CN103714572A - 基于光谱重构的三步高光谱图像融合方法 - Google Patents

基于光谱重构的三步高光谱图像融合方法 Download PDF

Info

Publication number
CN103714572A
CN103714572A CN201310656056.8A CN201310656056A CN103714572A CN 103714572 A CN103714572 A CN 103714572A CN 201310656056 A CN201310656056 A CN 201310656056A CN 103714572 A CN103714572 A CN 103714572A
Authority
CN
China
Prior art keywords
image
fusion
spatial resolution
spectrum
module
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.)
Granted
Application number
CN201310656056.8A
Other languages
English (en)
Other versions
CN103714572B (zh
Inventor
尹继豪
孙建颖
姜志国
余万科
朱红梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beihang University
Original Assignee
Beihang University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beihang University filed Critical Beihang University
Priority to CN201310656056.8A priority Critical patent/CN103714572B/zh
Publication of CN103714572A publication Critical patent/CN103714572A/zh
Application granted granted Critical
Publication of CN103714572B publication Critical patent/CN103714572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

基于光谱重构的三步高光谱图像融合方法,即通过波段选择、光谱重构的处理方法对主成分分析图像融合进行完善,得到更好的融合效果。该方法如下:1)通过人机交互接口模块获得待融合的高光谱图像数据和高空间分辨率图像数据,并初始化相关参数;2)通过高光谱图像波段选择模块,设计波段选择矩阵,对初始高光谱图像进行波段选择;3)通过高光谱图像-高空间分辨率图像融合模块,对输入的图像进行主成分分析融合;4)通过光谱重构模块,对初始融合图像进行高精度光谱重构;5)通过融合结果输出模块,输出最终的融合结果。本发明的优点在于减少融合数据量,降低光谱畸变,提升光谱保持性,增强图像质量,该方法融合质量好,使用范围广。

Description

基于光谱重构的三步高光谱图像融合方法
技术领域
本发明涉及一种基于光谱重构的三步高光谱图像融合方法,适用于高光谱图像处理系统,属于高光谱遥感图像处理领域。 
背景技术
随着20世纪80年代初期成像光谱概念的出现,光学遥感进入了一个崭新的阶段——高光谱遥感(Hyperspectral Remote Sensing)阶段。高光谱遥感指集探测器技术、精密光学机械、微弱信号检测、计算机技术、信息处理技术于一体的,能够获取具有高的光谱分辨率图像的遥感科学和技术,是当前模式识别及遥感信息处理研究领域中的一个研究热点。 
与常规遥感图像相比,高光谱遥感图像具有“图谱合一”的突出特点,既能表达空间信息,又能表达光谱信息,以三维数据立方体的形式呈现。在遥感应用中,有时会要求图像同时具有高的空间分辨率和高的光谱分辨率。然而,由于当前技术条件的限制,现有高光谱成像仪器很难提供这样的数据。高光谱图像拥有较高的光谱分辨率,可达10nm,甚至更高,但其空间分辨率较低,即空间的细节表现能力较差;而普通遥感图像(如全色图像等)具有相对较高的空间分辨率,但不能表达光谱信息。因此,将高光谱遥感图像和对应的具有高的空间分辨率的遥感图像进行融合,可优化图像质量,得到新的高光谱图像,既具有较高的空间细节表现能力,同时又保留图像的光谱特性。 
目前很多传统多源遥感数据融合方法只适用于普通遥感图像间的融合以及多光谱图像与全色数据的融合,由于高光谱图像的巨大数据量,使得传统融合方法效率低、难适用。在图像融合领域,使用多源遥感数据进行融合的方法主要包括直接加权法、主成分分析(Principal Component Analysis,PCA)法、高通滤波(High-Pass Filter,HPF)算法和小波变换(Wavelet Translation,WT)法等。尽管前三种方法提高了高光谱数据各波段图像的空间分辨率,但融合后的图像光谱失真严重,容易增加噪声,甚至影响视觉效果;而小波变换法保持了原始光谱特性,但空间分辨率效果较差。因此有必要采用新的方式解决高光谱图像融合问题。 
PCA是一种统计相关分析技术,在多数实际问题中,由于指标较多及指标间有一定的相关性,势必增加分析问题的复杂性,PCA就是设法将原有指标重新组合成一组新的相互无关的几个综合指标来代替原来指标,是研究如何通过少数几个主成分来解释多变量的协方差结构的一种方法。PCA变换后的新子空间中,图像间的相关性基本消除,其中的第一主分量包含了绝大部分的信息。 
压缩感知是当前信号重构研究的热门理论,该理论指出,在一定条件下,可用少量压缩信号高精度重构原始信号,由此衍生了一系列信号重构方法,如正交匹配追踪(Orthogonal Matching Pursuit,OMP)算法等,利用最小二乘求解的贪婪方法快速求解原始信号。 
本发明将压缩感知波段重构技术引入融合过程进行图像优化,首先对高光谱图像进行波 段选择,再进行高光谱图像与高空间分辨率图像的PCA融合,最后再对其进行波段维的重构过程,得到同时包含高空间分辨率空间信息和光谱信息的图像,形成一套新的高光谱图像融合方法体系。 
发明内容
本发明的目的在于提供一种基于光谱重构的三步高光谱图像融合方法,发明了一种运用压缩感知光谱重构技术进行波段选择,从而以少量数据进行快速、精确融合,最终再高质量重构光谱维信息的多源图像融合方法。本方法既提高融合过程的效率,又增强了高光谱图像融合的光谱保持性,融合图像性能好,使用范围广。 
本发明所涉及的方法流程包括以下步骤:(1)获得待融合的高光谱图像和高空间分辨率图像数据,初始化相关参数;(2)利用波段选择矩阵对高光谱图像进行波段选择,以减少融合数据量;(3)计算高光谱图像的主成分,并用高空间分辨率图像与其进行PCA融合;(4)通过压缩感知光谱重构方法进行光谱的高精度重构;(5)输出最终的高光谱图像融合结果。 
下面对该方法流程各步骤进行详细说明: 
(1)获得待融合的高光谱图像和高空间分辨率图像数据,初始化相关参数:待融合数据为波段数为n的高光谱图像x=(x1,x2,...,xn)T和高空间分辨率图像X,xi(i=1,2,…,n)表示第i波段的图像,设置合适的波段采样比r。 
(2)利用波段选择矩阵对高光谱图像进行波段选择:按照合理的方式和采样比对高光谱图像进行波段选择,通常选择等间隔波段选择,采样比为大于1的正整数,即r=n/m=2,3,…,其中m为选择后的高光谱图像波段数,通过波段选择矩阵Φ对高光谱图像进行波段选择,即得到s=Φx。 
(3)计算高光谱图像的主成分,并用高空间分辨率图像与其进行PCA融合:对采样后的高光谱图像s进行PCA变换,得到第一主成分
Figure BDA0000431565080000021
将X与
Figure BDA0000431565080000022
作直方图匹配得到PCNEW,用PCNEW代替
Figure BDA0000431565080000023
后与其余主成分一起做PCA逆变换,得到初始融合图像S。 
(4)通过压缩感知光谱重构方法进行光谱的高精度重构: 
Figure BDA0000431565080000031
根据压缩感知原理,通过重构算法根据上式求解y,进而通过正交反变换得到 
Figure BDA0000431565080000032
其中y为原始信号的稀疏表示,Ψ为正交的稀疏变换基(如小波基等),X'为光谱重构恢复得到的最终融合图像。 
(5)输出最终的高光谱图像融合结果X'。 
本发明是一种基于光谱重构的三步高光谱图像融合方法,是一套全新的利用波段选择和光谱重构实现的快速、高效高光谱图像融合方法,其优点在于:减少融合数据量,减少光谱变形,提升高光谱空间分辨率,提高光谱保持性,增强图像质量。 
具体实施方式
下面结合附图与实例进一步说明本技术发明的应用方法。 
1)获得待融合的高光谱图像和高空间分辨率图像数据,初始化相关参数: 
待测实验数据选择美国HYDICE采集的Texas高光谱图像,其图像大小为307×306个像素,波段数为210。因该数据第4波段成像质量很高,故选取其中第4波段作为高空间分辨率的图像X;对该数据进行1:4的压缩采样,即每4个像素点采样一次,得到新的高光谱数据,即为带融合高光谱图像x;设置波段采样比r=3。两幅图像均来源于同一原始数据,因此可省去图像空间匹配过程。 
2)波段选择: 
利用波段选择矩阵对高光谱图像进行波段选择,采样比r=3时,若从第一波段开始选择,那么则波段选择矩阵可表示为 
Φ = 1 0 0 0 0 0 0 · · · 0 0 0 0 0 0 0 · · · 0 0 0 0 0 0 0 · · · 0 0 0 1 0 0 0 · · · 0 0 0 0 0 0 0 · · · 0 0 0 0 0 0 0 · · · 0 0 0 0 0 0 1 · · · · · · · · ·
计算得到波段选择后的高光谱图像s=Φx=(x1,x4,x7...)T。 
3)PCA图像融合: 
计算高光谱图像的主成分,并用高空间分辨率图像与其进行PCA融合,得到初始融合图像S。 
4)光谱重构: 
采用OMP重构算法,由图像S得到图像的稀疏表示y,进而得到高精度重构图像  X ′ = Σ i = 1 n ψ i y i = Ψy .
5)输出最终的高光谱图像融合结果: 
将X'作为最终的高光谱图像融合结果显示输出。 
本发明经过实例的具体实施,用于高光谱图像融合中,光谱保持性强,检测性能好,适用范围广。 
附图说明
图1为基于光谱重构的三步高光谱图像融合方法流程图,包括波段选择、PCA融合、光谱重构三个步骤。 
图2(a)所示为美国HYDICE采集的Texas高光谱数据的第4波段灰度图像显示;图2(b)为1:4采样后的美国HYDICE采集的Texas高光谱数据的第1波段灰度图像显示。 
图3所示为初始待融合高光谱图像的第一主成分灰度显示。 
图4所示为基于光谱重构的三步高光谱图像融合方法实验结果,显示融合输出图像的第1波段灰度图。 
图5所示为基于光谱重构的三步高光谱图像融合方法的光谱拟合对比结果,其中虚线为原始待融合高光谱图像的平均光谱,实线为融合后高光谱图像的平均光谱。 

Claims (1)

1.基于光谱重构的三步高光谱图像融合方法,其特征在于:通过波段选择和重构提高融合过程的效率,并增强光谱保持性、稳定性,具有人机交互接口模块、高光谱图像波段选择模块、高光谱图像-高空间分辨率图像融合模块、光谱重构模块、融合结果输出模块这五个功能模块。包括如下步骤:
(1)获得待融合的高光谱图像数据和高空间分辨率图像数据,初始化相关参数:假设X为待融合的高空间分辨率图像,x=(x1,x2,...,xn)T为待融合的低空间分辨率的高光谱图像,其中n是高光谱数据的波段总数,xi,i=1,…,n代表第i波段的图像响应数值,完成初始参数设置步骤;
(2)设置合适的采样比r,根据设置的采样比和起始波段设计得到波段选择矩阵Φ的表达,通过计算式s=Φx获得降维后的高光谱图像s,完成波段选择步骤;
(3)利用降维的高光谱图像s与空间分辨率较高的遥感图像X进行PCA融合:对采样后的高光谱图像s进行PCA变换,得到第一主成分
Figure FDA0000431565070000011
将高空间分辨率图像X与
Figure FDA0000431565070000012
作直方图匹配得到PCNEW,用PCNEW代替
Figure FDA0000431565070000014
后与其余主成分一起做PCA逆变换,得到初始融合图像S;
(4)基于压缩感知光谱重构方法对图像S进行重构,根据初始参数设计正交的稀疏变换基Ψ,通过S=ΦX'=ΦΨy求解图像的稀疏表示y,并经过正交反变换得到重构图像 X ′ = Σ i = 1 n ψ i y i = Ψy , 完成光谱重构步骤;
(5)输出最终的高光谱图像融合结果X'。
CN201310656056.8A 2013-12-06 2013-12-06 基于光谱重构的三步高光谱图像融合方法 Active CN103714572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310656056.8A CN103714572B (zh) 2013-12-06 2013-12-06 基于光谱重构的三步高光谱图像融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310656056.8A CN103714572B (zh) 2013-12-06 2013-12-06 基于光谱重构的三步高光谱图像融合方法

Publications (2)

Publication Number Publication Date
CN103714572A true CN103714572A (zh) 2014-04-09
CN103714572B CN103714572B (zh) 2016-08-17

Family

ID=50407513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310656056.8A Active CN103714572B (zh) 2013-12-06 2013-12-06 基于光谱重构的三步高光谱图像融合方法

Country Status (1)

Country Link
CN (1) CN103714572B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105261000A (zh) * 2015-09-17 2016-01-20 哈尔滨工程大学 一种基于端元提取与光谱解混的高光谱图像融合方法
CN107977951A (zh) * 2017-12-25 2018-05-01 咸阳师范学院 基于耦合张量分解的多光谱与高光谱图像融合方法
CN110111276A (zh) * 2019-04-29 2019-08-09 西安理工大学 基于空-谱信息深度利用的高光谱遥感影像超分辨率方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
WENKAO YANG等: "《A Novel Algorithm for Satellite Images Fusion Based on Compressed Sensing and PCA》", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 *
亓辰: "《高光谱与高空间分辨率遥感图像融合算法研究》", 《万方学位论文》 *
杨森林等: "《压缩域遥感图像融合方法研究》", 《西安文理学院学报:自然科学版》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105261000A (zh) * 2015-09-17 2016-01-20 哈尔滨工程大学 一种基于端元提取与光谱解混的高光谱图像融合方法
CN105261000B (zh) * 2015-09-17 2018-04-24 哈尔滨工程大学 一种基于端元提取与光谱解混的高光谱图像融合方法
CN107977951A (zh) * 2017-12-25 2018-05-01 咸阳师范学院 基于耦合张量分解的多光谱与高光谱图像融合方法
CN110111276A (zh) * 2019-04-29 2019-08-09 西安理工大学 基于空-谱信息深度利用的高光谱遥感影像超分辨率方法
CN110111276B (zh) * 2019-04-29 2021-09-10 西安理工大学 基于空-谱信息深度利用的高光谱遥感影像超分辨率方法

Also Published As

Publication number Publication date
CN103714572B (zh) 2016-08-17

Similar Documents

Publication Publication Date Title
Rao et al. A residual convolutional neural network for pan-shaprening
Wang et al. Tensor decompositions for hyperspectral data processing in remote sensing: A comprehensive review
Wang et al. A comparative analysis of image fusion methods
He et al. Small infrared target detection based on low-rank and sparse representation
WO2018045626A1 (zh) 基于超像素级信息融合的高光谱图像的分类方法及系统
CN112488924B (zh) 一种图像超分辨率模型训练方法、重建方法及装置
CN104123705B (zh) 一种超分辨率重建图像质量Contourlet域评价方法
CN102542296A (zh) 一种采用基于多变量灰色模型的二维经验模态分解提取图像特征的方法
CN114266957A (zh) 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法
Li et al. MF-SRCDNet: Multi-feature fusion super-resolution building change detection framework for multi-sensor high-resolution remote sensing imagery
Dongsheng et al. Multi-focus image fusion based on block matching in 3D transform domain
Deng et al. Multiple frame splicing and degradation learning for hyperspectral imagery super-resolution
CN115018750A (zh) 中波红外高光谱及多光谱图像融合方法、系统及介质
Nathan et al. Light weight residual dense attention net for spectral reconstruction from RGB images
CN103714572A (zh) 基于光谱重构的三步高光谱图像融合方法
CN118247145A (zh) 一种高光谱图像超分辨率重建方法及其系统
CN117437123B (zh) 一种光谱与纹理注意力融合的深度光谱超分辨率方法
Zhang et al. Convolutional block attention module U-Net: a method to improve attention mechanism and U-Net for remote sensing images
Cloninger et al. The pre-image problem for Laplacian eigenmaps utilizing l1 regularization with applications to data fusion
Yan et al. Infrared and visible image fusion based on NSST and RDN
CN113628111B (zh) 基于梯度信息约束的高光谱图像超分辨方法
CN102156872A (zh) 一种基于多光谱数据的物体识别方法和装置
CN105352602A (zh) 一种光学智能感知多维成像系统
Gong et al. An adaptive multi-scale gaussian co-occurrence filtering decomposition method for multispectral and SAR image fusion
Gao et al. Algorithms of image fusion based on wavelet transform

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