的数据监测各类地物的变换等应用领域发挥了越来越大得作用。但是由于光谱分辨率和空间分辨率的矛盾性,高光谱图像的空间分辨率一般都比较低,难以反映目标的空间细节信息。得到高空间分辨率和高光谱分辨率的图像不仅能反映目标的空间细节,而且能表现出目标的连续光谱特性。因此利用图像融合的方法融合高空间分辨率的可见光图像和高光谱分辨率的高光谱图像来得到高空间分辨率高光谱图像具有重要的实用价值。
国内外的研究者针对高光谱图像和可见光图像的融合进行了一定的研究和探讨。其中经典的方法有:颜色空间转换法(HIS)、主成分分析法(PCA)、代数乘法(Brovey)和小波变换法等。但是这些方法一般情况下只适合可见光图像和光谱图像存在一定相关性时才能有效,而高光谱图像中的很多光谱波段与可见光图像不存在相关性,因此,这些算法在处理高光谱图像和可见光谱图像融合时得到的结果很难达到理想的效果。
融合高光谱图像和可见光图像得到高空间分辨率高光谱图像不仅有助于判读人员的判读效率和精度,而且可以充分利用得到的高空间分辨率高光谱图像进行地物精细的地物分类,本发明克服传统的高光谱图像只能进行初略地物分类的特点,同时对高光谱进行了光谱解混,使得融合图像的像元都是纯像元不存在混合像元,这就更有利于进一步进行目标检测、识别等。
发明内容
(一)要解决的技术问题
为了克服现有图像融合方法不适用域高光谱图像与可见光图像融合的不足,本发明的主要目的在于提供一种基于非负矩阵分解的将高光谱图像与可见光图像进行融合的方法。
(二)技术方案
为达到上述目的,本发明提供了一种基于非负矩阵分解的将高光谱图像与可见光图像进行融合的方法,包括:利用基于稀疏约束的非负矩阵分解方法对高光谱图像进行解混,得到端元光谱曲线;根据可见光图像的光谱吸收曲线和解混得到的端元光谱曲线,利用有约束的二次规划来求解图像中每个像元的混合系数;以及将解混得到的端元光谱曲线和每个像元的混合系数进行线性混合,得到高空间分辨率和高光谱图像的融合图像。
上述方案中,所述利用基于稀疏约束的非负矩阵分解方法对高光谱图像讲行解混,采用如下公式实现:
式中,X为高光谱图像每个像元所组成的矩阵,其每一列为一个像元,W为端元矩阵,其每一列为一个端元光谱,H为丰度矩阵,T表示矩阵转置符号,Wij表示矩阵W的第(i,j)个元素,Hkj表示矩阵H的第(k,j)个元素,λ为正则化系数。
上述方案中,所述采用公式
对高光谱图像进行解混,具体步骤如下:
步骤S11:随机初始化非负矩阵W和H;
步骤S12:利用乘性更新法更新W和H:
步骤S13:判断是否收敛,如果没有收敛则重复执行步骤S12,如果收敛则继续执行步骤S14;
步骤S14:得到端元光谱曲线W。
上述方案中,所述根据可见光图像的光谱吸收曲线和解混得到的端元光谱曲线,利用有约束的二次规划来求解图像中每个像元的混合系数,采用如下公式实现:
式中:y(i,j)为可见光图像中点(i,j)的光谱,A表示可见光图像的光谱吸收曲线,h(i,j)表示像元(i,j)的混合系数向量,h(i,j,k)为向量h(i,j)第k维的值,W为端元矩阵。
上述方案中,所述将解混得到的端元光谱曲线和每个像元的混合系数进行线性混合,得到高空间分辨率和高光谱图像的融合图像,采用如下函数实现:
Z(i,j)=Wh(i,j)
式中:Z(i,j)表示融合图像像元(i,j)的光谱。
(三)有益效果
本发明的有益效果是,本发明通过基于非负矩阵分解的高光谱图像和可见光图像的融合方法,解决了高光谱图像某些波段光谱与可见光图像不相关的问题。利用基于稀疏约束的非负矩阵分解对高光谱图像进行解混,可以得到更为准确的端元光谱。同时利用有约束的二次规划问题,能得到像元的混合系数。本发明得到的融合图像具有高空间分辨率和高光谱分辨率。
附图说明
图1是依照本发明实施例的基于非负矩阵分解的将高光谱图像与可见光图像进行融合的方法流程图。
图2是依照本发明实施例的基于稀疏约束的非负矩阵分解进行高光谱图像解混的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。应指出的是,所描述的实例仅旨在便于对本发明的理解,而对其不起任何限定作用。本发明使用的方法既可以在个人计算机、工控机及服务器上以软件的形式安装并执行,也可将方法做成嵌入式芯片以硬件的形式来体现。
图1给出了依照本发明实施例的基于非负矩阵分解的将高光谱图像与可见光图像进行融合的方法流程图,该方法包括以下步骤:
步骤S1:利用基于稀疏约束的非负矩阵分解方法对高光谱图像进行解混,得到端元光谱曲线;
步骤S2:根据可见光图像的光谱吸收曲线和解混得到的端元光谱曲线,利用有约束的二次规划来求解图像中每个像元的混合系数;
步骤S3:将解混得到的端元光谱曲线和每个像元的混合系数进行线性混合,得到高空间分辨率和高光谱图像的融合图像。
其中,步骤S1中所述利用基于稀疏约束的非负矩阵分解方法对高光谱图像进行解混,采用如下公式实现:
式中,X为高光谱图像每个像元所组成的矩阵,其每一列为一个像元,W为端元矩阵,其每一列为一个端元光谱,H为丰度矩阵,T表示矩阵转置符号,Wij表示矩阵W的第(i,j)个元素,Hkj表示矩阵H的第(k,j)个元素,λ为正则化系数。
图2示出了依照本发明实施例的基于稀疏约束的非负矩阵分解进行高光谱图像解混的流程图。该方法将高光谱图像中的所有像元组合成数据矩阵X,设端元矩阵为W,丰度矩阵为H,目标函数为:
利用乘性更新法更新W和H:
因此,给W和H随机初始化为一个非负矩阵后,再重复迭代上述两个公式,就可以得到W和H的收敛解。
具体来说,采用公式minW,H(|X-WHT|2+λ|H|1),满足Wij≥0,Hkj≥0对高光谱图像进行解混,具体步骤如下:
步骤S11:随机初始化非负矩阵W和H;
步骤S12:利用乘性更新法更新W和H:
步骤S13:判断是否收敛,如果没有收敛则重复执行步骤S12,如果收敛则继续执行步骤S14;
步骤S14:得到端元光谱曲线W。
步骤S2中所述根据可见光图像的光谱吸收曲线和解混得到的端元光谱曲线,利用有约束的二次规划来求解图像中每个像元的混合系数,采用如下公式实现:
式中:y(i,j)为可见光图像中点(i,j)的光谱,A表示可见光图像的光谱吸收曲线,h(i,j)表示像元(i,j)的混合系数向量,h(i,j,k)为向量h(i,j)的第k维的值,W为端元矩阵。
步骤S3中所述将解混得到的端元光谱曲线和每个像元的混合系数进行线性混合,得到高空间分辨率和高光谱图像的融合图像,采用如下函数实现:
Z(i,j)=Wh(i,j)
式中:Z(i,j)表示融合图像像元(i,j)的光谱。
本发明提供的基于非负矩阵分解的将高光谱图像与可见光图像进行融合的方法,首先输入配准好的高光谱图像和可见光图像,接着利用非负矩阵分解方法对高光谱图像解混,在非负矩阵解混中加入了丰度矩阵的稀疏约束,能使解混更为准确。根据可见光图像的光谱吸收曲线和解混得到的端元光谱,利用有约束的二次规划来求解图像中每个像元的混合系数。最后线性混合端元光谱和混合系数得到高空间分辨率和高光谱图像的融合图像。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于非负矩阵分解的将高光谱图像与可见光图像进行融合的方法,其特征在于,包括:
利用基于稀疏约束的非负矩阵分解方法对高光谱图像进行解混,得到端元光谱曲线;
根据可见光图像的光谱吸收曲线和解混得到的端元光谱曲线,利用有约束的二次规划来求解图像中每个像元的混合系数;以及
将解混得到的端元光谱曲线和每个像元的混合系数进行线性混合,得到高空间分辨率和高光谱图像的融合图像;
其中,所述根据可见光图像的光谱吸收曲线和解混得到的端元光谱曲线,利用有约束的二次规划来求解图像中每个像元的混合系数,采用如下公式实现:
式中:y(i,j)为可见光图像中点(i,j)的光谱,A表示可见光图像的光谱吸收曲线,h(i,j)表示像元(i,j)的混合系数向量,h(i,j,k)为向量h(i,j)的第k维的值,W为端元矩阵。
2.根据权利要求1所述的基于非负矩阵分解的将高光谱图像与可见光图像进行融合的方法,其特征在于,所述利用基于稀疏约束的非负矩阵分解方法对高光谱图像进行解混,采用如下公式实现:
式中,X为高光谱图像每个像元所组成的矩阵,其每一列为一个像元,W为端元矩阵,其每一列为一个端元光谱,H为丰度矩阵,T表示矩阵转置符号,Wij表示矩阵W的第(i,j)个元素,Hkj表示矩阵H的第(k,j)个元素,λ为正则化系数。
3.根据权利要求2所述的基于非负矩阵分解的将高光谱图像与可见光图像进行融合的方法,其特征在于,所述采用公式
对高光谱图像进行解混,具体步骤如下:
步骤S11:随机初始化非负矩阵W和H;
步骤S12:利用乘性更新法更新W和H:
步骤S13:判断是否收敛,如果没有收敛则重复执行步骤S12,如果收敛则继续执行步骤S14;
步骤S14:得到端元光谱曲线W。
4.根据权利要求1所述的基于非负矩阵分解的将高光谱图像与可见光图像进行融合的方法,其特征在于,所述将解混得到的端元光谱曲线和每个像元的混合系数进行线性混合,得到高空间分辨率和高光谱图像的融合图像,采用如下函数实现:
Z(i,j)=Wh(i,j)
式中:Z(i,j)表示融合图像像元(i,j)的光谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210245835.4A CN102789639B (zh) | 2012-07-16 | 2012-07-16 | 基于非负矩阵分解的高光谱图像和可见光图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210245835.4A CN102789639B (zh) | 2012-07-16 | 2012-07-16 | 基于非负矩阵分解的高光谱图像和可见光图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102789639A CN102789639A (zh) | 2012-11-21 |
CN102789639B true CN102789639B (zh) | 2015-02-04 |
Family
ID=47155037
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210245835.4A Active CN102789639B (zh) | 2012-07-16 | 2012-07-16 | 基于非负矩阵分解的高光谱图像和可见光图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102789639B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679715B (zh) * | 2013-12-05 | 2016-08-17 | 宁波大学 | 一种基于非负矩阵分解的手机图像特征提取方法 |
CN104899850B (zh) * | 2014-03-03 | 2017-11-28 | 五邑大学 | 一种基于加权联合稀疏回归的高光谱图像解混方法 |
CN104463223B (zh) * | 2014-12-22 | 2020-04-24 | 西安电子科技大学 | 基于空谱信息丰度约束的高光谱图像组稀疏解混方法 |
CN104931504B (zh) * | 2015-05-06 | 2017-12-05 | 浙江工业大学 | 一种基于非负矩阵分解的空间碎片材料分析方法 |
CN106780424A (zh) * | 2017-01-12 | 2017-05-31 | 清华大学 | 一种基于极少数优化选择波段的高光谱图像获取方法 |
CN106780345B (zh) * | 2017-01-18 | 2019-10-22 | 西北工业大学 | 基于耦合字典及空间转换估计的高光谱图像超分辨重建方法 |
CN108492283B (zh) * | 2018-03-09 | 2021-01-26 | 中国人民解放军国防科技大学 | 一种基于带约束稀疏表示的高光谱图像异常检测方法 |
CN109886897B (zh) * | 2019-03-04 | 2023-04-18 | 重庆工商大学 | 一种高光谱图像解混设备 |
CN109886351B (zh) * | 2019-03-04 | 2021-10-15 | 北京麦飞科技有限公司 | 高光谱数据和高分辨率图像融合方法 |
CN110428369B (zh) * | 2019-06-20 | 2021-10-08 | 中国地质大学(武汉) | 基于信息熵的chnmf遥感图像解混方法 |
CN111008975B (zh) * | 2019-12-02 | 2022-09-09 | 北京航空航天大学 | 一种空间人造目标线性模型的混合像元解混方法及系统 |
CN116128982B (zh) * | 2022-12-26 | 2023-09-26 | 陕西科技大学 | 基于高光谱图像的颜色分级/测色方法、系统、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697008A (zh) * | 2009-10-20 | 2010-04-21 | 北京航空航天大学 | 一种自动估计正则化参数的高光谱解混方法 |
US7840626B1 (en) * | 2004-09-29 | 2010-11-23 | Sandia Corporation | Methods for spectral image analysis by exploiting spatial simplicity |
CN102393910A (zh) * | 2011-06-29 | 2012-03-28 | 浙江工业大学 | 一种基于非负矩阵分解和隐马尔科夫模型的人体行为识别方法 |
CN102542547A (zh) * | 2011-12-29 | 2012-07-04 | 北京航空航天大学 | 一种基于光谱约束的高光谱图像融合方法 |
-
2012
- 2012-07-16 CN CN201210245835.4A patent/CN102789639B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7840626B1 (en) * | 2004-09-29 | 2010-11-23 | Sandia Corporation | Methods for spectral image analysis by exploiting spatial simplicity |
CN101697008A (zh) * | 2009-10-20 | 2010-04-21 | 北京航空航天大学 | 一种自动估计正则化参数的高光谱解混方法 |
CN102393910A (zh) * | 2011-06-29 | 2012-03-28 | 浙江工业大学 | 一种基于非负矩阵分解和隐马尔科夫模型的人体行为识别方法 |
CN102542547A (zh) * | 2011-12-29 | 2012-07-04 | 北京航空航天大学 | 一种基于光谱约束的高光谱图像融合方法 |
Non-Patent Citations (4)
Title |
---|
Application of Several Non-negative Matrix Factorization-Based Methods in Remote Sensing Image Fusion;Zhi Huang 等;《Fifth International Conference on Fuzzy Systems and Knowledge Discovery,2008》;20081231;第4卷;29-33 * |
Coupled Nonnegative Matrix Factorization Unmixing for Hyperspectral and Multispectral Data Fusion;Naoto Yokoya等;《IEEE Transactions on Geoscience and Remote Sensing》;20120229;第50卷(第2期);528-536 * |
Hyperspectral, multispectral, and panchromatic data fusion based on coupled non-negative matrix factorization;Naoto Yokoya等;《2011 3rd Workshop on Hyperspectral Image and Signal Processing: Evolution in Remote Sensing (WHISPERS)》;20111231;1-4 * |
采用改进投影梯度非负矩阵分解和非采样Contourlet变换的图像融合方法;杨粤涛 等;《光学精密工程》;20110907;第19卷(第5期);1143-1150 * |
Also Published As
Publication number | Publication date |
---|---|
CN102789639A (zh) | 2012-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102789639B (zh) | 基于非负矩阵分解的高光谱图像和可见光图像融合方法 | |
Lu et al. | Spatiotemporal variation of surface urban heat islands in relation to land cover composition and configuration: A multi-scale case study of Xi’an, China | |
CN102314685B (zh) | 一种基于随机投影的高光谱图像稀疏解混方法 | |
CN107389036A (zh) | 一种结合无人机影像的大空间尺度植被覆盖度计算方法 | |
Gao et al. | A new low-rank representation based hyperspectral image denoising method for mineral mapping | |
CN103745487B (zh) | 基于结构化稀疏先验的贝叶斯高光谱解混压缩感知方法 | |
CN104978573A (zh) | 一种应用于高光谱图像处理的非负矩阵分解方法 | |
CN102609944B (zh) | 基于距离几何理论的高光谱遥感图像混合像元分解方法 | |
CN103208118B (zh) | 一种高光谱遥感影像端元提取方法 | |
He et al. | Scaling up semi-arid grassland biochemical content from the leaf to the canopy level: Challenges and opportunities | |
CN104392243A (zh) | 基于核稀疏非负矩阵分解的高光谱图像非线性解混方法 | |
Sun et al. | Hyperspectral image-based vegetation index (HSVI): A new vegetation index for urban ecological research | |
Small et al. | Spatiotemporal characterization of mangrove phenology and disturbance response: the Bangladesh Sundarban | |
Shao et al. | A spectral unmixing method by maximum margin criterion and derivative weights to address spectral variability in hyperspectral imagery | |
CN105825227A (zh) | 一种基于mfocuss和低秩表示的高光谱图像稀疏解混方法 | |
Kumar et al. | Exploring subpixel learning algorithms for estimating global land cover fractions from satellite data using high performance computing | |
CN102789641B (zh) | 基于图拉普拉斯的高光谱图像和红外图像融合方法 | |
CN104268561A (zh) | 基于结构先验低秩表示的高光谱图像解混方法 | |
Chen et al. | Mapping of ecological environment based on Google earth engine cloud computing platform and landsat long-term data: A case study of the zhoushan archipelago | |
Thornley et al. | The feasibility of leaf reflectance-based taxonomic inventories and diversity assessments of species-rich grasslands: a cross-seasonal evaluation using waveband selection | |
Marion et al. | Mineral mapping using the automatized Gaussian model (AGM)—Application to two industrial French sites at Gardanne and Thann | |
Tian et al. | Study on the pretreatment of soil hyperspectral and Na+ ion data under different degrees of human activity stress by fractional-order derivatives | |
CN103489208B (zh) | 一种高光谱图像非线性光谱混合模型及地质填图应用研究 | |
Zhao et al. | Nonlinear unmixing of minerals based on the log and continuum removal model | |
Liu et al. | Exploration of planetary hyperspectral images with unsupervised spectral unmixing: A case study of planet Mars |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |