CN106651820A - 基于稀疏张量近邻嵌入的遥感图像融合方法 - Google Patents
基于稀疏张量近邻嵌入的遥感图像融合方法 Download PDFInfo
- Publication number
- CN106651820A CN106651820A CN201610846227.7A CN201610846227A CN106651820A CN 106651820 A CN106651820 A CN 106651820A CN 201610846227 A CN201610846227 A CN 201610846227A CN 106651820 A CN106651820 A CN 106651820A
- Authority
- CN
- China
- Prior art keywords
- resolution
- matrix
- mould
- full
- image
- 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
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 99
- 238000005070 sampling Methods 0.000 claims description 45
- 230000004927 fusion Effects 0.000 claims description 28
- 239000013598 vector Substances 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 11
- 238000013139 quantization Methods 0.000 claims description 9
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims 1
- 230000037430 deletion Effects 0.000 claims 1
- 238000002156 mixing Methods 0.000 description 15
- 230000003595 spectral effect Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000010348 incorporation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于稀疏张量近邻嵌入的遥感图像融合方法。其方案为:1)输入低分辨率多光谱图像M和高分辨率全色图像P;2)将低分辨率多光谱图像M分为多光谱图像张量块M1;3)利用高分辨率全色图像P和多光谱图像张量块M1构建高分辨多模字典HD和低分辨多模字典LD;4)优化高分辨多模字典HD和低分辨多模字典LD的原子;5)求解多光谱图像张量块M1在对低分辨多模字典LD下的张量稀疏系数A;6)将张量稀疏系数A与高分辨多模字典HD模乘,空域残差补偿后得到高分辨多光谱图像。本发明利用了多光谱波段间的信息,减少了融合后图像的色彩失真,可用于遥感探测和目标识别。
Description
技术领域
本发明属于图像处理技术领域,特别涉及一种遥感图像融合方法,可用于遥感探测、安全导航、医学图像分析、反恐检查和环境保护。
背景技术
遥感图像融合是对多遥感器获得的图像数据和其他信息处理的过程。其中研究最广的是多光谱图像与全色图像融合。多光谱图像,色彩信息丰富,但空间分辨率较低,一般为四个波段。全色图像,空间分辨率很高,细节清晰,但缺少颜色信息,一般指使用0.5μm到0.75μm左右的单波段。在目标识别时,色彩信息和目标的空间分辨率对于分辨地物特征都具有非常重要的作用。
遥感图像融合是对多遥感器获得的图像数据处理的过程。目的是将两类图像通过一定的规则或方法有机的结合起来,得到一幅具有高光谱分辨率和高空间分辨率的图像。多光谱与全色图像融合方法可以被归结为三大类:(1)分量替换CS_Based融合框架;(2)基于多尺度分析工具MRA_Based的融合框架;(3)基于模型Model_Based的融合框架。
基于模型Model_Based的融合算法在光谱信息的保持方面仍然存在不足之处:1)忽略了波段之间的联系导致了融合结果的光谱扭曲;2)忽略了对高阶统计特性的应用。
近年来,压缩感知和稀疏表示的理论的发展,使得基于退化模型为理论的模型复原的图像融合方法得以发展。参见Jiang C,Zhang H,Shen H,et al.Two-step sparsecoding for the pan-sharpening of remote sensing images[J].Selected Topics inApplied Earth Observations and Remote Sensing,IEEE Journal of,2014,7(5):1792-1805。该算法为两步稀疏编码多光谱图像锐化方法。第一步稀疏编码过程是低分辨多光谱图像的图像块由对应位置的低分辨全色图像块线性表示,最终求得一个系数。第二步稀疏编码是通过低分辨字典来稀疏表示残差,然后得到残差的稀疏向量。两步稀疏编码结束后,两个系数被整合成一个向量。融合结果由最终整合的稀疏向量和字典原子相乘得到。该算法由于将多光谱图像分波段融合,没能充分考虑对波段间的信息充分利用,使得融合结果产生了色彩失真及光谱扭曲。
发明内容
本发明目的在于针对上述已有技术的不足,提出一种基于稀疏张量近邻嵌入的遥感图像融合方法,以充分利用多光谱图像波段间的信息,保持融合结果的光谱信息,减少融合后的多光谱图像的颜色失真及光谱扭曲现象。
本发明的技术方案是这样实现的:
一.技术原理
“张量”是高阶数据处理的有效模型。张量作为矢量与矩阵的高维推广,在多维信号处理时张量形式能够很好地保持多维信号的空间结构。与基于向量的方法相比,基于张量的方法具有如下优点:(a)能够保持更多的张量数据的结构信息,从而使得数据蕴含的信息得到充分的利用,充分利用多光谱波段间的信息;(b)通过设计与张量分解有关的模型和算法,可以改变以往融合算法中多图像量化操作的过程,可以在融合的过程中有效的利用多光谱数据的高阶统计特性。
本发明结合张量高阶数据处理的特点,克服基于模型的融合框架中的量化的操作,利用张量能够很好地保持多维信号的空间结构的特点充分利用多光谱图像各个波段间的联系,将低分辨多光谱图像在张量的形式下构建张量形式的近邻嵌入模型,将低分辨的多光谱图像在低分辨的近邻嵌入字典下稀疏表示后,将稀疏系数张量映射到高维流形结构上得到高分辨的多光谱图像。
二.实现方案
基于上述原理,本发明的实现方案包括如下:
(1)分别输入低分辨率多光谱图像M和高分辨率全色图像P;
(2)对低分辨多光谱图像M进行上采样,得到上采样多光谱图像M1,该M1与全色图像P的分辨率尺寸相同;
(3)对高分辨全色图像P进行下采样,得到下采样全色图像P1,该P1与低分辨多光谱图像M的分辨率尺寸相同;
(4)对下采样全色图像P1进行上采样,得到上采样全色图像P2,该P2与高分辨全色图像P的分辨率尺寸相同;
(5)对上采样多光谱图像M1进行分块,得到三维的多光谱张量块M;
(6)根据上采样全色图像P2,获得低分辨模1矩阵DL1:
6a)将上采样全色图像P2进行分块,得到上采样全色图像小块P3,对P3进行近邻扩充操作,得到扩充后的上采样全色图像IL;
6b)对扩充后的上采样全色图像IL划窗取块,并对其进行列向量化,得到低分辨模1矩阵DL1;
(7)根据高分辨全色图像P,获得高分辨模1矩阵DH1:
7a)将高分辨全色图像P进行分块,得到全色图像小块P4,对P4进行近邻扩充操作,得到扩充后的全色图像IH;
7b)将扩充后的全色图像IH划窗取块,并经过列向量化操作,得到高分辨模1矩阵DH1;
(8)分别优化低分辨模1矩阵DL1中的原子、高分辨模1矩阵DH1中的原子:
8a)根据多流形理论,分别对低分辨模1矩阵DL1和高分辨模1矩阵DH1中的原子进行单位化欧氏距离操作,使得这两个矩阵DL1和DH1中原子在同一流形结构上;
8b)根据多流形理论,分别对低分辨模1矩阵DL1和高分辨模1矩阵DH1中的原子进行添加惩罚正则项的优化求解操作,使得这两个矩阵DL1和DH1中的原子在同一切空间平面上;
(9)对多光谱张量块M进行量化操作,得到低分辨模2矩阵DL2和低分辨模3矩阵DL3,及高分辨模2矩阵DH2和高分辨模3矩阵DH3;
(10)用低分辨模1矩阵DL1、低分辨模2矩阵DL2和低分辨模3矩阵DL3进行组合,得到低分辨多模字典LD;
(11)将高分辨模1矩阵DH1、高分辨模2矩阵DH2和高分辨模3矩阵DH3进行组合,得到高分辨多模字典HD;
(12)利用张量基追踪算法,求解多光谱张量块M在低分辨多模字典LD下的稀疏张量系数A;
(13)将高分辨多模字典HD与稀疏张量系数A进行模乘,获得融合的多光谱图像F1;
(14)利用空域残差补偿法更新融合的多光谱图像F1,获得高分辨的多光谱图像F。
本发明与现有的技术相比具有以下优点:
第一,本发明将低分辨多光谱图像以张量的形式进行表示,保证了在计算时各个波段间的信息的完整性,克服了量化操作对光谱信息所造成的影响,改善了光谱扭曲及色彩失真的现象;
第二,本发明构建了稀疏张量近邻嵌入模型,在张量的形式下,利用了流形假设中的局部相似性特征,使得融合图像的空间信息更加精确;
第三,本发明对近邻字典进行优化,优化后的字典原子与对应的多光谱图像块不仅在同一流形结构上,且在同一个切空间上,提高了张量的近邻字典的性能,增强了融合结果的空间分辨率。
仿真结果表明,本发明得到的融合后多光谱图像比现有技术的融合图像能更好的改善光谱扭曲及颜色失真的现象,保持了融合图像的光谱分辨率,同时提高了空间分辨率。
附图说明
图1为本发明的实现流程图;
图2为本发明的仿真结果图。
具体实施方法
以下结合附图为本发明做进一步详细描述:
参照图1,本发明的具体实施方式如下:
步骤1,分别输入低分辨率多光谱图像M和高分辨率全色图像P,
(1.1)本发明实施例中输入的低分辨多光谱图像M大小为64×64×4,分辨率为2m;高分辨率的全色图像P大小为256×256,分辨率为0.5m;
(1.2)将低分辨的多光谱图像M上采样至与高分辨率全色图像P的相同分辨率尺寸,得到上采样的多光谱图像M1,本实例中M1的大小为256×256×4。
步骤2,输入高分辨率全色图像P,得到下采样全色图像P1和上采样全色图像P2。
(2.1)输入高分辨率全色图像P,并对其下采样得到大小为64×64的下采样全色图像P1;
(2.2)对下采样全色图像P1上采样,得到大小为256×256的上采样全色图像P2。
步骤3,对上采样的多光谱图像M1分块,构成三维的多光谱张量块M。
(3.1)上采样多光谱图像M1包含四个波段,对M1的每一个波段按5×5的大小划窗取块,得到四个波段的图像块分别为B1、B2、B3、B4;
(3.2)对四个波段的图像块B1、B2、B3、B4按照第三维方向组合,得到三维的多光谱张量块M。
步骤4,输入上采样全色图像P2,得到低分辨模1矩阵DL1。
(4.1)对上采样全色图像P2分块,得到上采样全色图像小块P3;
(4.2)对上采样全色图像小块P3以大小为21进行邻域扩充,得到大小为21×21的扩充后上采样全色图像IL,且IL的中心为P3;
(4.3)对每一个扩充后的上采样全色图像IL用5×5大小的窗口,按“Z”字形划窗取块,将每一个块列向量化后,得到大小为25×1的上采样全色图像小块列向量;
(4.4)对上采样全色图像小块列向量进行组合,得到大小为25×289的低分辨模1矩阵DL1。
步骤5,根据高分辨全色图像P,得到高分辨模1矩阵DH1。
(5.1)对高分辨全色图像P按5×5的大小划窗分块,得到全色图像小块P4;
(5.2)对全色图像小块P4以大小为21进行邻域扩充,得到大小为21×21的扩充后全色图像IH,且IH的中心为P4;
(5.3)对每一个扩充后的全色图像IH用5×5大小的窗口,以1为步长,按“Z”字形划窗取块,并对每一个块列进行向量化,得到大小为25×1的高分辨全色图像小块列向量;
(5.4)对高分辨全色图像小块列向量进行组合,得到大小为25×289的高分辨模1矩阵DH1。
步骤6,计算低分辨模1矩阵DL1中原子的单位化欧氏距离。
(6.1)对上采样全色图像小块P3列向量化,得到上采样全色图像小块向量tP3;
(6.2)使用公式||DL1-tP3||2计算低分辨模1矩阵DL1的原子与上采样全色图像小块向量tP3的模值;
(6.3)使用公式计算低分辨模1矩阵DL1中的原子的单位化欧氏距离。
步骤7,计算高分辨模1矩阵DH1中原子的单位化欧氏距离。
(7.1)对全色图像小块P4列向量化,得到全色图像小块向量tP4;
(7.2)使用公式||DH1-tP4||2计算高分辨模1矩阵DH1的原子与全色图像小块向量tP4的模值;
(7.3)使用公式计算高分辨模1矩阵DH1的原子的单位化欧氏距离。
步骤8,优化低分辨模1矩阵DL1中的原子。
(8.1)使用公式tP3=DL1CL计算低分辨权值CL,其中,tP3为上采样全色图像小块向量,DL1为低分辨模1矩阵;
(8.2)使用公式:计算低分辨惩罚正则项QL,
其中,DL1为低分辨模1矩阵,s.t表示求解的限制条件,||QLCL||1为QLCL的一范数,||DL1CL||2为DL1CL的二范数,T表示矩阵的转置,ε为重构误差;
(8.3)将高分辨惩罚正则项QL中元素编号映射到低分辨模1矩阵DL1;
(8.4)在矩阵DL1中删除零元素编号的原子,将剩下非零元素编号的原子作为优化后的低分辨模1矩阵DL1原子。
步骤9,优化高分辨模1矩阵DH1中的原子。
(9.1)使用公式tP4=DH1CH计算高分辨权值CH,其中,tP4为全色图像小块向量,DH1为高分辨模1矩阵;
(9.2)使用公式:计算高分辨惩罚正则项QH,
其中,DH1为高分辨模1矩阵,||QHCH||1为QHCH的一范数,||DH1CH||2为DH1CH的二范数;
(9.3)将高分辨惩罚正则项QH中元素编号映射到高分辨模1矩阵DH1;
(9.4)在矩阵DH1中删除零元素编号的原子,将剩下非零元素编号的近邻原子作为优化后的高分辨模1矩阵DH1原子。
步骤10,根据多光谱张量块M得到模矩阵。
(10.1)对多光谱张量块M按照模2方向进行量化,得到量化矩阵,将该量化矩阵同时作为低分辨模2矩阵DL2和高分辨模2矩阵DH2;
(10.2)对多光谱张量块M按照模3方向进行量化,得到量化矩阵,将该量化矩阵同时作为低分辨模3矩阵DL3和高分辨模3矩阵DH3。
步骤11,利用模矩阵得到多模字典。
(11.1)组合低分辨模1矩阵DL1、低分辨模2矩阵DL2和低分辨模3矩阵DL3,得到低分辨多模字典LD;
(11.2)组合高分辨模1矩阵DH1、高分辨模2矩阵DH2和高分辨模3矩阵DH3,得到高分辨多模字典HD。
步骤12,利用多光谱张量块M、低分辨多模字典LD和高分辨多模字典HD,得到融合的多光谱图像F1。
(12.1)使用公式:计算多光谱张量块M在低分辨多模字典LD下的稀疏张量系数A,
其中,A为待求解的高分辨率稀疏张量系数,||A||1为稀疏张量系数A的一范数,LD为低分辨率多模字典,为A×1LD-M的二范数平方;
(12.2)使用公式F1=A×HD计算高分辨多模字典HD与稀疏张量系数A模乘得的融合的多光谱图像F1。
步骤13,更新融合的多光谱图像F1,获得高分辨的多光谱图像F。
(13.1)对融合的多光谱图像F1分块,得到融合多光谱图像小块M F;
(13.2)使用公式R=M-M F计算融合多光谱图像小块M F与多光谱张量块M的残差R;
(13.3)使用公式计算残差R在低分辨多模字典LD下的稀疏系数A R;
(13.4)根据稀疏系数A R与高分辨多模字典HD,得到融合后残差R F=A R×HD;
(13.5)根据融合后残差R F与融合多光谱图像小块M F,得到高分辨的多光谱图像F=R F+M F。
本发明的效果可以通过以下仿真实验作进一步说明。
1.实验仿真环境为MATLAB R2014a on PC with Intel(R)core(TM)/2.50G/2.50G;
2.仿真内容:
仿真1,使用本发明方法,对低分辨的多光谱图像和高分辨的全色图像融合,得到高分辨的多光谱图像,结果如图2。其中:
图2(a)是低分辨的多光谱图像,图2(b)是高分辨的全色图像,图2(c)是参考图像,这三幅图像选自GeoEye,图2(d)是采用本发明对图2(a)和图2(b)融合后获得的高分辨多光谱图像。
由图2(d)与图2(a)的比较可见,图2(a)的细节不清晰,如道路的清晰度,房屋的色彩等均不清楚,而图2(d)在空间分辨率、光谱信息、视觉效果上明显优于图2(a)。
仿真2,为了证明本发明的效果,用本发明的方法和现有的代表性融合算法,分别对图2(a)和图2(b)的图像融合,融合结果的评价指标对比,如表1。
现有的代表性融合算法包括:基于主成分分析变换的融合算法PCA、基于小波变换的融合算法AWLP、基于小波变换的融合算法CT、基于压缩感知融合算法CS。
表1各方法融合结果的评价指标对比
表1中的常用评价指标包括:相关系数CC、通用图像质量指标UIQI、均方根误差RMSE、整体图像质量指数Q4、光谱弧度SAM、相对整体维数综合误差ERGAS。
从表1数据对比表明,本发明融合结果的相关系数CC、通用图像质量指标UIQI和整体图像质量指数Q4均大于现有代表性融合算法的指标;其均方根误差RMSE、光谱弧度SAM和相对整体维数综合误差ERGAS均小于代表性融合算法的指标;其中,本发明融合结果得到的相关系数CC更接近1,SAM指标最小,表明本发明能更好的保持融合图像的光谱信息,且整体图像质量指数Q4最高,其客观评价结果优于现有技术的客观评价结果。
综上可见,本发明的融合图像优于现有代表性融合算法的结果,且与参考图像最接近,色彩失真程度最小,图像整体质量最优,融合结果最好。
Claims (5)
1.基于稀疏张量近邻嵌入的遥感图像融合方法,包括:
(1)分别输入低分辨率多光谱图像M和高分辨率全色图像P;
(2)对低分辨多光谱图像M进行上采样,得到上采样多光谱图像M1,该M1与全色图像P的分辨率尺寸相同;
(3)对高分辨全色图像P进行下采样,得到下采样全色图像P1,该P1与低分辨多光谱图像M的分辨率尺寸相同;
(4)对下采样全色图像P1进行上采样,得到上采样全色图像P2,该P2与高分辨全色图像P的分辨率尺寸相同;
(5)对上采样多光谱图像M1进行分块,得到三维的多光谱张量块M;
(6)根据上采样全色图像P2,获得低分辨模1矩阵DL1:
6a)将上采样全色图像P2进行分块,得到上采样全色图像小块P3,对P3进行近邻扩充操作,得到扩充后的上采样全色图像IL;
6b)对扩充后的上采样全色图像IL划窗取块,并对其进行列向量化,得到低分辨模1矩阵DL1;
(7)根据高分辨全色图像P,获得高分辨模1矩阵DH1:
7a)将高分辨全色图像P进行分块,得到全色图像小块P4,对P4进行近邻扩充操作,得到扩充后的全色图像IH;
7b)将扩充后的全色图像IH划窗取块,并经过列向量化操作,得到高分辨模1矩阵DH1;
(8)分别优化低分辨模1矩阵DL1中的原子、高分辨模1矩阵DH1中的原子:
8a)根据多流形理论,分别对低分辨模1矩阵DL1和高分辨模1矩阵DH1中的原子进行单位化欧氏距离操作,使得这两个矩阵DL1和DH1中原子在同一流形结构上;
8b)根据多流形理论,分别对低分辨模1矩阵DL1和高分辨模1矩阵DH1中的原子进行添加惩罚正则项的优化求解操作,使得这两个矩阵DL1和DH1中的原子在同一切空间平面上;
(9)对多光谱张量块M进行量化操作,得到低分辨模2矩阵DL2和低分辨模3矩阵DL3,及高分辨模2矩阵DH2和高分辨模3矩阵DH3;
(10)用低分辨模1矩阵DL1、低分辨模2矩阵DL2和低分辨模3矩阵DL3进行组合,得到低分辨多模字典LD;
(11)将高分辨模1矩阵DH1、高分辨模2矩阵DH2和高分辨模3矩阵DH3进行组合,得到高分辨多模字典HD;
(12)利用张量基追踪算法,求解多光谱张量块M在低分辨多模字典LD下的稀疏张量系数A;
(13)将高分辨多模字典HD与稀疏张量系数A进行模乘,获得融合的多光谱图像F1;
(14)利用空域残差补偿法更新融合的多光谱图像F1,获得高分辨的多光谱图像F。
2.根据权利要求1所述的基于稀疏张量近邻嵌入的遥感图像融合方法,其中步骤(5)中对上采样多光谱图像M1进行分块,得到三维的多光谱张量块M,按如下步骤进行:
5a)将上采样多光谱图像M1的每一个波段划窗取块,分别得到四个波段的图像块B1、B2、B3、B4;
5b)将四个波段的块B1、B2、B3、B4按照第三维方向组合,得到三维的多光谱张量块M。
3.根据权利要求1所述的基于稀疏张量近邻嵌入的遥感图像融合方法,其中步骤(8a)中根据多流形理论,分别对低分辨模1矩阵DL1和高分辨模1矩阵DH1中的原子进行单位化欧氏距离操作,按如下步骤进行:
8a1)分别对步骤(6)上采样全色图像小块P3、步骤(7)中全色图像小块P4进行列向量化,得到上采样全色图像小块向量tP3和全色图像小块向量tP4;
8a2)使用公式优化低分辨模1矩阵DL1的每一个原子,其中||DL1-tP3||2是计算低分辨模1矩阵DL1的每一个原子与上采样全色图像小块向量tP3的模值;
8a3)使用公式优化高分辨模1矩阵DH1的每一个原子,其中||DH1-tP4||2是计算高分辨模1矩阵DH1的每一个原子与全色图像小块向量tP4的模值。
4.根据权利要求1所述的基于稀疏张量近邻嵌入的遥感图像融合方法,其中步骤(8b)中根据多流形理论,分别对低分辨模1矩阵DL1和高分辨模1矩阵DH1中的原子进行添加惩罚正则项的优化求解,按如下步骤进行:
8b1)使用公式tP3=DL1CL计算低分辨权值CL,其中,tP3为上采样全色图像小块向量,DL1为低分辨模1矩阵;
8b2)使用公式:计算低分辨惩罚正则项QL,
其中,DL1为低分辨模1矩阵,s.t表示求解的限制条件,||QLCL||1为QLCL的一范数,||DL1CL||2为DL1CL的二范数,T表示矩阵的转置,ε为重构误差;
8b3)挑选低分辨惩罚正则项QL中非零元素位置对应的低分辨模1矩阵DL1中的原子作为优化后的原子;
8b4)使用公式tP4=DH1CH计算高分辨权值CH,其中,tP4为全色图像小块向量,DH1为高分辨模1矩阵;
8b5)使用公式:计算高分辨惩罚正则项QH,
其中,DH1为高分辨模1矩阵,||QHCH||1为QHCH的一范数,||DH1CH||2为DH1CH的二范数;
8b6)将高分辨惩罚正则项QH中元素编号映射到高分辨模1矩阵DH1,并在矩阵DH1中删除零元素编号的原子,将剩下非零元素编号的原子作为优化后的高分辨模1矩阵DH1原子。
5.根据权利要求1所述的基于稀疏张量近邻嵌入的遥感图像融合方法,其中步骤(12)中求解多光谱张量块M在低分辨多模字典LD下的稀疏张量系数A,按如下公式求解:
其中,A为待求解的高分辨率稀疏张量系数,||A||1为稀疏张量系数A的一范数,s.t表示为求解的限制条件,的二范数平方,LD为低分辨率多模字典,ε为重构误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610846227.7A CN106651820B (zh) | 2016-09-23 | 2016-09-23 | 基于稀疏张量近邻嵌入的遥感图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610846227.7A CN106651820B (zh) | 2016-09-23 | 2016-09-23 | 基于稀疏张量近邻嵌入的遥感图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106651820A true CN106651820A (zh) | 2017-05-10 |
CN106651820B CN106651820B (zh) | 2019-06-21 |
Family
ID=58853223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610846227.7A Active CN106651820B (zh) | 2016-09-23 | 2016-09-23 | 基于稀疏张量近邻嵌入的遥感图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651820B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018209703A1 (en) * | 2017-05-19 | 2018-11-22 | Shanghaitech University | Method and system for snapshot multi-spectral light field imaging |
CN110503631A (zh) * | 2019-07-24 | 2019-11-26 | 山东师范大学 | 一种遥感图像变化检测方法 |
CN111640298A (zh) * | 2020-05-11 | 2020-09-08 | 同济大学 | 交通数据填充方法、系统、存储介质及终端 |
CN113112591A (zh) * | 2021-04-15 | 2021-07-13 | 宁波甬矩空间信息技术有限公司 | 基于耦合稀疏张量分解的多时相遥感影像时空谱一体化融合方法 |
CN113989406A (zh) * | 2021-12-28 | 2022-01-28 | 成都理工大学 | 一种基于稀疏张量字典学习的层析γ扫描图像重建方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824263A (zh) * | 2014-03-03 | 2014-05-28 | 哈尔滨工业大学 | 一种基于混合变换的遥感图像稀疏估计方法 |
CN104794477A (zh) * | 2015-04-27 | 2015-07-22 | 山东大学 | 基于3-d小波变换和稀疏张量的高光谱图像特征抽取方法 |
CN105069478A (zh) * | 2015-08-19 | 2015-11-18 | 西安电子科技大学 | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 |
CN105825529A (zh) * | 2016-03-18 | 2016-08-03 | 武汉大学 | 一种基于非局部和低秩分解的高光谱图像压缩方法 |
US20180123699A1 (en) * | 2016-06-07 | 2018-05-03 | California Institute Of Technology | Optical sparse phased array receiver |
-
2016
- 2016-09-23 CN CN201610846227.7A patent/CN106651820B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824263A (zh) * | 2014-03-03 | 2014-05-28 | 哈尔滨工业大学 | 一种基于混合变换的遥感图像稀疏估计方法 |
CN104794477A (zh) * | 2015-04-27 | 2015-07-22 | 山东大学 | 基于3-d小波变换和稀疏张量的高光谱图像特征抽取方法 |
CN105069478A (zh) * | 2015-08-19 | 2015-11-18 | 西安电子科技大学 | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 |
CN105825529A (zh) * | 2016-03-18 | 2016-08-03 | 武汉大学 | 一种基于非局部和低秩分解的高光谱图像压缩方法 |
US20180123699A1 (en) * | 2016-06-07 | 2018-05-03 | California Institute Of Technology | Optical sparse phased array receiver |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018209703A1 (en) * | 2017-05-19 | 2018-11-22 | Shanghaitech University | Method and system for snapshot multi-spectral light field imaging |
US10645281B1 (en) | 2017-05-19 | 2020-05-05 | Shanghaitech University | Method and system for snapshot multi-spectral light field imaging |
CN110503631A (zh) * | 2019-07-24 | 2019-11-26 | 山东师范大学 | 一种遥感图像变化检测方法 |
CN111640298A (zh) * | 2020-05-11 | 2020-09-08 | 同济大学 | 交通数据填充方法、系统、存储介质及终端 |
CN113112591A (zh) * | 2021-04-15 | 2021-07-13 | 宁波甬矩空间信息技术有限公司 | 基于耦合稀疏张量分解的多时相遥感影像时空谱一体化融合方法 |
CN113989406A (zh) * | 2021-12-28 | 2022-01-28 | 成都理工大学 | 一种基于稀疏张量字典学习的层析γ扫描图像重建方法 |
CN113989406B (zh) * | 2021-12-28 | 2022-04-01 | 成都理工大学 | 一种基于稀疏张量字典学习的层析γ扫描图像重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106651820B (zh) | 2019-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651820B (zh) | 基于稀疏张量近邻嵌入的遥感图像融合方法 | |
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN110020676A (zh) | 基于多感受野深度特征的文本检测方法、系统、设备及介质 | |
CN106815601B (zh) | 基于递归神经网络的高光谱图像分类方法 | |
Roth et al. | A typology of operators for maintaining legible map designs at multiple scales | |
CN109635883A (zh) | 基于深度堆叠网络的结构信息指导的中文字库生成方法 | |
CN109784347A (zh) | 基于多尺度稠密卷积神经网络和谱注意力机制的图像分类方法 | |
CN106022355B (zh) | 基于3dcnn的高光谱图像空谱联合分类方法 | |
CN108549893A (zh) | 一种任意形状的场景文本端到端识别方法 | |
CN106529508A (zh) | 基于局部和非局部多特征语义高光谱图像分类方法 | |
CN107623594A (zh) | 一种地理位置信息约束的三维层级网络拓扑可视化方法 | |
Ge et al. | Vectorial boundary-based sub-pixel mapping method for remote-sensing imagery | |
CN103593853B (zh) | 基于联合稀疏表达的遥感影像多尺度面向对象分类方法 | |
CN106846322B (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
CN104167013B (zh) | 一种用于突出显示体数据中目标区域的体绘制方法 | |
CN106600574A (zh) | 一种基于遥感影像与高程数据的滑坡提取方法 | |
CN106339753A (zh) | 一种有效提升卷积神经网络稳健性的方法 | |
Kniss et al. | Volume rendering multivariate data to visualize meteorological simulations: a case study. | |
CN107301372A (zh) | 基于迁移学习的高光谱图像超分辨率方法 | |
CN107633476A (zh) | 一种基于lwt‑svd‑dct算法的水印嵌入和提取方法 | |
CN108460400A (zh) | 一种结合多种特征信息的高光谱图像分类方法 | |
CN103927725B (zh) | 基于分数阶微分的电影核磁共振图像序列运动场估计方法 | |
Blaschke | Object based image analysis: A new paradigm in remote sensing | |
CN113094533B (zh) | 一种基于混合粒度匹配的图文跨模态检索方法 | |
Drăguţ et al. | Land-surface segmentation to delineate elementary forms from Digital Elevation Models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |