CN104835122A - 基于压缩感知的全色锐化方法 - Google Patents

Abstract

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。

Description

基于压缩感知的全色锐化方法

技术领域

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

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。

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。

全色锐化可以被称为图像融合的一种特殊情况。Pohl和VanGenderen[1]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究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。

[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。M.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]。

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。

[1]C.Pohl and J.L.Van Gernderen,Multisensor image fusionin remote sensing:Concepts,methods and applications,International Journal of Remote Sensing,Vol.19,No.5,pp.823-854,1998.

[2]T.Tu,S.Su,H.Shyn and P.Huang,A new look at IHS-likeimage fusion methods,Information Fusion,Vol.2,pp.177-186,2001.

[3]T.Tu,P.Huang,C.L.Hung and C.P.Chang,A fastIntensity-Hue-Saturation fusion technique with spectraladjustment for IKONOS imagery,IEEE Geoscience and Remote SensingLetters,Vol.1,pp.309-312,2004.

[4]M.Choi,A new Intensity-Hue-Saturation fusion approachto image fusion with a tradeoff parameter,IEEE Transactions ofGeoscience and Remote Sensing,Vol.44,No.6,pp.1672-1682,2006.

[5]M.Choi,H.Kim,N.I.Cho and H.O.Kim,An improvedIntensity-Hue-Saturation method for IKONOS image fusion,International Journal of Remote Sensing,2008.

[6]V.P.Shah and N.H.Younan,An efficient pan-sharpeningmethod via a combined adaptive PCA approach and contourlets,IEEETransactions of Geoscience and Remote Sensing,Vol.46,No.5,2008.

[7]A.R.Gillespie,A.B.Kahle and R.E.Walker,Colorenhancement of highly correlated images II.Channel ratio andchromaticity transformation technique,Remote SensingEnvironment,Vol.22,No.3,pp.343-365,1987.

[8]Y.Zhang,Problems in the fusion of commercialhigh-resolution satellite images as well as Landsat-7images andinitial solutions.International Archives Of PhotogrammetryRemote Sensing And Spatial Information Sciences,Vol.34,Part 4,pp.587-592,2002.

[9]X.Otazu and M.Gonzalez-Ausicana,Introduction of sensorspectral response into image fusion methods:Application towavelet-based methods,IEEE Transactions of Geoscience and RemoteSensing,Vol.43,No.5,pp.2376-2385,2005.

[10]M.Moeller,T.Wittman and A.L.Bertozzi,Variationwavelet pan-sharpening,IEEE Transactions of Geoscience andRemote Sensing

[11]V.K.Shettigara,A generalized component substitutiontechnique for spatial enhancement of multispectral images usinga higher resolution data set,Photogrammetric Engineering&RemoteSensing,Vol.58,No.5,pp.561-567,1992。

发明内容

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。

为实现上述目的，本发明提供如下技术方案：

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：

对全色图像X0进行低通滤波和降采样，获得全色图像Y0，进一步对全色图像Y0进行图像分割及向量化，全色图像Y0被分割成小的，可能但不一定部分重叠的，补丁y0，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X0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y0，所有的高分辨率补丁x0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，稀疏系数向量可以通过L1-L2最小化来估计：

$\widehat{\mathrm{\α}}=\arg \underset{\mathrm{\α}}{\min }\{\mathrm{\λ}{\left|\right|\mathrm{\α}\left|\right|}_1+\frac{1}{2}{\left|\right|\tilde{D}\mathrm{\α}-\tilde{y}\left|\right|}_2^2\}$

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：

$\hat{x}=D_h\widehat{\mathrm{\α}}$

所有图像补丁的平铺给出最终全色锐化的图像

优选的，在上述的基于压缩感知的全色锐化方法中，所述步骤(1)中，全色图像X0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。

优选的，在上述的基于压缩感知的全色锐化方法中，所述步骤(1)中，全色图像Y0与多光谱图像Y具有相同的空间分辨率。

优选的，在上述的基于压缩感知的全色锐化方法中，所述步骤(1)中，所述补丁x0和补丁y0的补丁排列顺序相同。

与现有技术相比，本发明的优点在于：

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。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1所示为本发明具体实施例中基于压缩感知的全色锐化方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行详细的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

全色锐化问题可以表述如下：给定一个低分辨率多光谱图像Y和一个高分辨率的全色图像的X0，以提高Y的空间分辨率，同时保持它的光谱信息。换句话说，利用Y和X0作为输入生成高分辨率多光谱图像X。基于压缩感知的全色锐化方法可以再确保高空间分布率和光谱分辨率的同时，减少频谱失真。

参图1所示，本实施例中，基于压缩感知的全色锐化方法包括三个主要步骤：a)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。

a)字典学习

在单元1中的高分辨率的全色图像X0为1)低通滤波，是所得图片与低分辨率的多光谱图像具有相同的点响应函数；2)降采样，降采样倍数为FDS(通常为4-10)，它使得所得的全色图像Y0(X0的低分辨版本)与低分辨率的多光谱图像具有相同的空间分辨率。

在单元2和3在低分辨率全色图像Y0和低分辨率多光谱图像Y被分割成小的(典型地3×3至9×9)，可能但不一定部分重叠的，补丁y 0和y。所有低分辨的补丁y0在减去平均灰度，归一化，矢量化之后构成的矩阵D_l，称为低分辨率字典。

在单元4HR全色影像X0被同样的方法分割成图像补丁，使得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y0。所有的高分辨率补丁x0(与低分辨率字典的补丁排列顺序相同)构成的矩阵D_h，称为HR字典。

b)、稀疏系数估计

在单元6对于每个低分辨率多光谱图像补丁y，稀疏系数向量可以通过L1-L2最小化来估计：

$\widehat{\mathrm{\α}}=\arg \underset{\mathrm{\α}}{\min }\{\mathrm{\λ}{\left|\right|\mathrm{\α}\left|\right|}_1+\frac{1}{2}{\left|\right|\tilde{D}\mathrm{\α}-\tilde{y}\left|\right|}_2^2\}---\left(1\right)$

稀疏参数估计以及以下的高分辨率多光谱图像重建(见c))按顺序逐步进行，也就是由图像左上方的补丁开始向右下方逐步进行重建。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。λ是L1-L2最小拉格朗日乘数。

该L1-L2最小化保证了一个稀疏解并通过标准凸优化算法得到解决。

如果没有重叠，每一个图片补丁的系数可以独立估计

$\widehat{\mathrm{\α}}=\arg \underset{\mathrm{\α}}{\min }\{\mathrm{\λ}{\left|\right|\mathrm{\α}\left|\right|}_1+\frac{1}{2}{\left|\right|D_l\mathrm{\α}-y\left|\right|}_2^2\}---\left(3\right)$

c)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：

$\hat{x}=D_h\widehat{\mathrm{\α}}---\left(4\right)$

所有图像补丁的平铺给出最终全色锐化的图像

这个压缩感知为基础的全色锐化方法的主要特点：

(1)、它使用压缩感知和稀疏重建解决泛锐化问题的原则。

(2)、它不对全色图像的频谱模型进行任何假设。因此，对传感器的特定光谱通道的形状并不敏感。

(3)、它通过利用多光谱图像补丁的稀疏表示从高空间分辨率全色图像训练有素的字典对获得HR多光谱图像。

(4)、它采用了L1-L2范数最小化来估计稀疏系数从中HR图像补丁可以重建。

(5)、相比于传统方法，大大减少了频谱失真。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (4)

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：

对全色图像X0进行低通滤波和降采样，获得全色图像Y0，进一步对全色图像Y0进行图像分割及向量化，全色图像Y0被分割成小的，可能但不一定部分重叠的，补丁y0，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X0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y0，所有的高分辨率补丁x0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，稀疏系数向量可以通过L1-L2最小化来估计：

$\widehat{\mathrm{\α}}=\arg \underset{\mathrm{\α}}{\min }\{\mathrm{\λ}{\left|\right|\mathrm{\α}\left|\right|}_1+\frac{1}{2}{\left|\right|\tilde{D}\mathrm{\α}-\tilde{y}\left|\right|}_2^2\}$

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：

$\hat{x}=D_h\widehat{\mathrm{\α}}$

所有图像补丁的平铺给出最终全色锐化的图像

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X0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Y0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x0和补丁y0的补丁排列顺序相同。