CN106780424A - 一种基于极少数优化选择波段的高光谱图像获取方法 - Google Patents
一种基于极少数优化选择波段的高光谱图像获取方法 Download PDFInfo
- Publication number
- CN106780424A CN106780424A CN201710023141.9A CN201710023141A CN106780424A CN 106780424 A CN106780424 A CN 106780424A CN 201710023141 A CN201710023141 A CN 201710023141A CN 106780424 A CN106780424 A CN 106780424A
- Authority
- CN
- China
- Prior art keywords
- wave band
- image
- spectrum image
- spectrum
- optimum choice
- 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.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000003595 spectral effect Effects 0.000 claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 7
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims abstract description 6
- 238000013480 data collection Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000012546 transfer Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 230000013016 learning Effects 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012545 processing Methods 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
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
一种基于极少数优化选择波段的高光谱图像获取方法,首先获得拥有极少数优化选择波段的高分辨率图像;其次选择与所得高分图像地物类别相似的低分高光谱图像集,进行字典预训练得到过完备的光谱字典;继而,将拥有少数优化选择波段的高分辨率图像在无非负约束条件下稀疏表示,得到稀疏表示系数;最后,利用字典、稀疏系数获得具有高分辨率的高光谱图像;本发明使获得的极少数波段高分图像涵盖了高光谱的重要波段信息,为获得高质量光谱提供了可能;避免了对同一场景下高光谱图像的依赖,降低了数据获取难度;弥补了端元分解对高光谱图像光谱特性描述能力的不足,有效提高了获取光谱的精度和获取的有效性。
Description
技术领域
本发明属于图像处理领域,适用于高光谱遥感图像重建,具体涉及一种基于极少数优化选择波段的高光谱图像获取方法。
背景技术
高光谱图像由大量的单波段图像构成,图像中每个像素具有一条准连续的光谱曲线。在高光谱图像成像过程中,由于光谱带宽较窄,必须采用较大的瞬时视场(IFOR)才能积累足够多的光量子以维持成像的信噪比,瞬时视场的增大会降低图像的分辨率。然而在高光谱图像的许多应用领域如地物识别与分类、环境检测中,高分辨率图像都是不可缺少的,因此获得具有高分辨率的高光谱图像具有重要意义。
现阶段,基于混合像元分解的高光谱图像融合技术通过融合同一场景下的多光谱图像与高光谱图像,从而获得具有高分辨率的高光谱图像。混合像元分解在高光谱图像分解为各种地物成分(端元),再通过具有较高分辨率的多光谱图像在非负约束下求解各成分所占的比例(丰度)。然而混合像元分解中端元的个数以及纯净端元的提取都存在一定的困难,因此得到的高光谱图像存在光谱失真的现象,无法在高分辨率高光谱图像重建中获得令人满意的结果。并且同一场景下的高光谱图像往往难以获得,使得该方法难以推广。
近年来,稀疏表示框架在图像重建领域展现了巨大的潜力,它将图像表示为字典与稀疏系数的乘积。稀疏表示过程中不需要提取端元,且稀疏系数无非负限制,因此该方法能够克服现阶段图像融合的缺点,使得图像中蕴含的信息得到充分表达。本发明将稀疏表示框架引入高光谱图像获取中,由相似地物类别的低分辨率高光谱图像数据集预训练得到光谱字典,通过具有极少数优化选择波段的高分图像求得稀疏系数,从而获得较高质量的高分辨率高光谱图像。
发明内容
为了克服上述现有技术存在的不足,本发明的目的在于提供了一种基于极少数优化选择波段的高光谱图像获取方法,先利用具有相似地物类别的图像集学习得到光谱字典。其次通过拥有极少数优化选择波段的高分图像求解稀疏表示系数。最后通过光谱字典和稀疏系数获得高分辨率高光谱图像。此方法能高效获得高光谱图像,且避免对同一场景高光谱图像的依赖。
为了达到上述目的,本发明所采用的技术方案是:
一种基于极少数优化选择波段的高光谱图像获取方法,步骤如下:
步骤1,获得极少数优化选择波段的高分辨率图像;
步骤2,获得与步骤1中图像地物类别相似的低分辨率高光谱图像数据集;
步骤3,通过对步骤2中得到的图像在非分解的模式下进行字典预训练,得到过完备光谱字典D;
步骤4,利用步骤1中得到的具有极少波段的高分辨率图像以及步骤3中得到的过完备光谱字典D,在无非负约束的条件下求解稀疏表示系数A;
步骤5,通过获得具有高分辨率的高光谱图像。
所述步骤1中具有优化选择波段的高分辨率图像通过YL=LX求得。其中X∈RB×N为原始高光谱图像,L∈Rb×B为优化光谱传递函数,B>>b分别为两幅图像的波段数,N为高光谱图像空间包含的像素点数目,其中R为实数空间。
所述步骤2中具有相似地物类别的低分辨率高光谱图像数据集的获得是指,通过对具有相似地物类别的高光谱原始图像模糊并下采样得到的集合;
所述步骤3中过完备光谱字典D的预学习方法采用的是K-SVD字典学习方法通过优化如下最小化问题求得:
其中,YR∈RB×n是与X具有相似地物类别的低分辨率高光谱图像集,n为空间像素点数目,λ是正则化系数;
所述步骤4中无非负约束条件下稀疏系数A求解方法是通过交替方向乘子法(ADMM)求解如下1范数约束问题:
其中,λ为正则化参数。
与现有技术相比,本发明的优点是:
1)本发明引入波段的优化选择,使获得的极少数波段高分图像涵盖了高光谱重要波段信息,为获得高质量光谱提供了可能。
2)本发明通过字典预训练,利用相似地物类别的高光谱图像得到光谱信息,避免了对同一场景下高光谱图像的依赖,降低了数据获取难度。
3)本发明在稀疏表示框架下,引入非分解模式求解光谱字典,弥补了端元分解对高光谱图像光谱特性描述能力的不足,有效提高了光谱精度。
4)本发明通过无非负约束且非迭代的方法求解稀疏表示系数,提高了获得的高光谱图像的准确性和有效性。
附图说明
图1是本发明基于极少数优化选择波段的高光谱图像获取流程图。
图2是本发明实施例中第10波段原始高光谱图像。
图3是本发明实施例中优化光谱传递函数。
图4是本发明实施例中具有相似地物类别的高光谱第10波段原始图像。
图5是本发明实施例中第10波段重建高光谱图像。
图6是本发明实施例中未优化光谱传递函数和高光谱图像重建误差示意图。
具体实施方式
下面结合实施例对本发明做进一步详细说明。
如图1所示,本发明一种基于极少数优化选择波段的高光谱图像获取方法,包括如下步骤:
步骤1,获得极少数优化选择波段的高分辨率图像;
在本实施例中,拥有少数优化选择波段的高分辨率图像通过YL=LX求得。其中X∈RB×N为原始高光谱图像,L∈Rb×B为优化光谱传递函数,B>>b分别为两幅图像的波段数,N为高光谱图像空间包含的像素点数目,其中R为实数空间;采用的原始高光谱图像(见图2)拥有93个波段,每波段图像大小为300*300,优化光谱传递函数(见图3)L∈R4×93采用σ=8的高斯函数拟合,中心波段为第10、25、45、80波段,因此得到的高分辨率图像仅含有4个优化选择波段。
步骤2,获得与步骤1中图像地物类别相似的低分辨率高光谱图像数据集;
在本实施例中,具有相似地物类别的低分辨率高光谱图像数据集的获得是指,通过对具有相似地物类别的高光谱原始图像集模糊并下采样得到的集合,具有相似地物类别的高光谱原始图像如图4所示,采用5*5的高斯模糊核对原始高光谱图像进行模糊,空间各维度的下采样率为5,获得的低分辨率图像数据集YR∈R93×3150。
步骤3,通过对步骤2中得到的图像在非分解的模式下进行字典预训练,得到过完备光谱字典D;
在本实施例中,对低分辨率图像进行K-SVD字典训练的参数为:稀疏度为10,字典列数为500。
步骤4,利用步骤1中得到的具有极少波段的高分辨率图像以及步骤3中得到的过完备光谱字典D,在无非负约束的条件下求解稀疏表示系数A;
在本实例中,采用拉格朗日算子方法求解式(2),其参数为:迭代次数T=1,正则化参数λ=10-3,拉格朗日参数μ=10-1。
步骤5,通过获得具有高分辨率的高光谱图像。
本实施例中,重建高光谱图像(见图5)的PSNR为48.39,MSE为0.94,光谱角SAM为1.06,本发明获得了高质量的高光谱图像。
图6为光谱传递函数未优化时得到的各波段高光谱图像重建效果及光谱传递函数,由于等间隔采样得到的少数波段不能很好的代表此类光谱特征,因此该方式获得的高光谱图像质量不佳。根据本发明中波段的优化选择方法,在包含该类地物信息的高光谱图像获取过程中,优化波段应重点涵盖10、25、45、80这四个波段。
Claims (5)
1.一种基于极少数优化选择波段的高光谱图像获取方法,其特征在于,包括以下步骤:
步骤1,获得极少数优化选择波段的高分辨率图像;
步骤2,获得与步骤1中图像地物类别相似的低分辨率高光谱图像数据集;
步骤3,通过对步骤2中得到的数据集在非分解的模式下进行字典预训练,得到过完备的光谱字典D;
步骤4,利用步骤1中得到的具有极少波段的高分辨率图像以及步骤3中得到的过完备的光谱字典D,在无非负约束的条件下求解稀疏表示系数A;
步骤5,通过获得具有高分辨率的高光谱图像。
2.根据权利要求1所述一种基于极少数优化选择波段的高光谱图像获取方法,其特征在于,所述步骤1中具有优化选择波段的高分辨率图像通过YL=LX求得,其中X∈RB×N为原始高光谱图像,L∈Rb×B为优化光谱传递函数,B>>b,分别为两幅图像的波段数,N为高光谱图像空间包含的像素点数目,其中R为实数空间。
3.根据权利要求1所述一种基于极少数优化选择波段的高光谱图像获取方法,其特征在于,所述步骤2中具有相似地物类别的低分辨率高光谱图像数据集是指,通过对具有相似地物类别的高光谱原始图像模糊并下采样得到的集合。
4.根据权利要求1所述一种基于极少数优化选择波段的高光谱图像获取方法,其特征在于,所述步骤3中过完备光谱字典D由K-SVD字典学习方法通过优化如下最小化问题求得:
其中,YR∈RB×n是与X具有相似地物类别的低分辨率高光谱图像集,n为空间像素点数目,λ是正则化系数。
5.根据权利要求1所述一种基于极少数优化选择波段的高光谱图像获取方法,其特征在于,所述步骤4中稀疏表示系数A通过交替方向乘子法(ADMM)求解如下1范数约束问题得到:
其中,λ为正则化参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710023141.9A CN106780424A (zh) | 2017-01-12 | 2017-01-12 | 一种基于极少数优化选择波段的高光谱图像获取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710023141.9A CN106780424A (zh) | 2017-01-12 | 2017-01-12 | 一种基于极少数优化选择波段的高光谱图像获取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106780424A true CN106780424A (zh) | 2017-05-31 |
Family
ID=58948279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710023141.9A Pending CN106780424A (zh) | 2017-01-12 | 2017-01-12 | 一种基于极少数优化选择波段的高光谱图像获取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106780424A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274343A (zh) * | 2017-06-01 | 2017-10-20 | 清华大学 | 一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法 |
CN107993208A (zh) * | 2017-11-30 | 2018-05-04 | 天津师范大学 | 一种基于稀疏重叠组先验约束的非局部全变分图像复原方法 |
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 |
CN112102218A (zh) * | 2020-09-25 | 2020-12-18 | 北京师范大学 | 一种生成高空间分辨率多光谱影像的融合方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102789639A (zh) * | 2012-07-16 | 2012-11-21 | 中国科学院自动化研究所 | 基于非负矩阵分解的高光谱图像和可见光图像融合方法 |
CN104050653A (zh) * | 2014-07-07 | 2014-09-17 | 西安电子科技大学 | 基于非负结构稀疏的高光谱图像超分辨率算法 |
CN104063857A (zh) * | 2014-06-30 | 2014-09-24 | 清华大学 | 高光谱图像的生成方法及系统 |
CN104463224A (zh) * | 2014-12-24 | 2015-03-25 | 武汉大学 | 基于丰度显著性分析的高光谱图像解混方法及系统 |
CN104700109A (zh) * | 2015-03-24 | 2015-06-10 | 清华大学 | 高光谱本征图像的分解方法及装置 |
CN104915935A (zh) * | 2015-06-16 | 2015-09-16 | 西安电子科技大学 | 基于非线性压缩感知与字典学习的压缩光谱成像方法 |
CN105469360A (zh) * | 2015-12-25 | 2016-04-06 | 西北工业大学 | 基于非局部联合稀疏表示的高光谱图像超分辨率重建方法 |
-
2017
- 2017-01-12 CN CN201710023141.9A patent/CN106780424A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN102789639A (zh) * | 2012-07-16 | 2012-11-21 | 中国科学院自动化研究所 | 基于非负矩阵分解的高光谱图像和可见光图像融合方法 |
CN104063857A (zh) * | 2014-06-30 | 2014-09-24 | 清华大学 | 高光谱图像的生成方法及系统 |
CN104050653A (zh) * | 2014-07-07 | 2014-09-17 | 西安电子科技大学 | 基于非负结构稀疏的高光谱图像超分辨率算法 |
CN104463224A (zh) * | 2014-12-24 | 2015-03-25 | 武汉大学 | 基于丰度显著性分析的高光谱图像解混方法及系统 |
CN104700109A (zh) * | 2015-03-24 | 2015-06-10 | 清华大学 | 高光谱本征图像的分解方法及装置 |
CN104915935A (zh) * | 2015-06-16 | 2015-09-16 | 西安电子科技大学 | 基于非线性压缩感知与字典学习的压缩光谱成像方法 |
CN105469360A (zh) * | 2015-12-25 | 2016-04-06 | 西北工业大学 | 基于非局部联合稀疏表示的高光谱图像超分辨率重建方法 |
Non-Patent Citations (3)
Title |
---|
WEISHENG DONG等: "Hyperspectral Image Super-resolution via Non-negative Structured Sparse Representation", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
潘宗序等: "基于光谱相似性的高光谱图像超分辨率算法", 《自动化学报》 * |
秦方普等: "基于谱聚类与类间可分性因子的高光谱波段选择", 《光谱学与光谱分析》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274343A (zh) * | 2017-06-01 | 2017-10-20 | 清华大学 | 一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法 |
CN107993208A (zh) * | 2017-11-30 | 2018-05-04 | 天津师范大学 | 一种基于稀疏重叠组先验约束的非局部全变分图像复原方法 |
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 |
CN112102218A (zh) * | 2020-09-25 | 2020-12-18 | 北京师范大学 | 一种生成高空间分辨率多光谱影像的融合方法 |
CN112102218B (zh) * | 2020-09-25 | 2023-07-07 | 北京师范大学 | 一种生成高空间分辨率多光谱影像的融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886871B (zh) | 基于通道注意力机制和多层特征融合的图像超分辨率方法 | |
CN109191382B (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN112734646B (zh) | 一种基于特征通道划分的图像超分辨率重建方法 | |
CN106709881B (zh) | 一种基于非凸低秩矩阵分解的高光谱图像去噪方法 | |
CN111179167B (zh) | 一种基于多阶段注意力增强网络的图像超分辨方法 | |
CN104867124B (zh) | 基于对偶稀疏非负矩阵分解的多光谱与全色图像融合方法 | |
CN110415199B (zh) | 基于残差学习的多光谱遥感图像融合方法及装置 | |
CN106780424A (zh) | 一种基于极少数优化选择波段的高光谱图像获取方法 | |
Xu et al. | Multi-exposure image fusion techniques: A comprehensive review | |
CN103077511A (zh) | 基于字典学习和结构相似的图像超分辨率重建方法 | |
CN108460749B (zh) | 一种高光谱与多光谱图像的快速融合方法 | |
CN112116065A (zh) | 一种rgb图像光谱重建方法、系统、存储介质及应用 | |
CN107274343A (zh) | 一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法 | |
CN106780423B (zh) | 一种基于少数波段高分辨率图像的光谱重建方法 | |
CN107833182A (zh) | 基于特征提取的红外图像超分辨率重建方法 | |
CN107292316A (zh) | 一种基于稀疏表示的提升图像清晰度的方法 | |
CN116152524A (zh) | 一种小麦种子分类方法 | |
Zhang et al. | Super-resolution method using generative adversarial network for Gaofen wide-field-view images | |
Kuang et al. | Robust destriping method based on data-driven learning | |
CN113658047A (zh) | 一种结晶图像超分辨率重建方法 | |
CN110428369B (zh) | 基于信息熵的chnmf遥感图像解混方法 | |
Lu et al. | FDMLNet: A Frequency-Division and Multiscale Learning Network for Enhancing Low-Light Image | |
Zeng et al. | U-net-based multispectral image generation from an rgb image | |
CN114022364A (zh) | 基于光谱库优化学习的多光谱图像光谱超分方法和系统 | |
CN114219870A (zh) | 用于无人机高光谱图像超分辨率重建的辅助图像生成方法与系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |