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

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

一种基于极少数优化选择波段的高光谱图像获取方法

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Y_L＝LX求得。其中X∈R^B×N为原始高光谱图像，L∈R^b×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，Y_R∈R^B×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Y_L＝LX求得。其中X∈R^B×N为原始高光谱图像，L∈R^b×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∈R^4×93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Y_R∈R^93×3150。

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Y_L＝LX求得，其中X∈R^B×N为原始高光谱图像，L∈R^b×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：

$D=\mathrm{argmin}\left|\right|Y_R-DA|{|}_F^2+\mathrm{\λ}|\left|A\right|{|}_0$

其中，Y_R∈R^B×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:

$A=\mathrm{argmin}\left|\right|Y_L-LDA|{|}_F^2+\mathrm{\λ}|\left|A\right|{|}_1$

其中，λ为正则化参数。