CN109447934A - 基于两步稀疏编码和小波变换全色与多光谱图像融合方法 - Google Patents
基于两步稀疏编码和小波变换全色与多光谱图像融合方法 Download PDFInfo
- Publication number
- CN109447934A CN109447934A CN201811351008.7A CN201811351008A CN109447934A CN 109447934 A CN109447934 A CN 109447934A CN 201811351008 A CN201811351008 A CN 201811351008A CN 109447934 A CN109447934 A CN 109447934A
- Authority
- CN
- China
- Prior art keywords
- image
- sparse
- wavelet transformation
- pan
- lrd
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000009466 transformation Effects 0.000 title claims abstract description 51
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 238000002156 mixing Methods 0.000 claims abstract description 12
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 abstract description 10
- 238000001228 spectrum Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004321 preservation 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
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
-
- 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)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提出基于两步稀疏编码和小波变换全色与多光谱图像融合方法，包括以下步骤：数据预处理、高低分辨率字典、一步稀疏编码、两步稀疏编码、合并两步稀疏系数、重构稀疏系数得到融合图像、小波变换、高频分量融合、低频分量融合和逆变换；本发明通过两步稀疏编码算法可以提高算法效率，同时通过两步稀疏编码进行稀疏系数的求解，提高了稀疏表示的精度，改善了光谱畸变的问题，通过绝对值最大的原则进行融合可以提高融合结果，融合结果图像清晰、细节信息丰富，且光谱信息与原图一致性最高，且运行时间较短，通过全色与多光谱图像分别进行小波变换，是一种快速且高效有效的融合方法。
Description
技术领域
本发明涉及图像融合领域，尤其涉及基于两步稀疏编码和小波变换全色与多光谱图像融合方法。
背景技术
由于受传感器技术的限制，通常情况下全色图像传感器只能采集到空间分辨率高且光谱分辨率低的全色图像，其细节与纹理信息极为丰富，但是欠缺光谱信息；而多光谱传感器只能采集光谱分辨率高且空间分辨率低的多光谱图像，其光谱信息极为丰富，但欠缺细节信息；将全色图像与多光谱图像进行融合，可以充分利用其信息的互补性，更加全面、准确地描述场景信息，在军事、地质、国防、航空、遥感等领域有着重要应用。
现有的全色与多光谱图像的融合方法可总结为两类：一类是经典的融合方法，如IHS变换、PCA变换、小波变换、基于高通滤波的融合方法等，此类方法计算简洁，图像细节信息丰富，但会存在光谱畸变现象；另一类是基于稀疏表示的图像融合方法，此类方法的思路可总结为两类：即传统的基于稀疏表示的思路和基于稀疏重构的思路，作为基于传统稀疏表示的方法之一，现有的基于稀疏表示和小波变换相结合的图像融合方法能有效丰富空间细节信息，因而可以取得较优的融合效果，但是传统稀疏表示方法需要训练字典，且对两幅图分别求解稀疏系数，因而计算复杂，时间消耗较大，另外，当小波分解的层数较多时，基于传统稀疏表示和小波变换相结合的图像融合方法会出现光谱畸变。因此，本发明提出基于两步稀疏编码和小波变换全色与多光谱图像融合方法，以解决现有技术中的不足之处。
发明内容
针对上述问题，本发明通过两步稀疏编码算法可以提高算法效率，同时通过两步稀疏编码进行稀疏系数的求解，提高了稀疏表示的精度，改善了光谱畸变的问题，通过绝对值最大的原则进行融合可以提高融合结果，融合结果图像清晰、细节信息丰富，且光谱信息与原图一致性最高，运行时间较短。
本发明提出基于两步稀疏编码和小波变换全色与多光谱图像融合方法，包括以下步骤：
步骤一：基于两步稀疏编码的图像融合方法
S1：数据预处理：首先对大小为1024*1024的全色图像HRP进行采样，采样至全色图像HRP和多光谱图像MS同样大小的低分辨率大小为256*256的全色图像LRP一样；
S2：高低分辨率字典：先构建全色图像高分辨率字典HRD，然后通过构造HRD的方法进行构造LRP，最后以LRD字典构造的方式构造多光谱图像数据矩阵M；
S3：一步稀疏编码：求解多光谱数据第i列M(i)的稀疏系数a(i)，完成第一步稀疏编码，再根据公式(1)求解该过程后的信号残差r(i)；
r(i)＝M(i)-a(i)×LRD(i) (1)
S4：两步稀疏编码：通过OMP算法再根据公式(2)求解出信号残差r(i)的稀疏表示系数b(i)，完成第二步稀疏编码；
r(i)＝LRD·b(i) (2)
S5：合并两步稀疏系数：将第i个元素加上a(i)，再根据公式(3)求解出信号M(i)在LRD上的完整稀疏表示系数c(i)；
S6：重构稀疏系数得到融合图像：根据公式(4)求解出X(i)，然后给X(i)的每一列加上HRD中对应的每一列的均值，最后进行块还原重构，得到融合后该通道的图像；
X(i)＝HRD·c(i) (4)
S7：对多光谱图像的每一通道图像进行S2到S6操作，然后得到每一通道的融合图像，最后得到高分辨率的融合多光谱图像；
步骤二：基于小波变换的融合方法
先通过小波变换将高分辨率的融合多光谱图像分解到一个低频图像和三个不同方向的高频图像，再按照不同级数又可以将高频子带分解到三个层次，三个层次分别是水平、垂直和对角，得到低频分量，再将得到的低频分量作为源图像的近似分量，然后对该分量基于冗余字典求解稀疏系数，再通过绝对值取大的原则对高频分量进行融合；
T1：小波变换：将MS与PAN分别进行小波变换，然后得到低频分量和高频分量，并将得到的低频分量依次标记为a1、a2，将对应的高频分量依次标记为h1、v1、d1和h2、v2、d2；
T2：高频分量融合：将h2、v2、d2分别降采样至与h1、v1、d1相等大小，记作h3、v3、d3，再通过绝对值最大的原则，分别比较对应位置的h1、v1、d1和h3、v3、d3，最后根据h1、v1、d1和h3、v3、d3确定融合后对应的高频分量hf、vf、df；
T3：低频分量融合：将MS对应的低频分量a1和PAN的低频分量a2进行两步稀疏编码，获得融合后的低频分量a3，再根据原始数据的大小，将a3降采样，得到与a1大小相等的低频分量af；
T4：逆变换：将融合后的低频分量af和融合后的高频分量hf、vf、df进行小波逆变换，得到该通道的融合图像，再通过按照上述T1到T4的操作对每个通道进行融合，得到最终的融合图像。
进一步改进在于：所述步骤一S2中全色低分辨率字典LRD的构造过程为：所述步骤一S2中全色图像高分辨率字典HRD的构建过程为：先对高分辨率全色图像HRP以窗口大小，步长为step滑窗得到一系列图像块，然后拉直得到列向量，最后剥离列均值得到全色图像高分辨率字典HRD。
进一步改进在于：所述步骤一S2中全色低分辨率字典LRD的构建过程为：为了保证对HRP和LRP通过滑窗策略得到相同的图像块数，在构造全色低分辨率字典LRD时，选择大小为的滑窗，选择步长为step/4，然后拉直得到列向量，最后剥离列均值得到全色低分辨率字典LRD。
进一步改进在于：所述步骤一S2中多光谱图像数据矩阵M构造过程为：由于多光谱图像MS和LRP图像大小一样最后通过LRD字典构造的方式，选择大小为的滑窗，选择步长为step/4，然后拉直得到列向量，最后剥离列均值得到多光谱图像数据矩阵M。
进一步改进在于：所述步骤二S3中先求解出多光谱数据第i列M(i)基于全色低分辨率字典中的第i个原子LRD(i)的稀疏系数a(i)，由于只在一个原子上进行稀疏分解，所以a(i)是一个常数，完成第一步稀疏编码，再根据公式(1)r(i)＝M(i)-a(i)×LRD(i)，求解第一步稀疏编码过程后的信号残差r(i)。
进一步改进在于：所述步骤二S4中先通过OMP算法求解一步稀疏编码后信号残差r(i)基于低分辨率字典LRD的稀疏表示系数b(i)，b(i)的求解公式(2)为r(i)＝LRD·bi()，此时将残差在整个字典上进行分解，易知b(i)是一个列向量，然后完成第二步稀疏编码。
进一步改进在于：所述步骤二S5中由于M(i)首先在LRD(i)这个原子上进行了一步分解，所以首先进行更新b(i)中第i个元素系数值，即先将第i个元素加上a(i)，再保持其余位置不变，然后根据公式(3)求解出信号M(i)在LRD上的完整稀疏表示系数c(i)，其中j表示b(i)中第j个元素。
进一步改进在于：所述步骤二中高频分量融合时，由于高频分量的小波系数大多数接近于0，视作为是稀疏的，再通过一定的融合规则直接融合，无需进一步稀疏表示。
进一步改进在于：所述步骤二中绝对值取大的原则的数学表达如公式(5)所示：
其中，和分别表示多光谱图像和全色图像经小波变换后的第K个方向在像素点(m,n)处的高频系数，表示融合后的高频系数。
本发明的有益效果为：通过两步稀疏编码算法直接对全色图像对应的低频分量和其降采样后的分量进行滑窗分块、去均值等处理来构造耦合字典对可以提高算法效率，同时通过两步稀疏编码进行稀疏系数的求解，提高了稀疏表示的精度，改善了光谱畸变的问题，通过绝对值最大的原则进行融合进行高频分量融合，边缘信息得到了充分保留，可以提高融合结果，本发明方法与传统的小波变换、传统稀疏表示等方法在主观视觉效果和客观评价指标方面具有更优的融合效果，融合结果图像清晰、细节信息丰富，且光谱信息与原图一致性最高，且运行时间较短,通过对全色与多光谱图像分别进行小波变换，对其高频分量采取绝对值最大原则进行融合，对其低频分量借鉴两步稀疏编码的相关思路进行重构，最终将融合后的低频分量和高频分量进行小波逆变换，即可得到最终的融合图像，是一种快速且高效有效的融合方法。
附图说明
图1为本发明方法中两步稀疏编码技术路线框架示意图。
图2为本发明方法中小波变换分层结构示意图。
图3为本发明方法技术路线框图。
具体实施方式
为了使发明实现的技术手段、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
根据图1、2、3所示，本实施例提出基于两步稀疏编码和小波变换全色与多光谱图像融合方法，包括以下步骤：
步骤一：基于两步稀疏编码的图像融合方法
S1：数据预处理：首先对大小为1024*1024的全色图像HRP进行采样，采样至全色图像HRP和多光谱图像MS同样大小的低分辨率大小为256*256的全色图像LRP一样；
S2：高低分辨率字典：对高分辨率全色图像HRP以窗口大小，步长为step滑窗得到一系列图像块，然后拉直得到列向量，最后剥离列均值得到全色图像高分辨率字典HRD，然后通过构造HRD的方法进行构造LRP，先为了保证对HRP和LRP通过滑窗策略得到相同的图像块数，在构造全色低分辨率字典LRD时，选择大小为的滑窗，选择步长为step/4，然后拉直得到列向量，最后剥离列均值得到全色低分辨率字典LRD，最后以LRD字典构造的方式构造多光谱图像数据矩阵M，由于多光谱图像MS和LRP图像大小一样最后通过LRD字典构造的方式，选择大小为的滑窗，选择步长为step/4，然后拉直得到列向量，最后剥离列均值得到多光谱图像数据矩阵M；
S3：一步稀疏编码：先求解出多光谱数据第i列M(i)基于全色低分辨率字典中的第i个原子LRD(i)的稀疏系数a(i)，由于只在一个原子上进行稀疏分解，所以a(i)是一个常数，完成第一步稀疏编码，再根据公式(1)求解该过程后的信号残差r(i)；
r(i)＝M(i)-a(i)×LRD(i) (1)
S4：两步稀疏编码：先通过OMP算法求解一步稀疏编码后信号残差r(i)基于低分辨率字典LRD的稀疏表示系数b(i)，b(i)的求解公式如公式(2)所示，此时将残差在整个字典上进行分解，易知b(i)是一个列向量，然后完成第二步稀疏编码；
r(i)＝LRD·b(i) (2)
S5：合并两步稀疏系数：由于M(i)首先在LRD(i)这个原子上进行了一步分解，所以首先进行更新b(i)中第i个元素系数值，即先将第i个元素加上a(i)，再保持其余位置不变，然后根据公式(3)求解出信号M(i)在LRD上的完整稀疏表示系数c(i)，其中j表示b(i)中第j个元素
S6：重构稀疏系数得到融合图像：根据公式(4)求解出X(i)，然后给X(i)的每一列加上HRD中对应的每一列的均值，最后进行块还原重构，得到融合后该通道的图像；
X(i)＝HRD·c(i) (4)
S7：对多光谱图像的每一通道图像进行S2到S6操作，然后得到每一通道的融合图像，最后得到高分辨率的融合多光谱图像；
步骤二：基于小波变换的融合方法
先通过小波变换将高分辨率的融合多光谱图像分解到一个低频图像和三个不同方向的高频图像，再按照不同级数又可以将高频子带分解到三个层次，三个层次分别是水平、垂直和对角，得到低频分量，再将得到的低频分量作为源图像的近似分量，然后对该分量基于冗余字典求解稀疏系数，再通过绝对值取大的原则对高频分量进行融合，高频分量融合时，由于高频分量的小波系数大多数接近于0，视作为是稀疏的，再通过一定的融合规则直接融合，无需进一步稀疏表示，绝对值取大的原则的数学表达如公式(5)所示：
其中，和分别表示多光谱图像和全色图像经小波变换后的第K个方向在像素点(m,n)处的高频系数，表示融合后的高频系数；
T1：小波变换：将MS与PAN分别进行小波变换，然后得到低频分量和高频分量，并将得到的低频分量依次标记为a1、a2，将对应的高频分量依次标记为h1、v1、d1和h2、v2、d2；
T2：高频分量融合：将h2、v2、d2分别降采样至与h1、v1、d1相等大小，记作h3、v3、d3，再通过绝对值最大的原则，分别比较对应位置的h1、v1、d1和h3、v3、d3，最后根据h1、v1、d1和h3、v3、d3确定融合后对应的高频分量hf、vf、df；
T3：低频分量融合：将MS对应的低频分量a1和PAN的低频分量a2进行两步稀疏编码，获得融合后的低频分量a3，再根据原始数据的大小，将a3降采样，得到与a1大小相等的低频分量af；
T4：逆变换：将融合后的低频分量af和融合后的高频分量hf、vf、df进行小波逆变换，得到该通道的融合图像，再通过按照上述T1到T4的操作对每个通道进行融合，得到最终的融合图像。
保持光谱信息的前提下，对本发明方法的融合效果与与传统的PCA、HPF、DWT、SR以及DWT-SR方法的融合效果进行客观评价对比得出表1：
表1不同方法的客观评价指标
其中：AG为平均梯度,CC，Q0、QW、Qe与Qab为光谱相关系数，通过表1可以得出本文方法PCA、HPF、DWT、SR以及DWT-SR等经典方法的运行时间长，但从表1的主客观评价指标来看，本文方法的融合效果明显占优，与基于传统稀疏表示和小波变换相结合的方法相比，其运行时间明显缩短，并且融合效果得到改善。
通过两步稀疏编码算法直接对全色图像对应的低频分量和其降采样后的分量进行滑窗分块、去均值等处理来构造耦合字典对可以提高算法效率，同时通过两步稀疏编码进行稀疏系数的求解，提高了稀疏表示的精度，改善了光谱畸变的问题，通过绝对值最大的原则进行融合进行高频分量融合，边缘信息得到了充分保留，可以提高融合结果，本发明方法与传统的小波变换、传统稀疏表示等方法在主观视觉效果和客观评价指标方面具有更优的融合效果，融合结果图像清晰、细节信息丰富，且光谱信息与原图一致性最高，且运行时间较短,通过对全色与多光谱图像分别进行小波变换，对其高频分量采取绝对值最大原则进行融合，对其低频分量借鉴两步稀疏编码的相关思路进行重构，最终将融合后的低频分量和高频分量进行小波逆变换，即可得到最终的融合图像，是一种快速且高效有效的融合方法。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.基于两步稀疏编码和小波变换全色与多光谱图像融合方法，其特征在于：包括以下步骤：
步骤一：基于两步稀疏编码的图像融合方法
S1：数据预处理：首先对大小为1024*1024的全色图像HRP进行采样，采样至全色图像HRP和多光谱图像MS同样大小的低分辨率大小为256*256的全色图像LRP一样；
S2：高低分辨率字典：先构建全色图像高分辨率字典HRD，然后通过构造HRD的方法进行构造LRP，最后以LRD字典构造的方式构造多光谱图像数据矩阵M；
S3：一步稀疏编码：求解多光谱数据第i列M(i)的稀疏系数a(i)，完成第一步稀疏编码，再根据公式(1)求解该过程后的信号残差r(i)；
r(i)＝M(i)-a(i)×LRD(i) (1)
S4：两步稀疏编码：通过OMP算法再根据公式(2)求解出信号残差r(i)的稀疏表示系数b(i)，完成第二步稀疏编码；
r(i)＝LRD·b(i) (2)
S5：合并两步稀疏系数：将第i个元素加上a(i)，再根据公式(3)求解出信号M(i)在LRD上的完整稀疏表示系数c(i)；
S6：重构稀疏系数得到融合图像：根据公式(4)求解出X(i)，然后给X(i)的每一列加上HRD中对应的每一列的均值，最后进行块还原重构，得到融合后该通道的图像；
X(i)＝HRD·c(i) (4)
S7：对多光谱图像的每一通道图像进行S2到S6操作，然后得到每一通道的融合图像，最后得到高分辨率的融合多光谱图像；
步骤二：基于小波变换的融合方法
先通过小波变换将高分辨率的融合多光谱图像分解到一个低频图像和三个不同方向的高频图像，再按照不同级数又可以将高频子带分解到三个层次，三个层次分别是水平、垂直和对角，得到低频分量，再将得到的低频分量作为源图像的近似分量，然后对该分量基于冗余字典求解稀疏系数，再通过绝对值取大的原则对高频分量进行融合；
T1：小波变换：将MS与PAN分别进行小波变换，然后得到低频分量和高频分量，并将得到的低频分量依次标记为a1、a2，将对应的高频分量依次标记为h1、v1、d1和h2、v2、d2；
T2：高频分量融合：将h2、v2、d2分别降采样至与h1、v1、d1相等大小，记作h3、v3、d3，再通过绝对值最大的原则，分别比较对应位置的h1、v1、d1和h3、v3、d3，最后根据h1、v1、d1和h3、v3、d3确定融合后对应的高频分量hf、vf、df；
T3：低频分量融合：将MS对应的低频分量a1和PAN的低频分量a2进行两步稀疏编码，获得融合后的低频分量a3，再根据原始数据的大小，将a3降采样，得到与a1大小相等的低频分量af；
T4：逆变换：将融合后的低频分量af和融合后的高频分量hf、vf、df进行小波逆变换，得到该通道的融合图像，再通过按照上述T1到T4的操作对每个通道进行融合，得到最终的融合图像。
2.根据权利要求1所述的基于两步稀疏编码和小波变换全色与多光谱图像融合方法，其特征在于：所述步骤一S2中全色低分辨率字典LRD的构造过程为：所述步骤一S2中全色图像高分辨率字典HRD的构建过程为：先对高分辨率全色图像HRP以窗口大小，步长为step滑窗得到一系列图像块，然后拉直得到列向量，最后剥离列均值得到全色图像高分辨率字典HRD。
3.根据权利要求1所述的基于两步稀疏编码和小波变换全色与多光谱图像融合方法，其特征在于：所述步骤一S2中全色低分辨率字典LRD的构建过程为：为了保证对HRP和LRP通过滑窗策略得到相同的图像块数，在构造全色低分辨率字典LRD时，选择大小为的滑窗，选择步长为step/4，然后拉直得到列向量，最后剥离列均值得到全色低分辨率字典LRD。
4.根据权利要求1所述的基于两步稀疏编码和小波变换全色与多光谱图像融合方法，其特征在于：所述步骤一S2中多光谱图像数据矩阵M构造过程为：由于多光谱图像MS和LRP图像大小一样最后通过LRD字典构造的方式，选择大小为的滑窗，选择步长为step/4，然后拉直得到列向量，最后剥离列均值得到多光谱图像数据矩阵M。
5.根据权利要求1所述的基于两步稀疏编码和小波变换全色与多光谱图像融合方法，其特征在于：所述步骤二S3中先求解出多光谱数据第i列M(i)基于全色低分辨率字典中的第i个原子LRD(i)的稀疏系数a(i)，由于只在一个原子上进行稀疏分解，所以a(i)是一个常数，完成第一步稀疏编码，再根据公式(1)r(i)＝M(i)-a(i)×LRD(i)，求解第一步稀疏编码过程后的信号残差r(i)。
6.根据权利要求1所述的基于两步稀疏编码和小波变换全色与多光谱图像融合方法，其特征在于：所述步骤二S4中先通过OMP算法求解一步稀疏编码后信号残差r(i)基于低分辨率字典LRD的稀疏表示系数b(i)，b(i)的求解公式(2)为r(i)＝LRD·b(i)，此时将残差在整个字典上进行分解，易知b(i)是一个列向量，然后完成第二步稀疏编码。
7.根据权利要求1所述的基于两步稀疏编码和小波变换全色与多光谱图像融合方法，其特征在于：所述步骤二S5中由于M(i)首先在LRD(i)这个原子上进行了一步分解，所以首先进行更新b(i)中第i个元素系数值，即先将第i个元素加上a(i)，再保持其余位置不变，然后根据公式(3)求解出信号M(i)在LRD上的完整稀疏表示系数c(i)，其中j表示b(i)中第j个元素。
8.根据权利要求1所述的基于两步稀疏编码和小波变换全色与多光谱图像融合方法，其特征在于：所述步骤二中高频分量融合时，由于高频分量的小波系数大多数接近于0，视作为是稀疏的，再通过一定的融合规则直接融合，无需进一步稀疏表示。
9.根据权利要求1所述的基于两步稀疏编码和小波变换全色与多光谱图像融合方法，其特征在于：所述步骤二中绝对值取大的原则的数学表达如公式(5)所示：
其中，和分别表示多光谱图像和全色图像经小波变换后的第K个方向在像素点(m,n)处的高频系数，表示融合后的高频系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811351008.7A CN109447934A (zh) | 2018-11-14 | 2018-11-14 | 基于两步稀疏编码和小波变换全色与多光谱图像融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811351008.7A CN109447934A (zh) | 2018-11-14 | 2018-11-14 | 基于两步稀疏编码和小波变换全色与多光谱图像融合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109447934A true CN109447934A (zh) | 2019-03-08 |
Family
ID=65552646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811351008.7A Pending CN109447934A (zh) | 2018-11-14 | 2018-11-14 | 基于两步稀疏编码和小波变换全色与多光谱图像融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447934A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111681194A (zh) * | 2020-06-04 | 2020-09-18 | 西安电子科技大学 | 基于小波变换和施密特光谱锐化的多源图像融合方法 |
| CN112634454A (zh) * | 2021-03-08 | 2021-04-09 | 南京泛在实境科技有限公司 | 基于oldl_dwt的点云古典建筑曲面重建方法 |
| CN114998708A (zh) * | 2022-06-10 | 2022-09-02 | 安徽农业大学 | 一种基于图谱信号的茶叶种类识别方法和装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204450A (zh) * | 2016-07-08 | 2016-12-07 | 咸阳师范学院 | 基于深度稀疏自编码的多尺度几何遥感图像融合方法 |
| CN106683066A (zh) * | 2017-01-13 | 2017-05-17 | 西华大学 | 一种基于联合稀疏模型的图像融合方法 |
-
2018
- 2018-11-14 CN CN201811351008.7A patent/CN109447934A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106204450A (zh) * | 2016-07-08 | 2016-12-07 | 咸阳师范学院 | 基于深度稀疏自编码的多尺度几何遥感图像融合方法 |
| CN106683066A (zh) * | 2017-01-13 | 2017-05-17 | 西华大学 | 一种基于联合稀疏模型的图像融合方法 |
Non-Patent Citations (3)
| Title |
|---|
| GUIQING HE ETAL.: ""Panchromatic and Multi-spectral Image Fusion Method Based on Two-step Sparse Representation and Wavelet Transform"", 《IEEE》 * |
| 朱攀 等: ""基于ＤＴＣＷＴ和稀疏表示的红外偏振与光强图像融合"", 《光子学报》 * |
| 桑琦 等: ""基于小波变换的图像融合方法仿真"", 《电子科技》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111681194A (zh) * | 2020-06-04 | 2020-09-18 | 西安电子科技大学 | 基于小波变换和施密特光谱锐化的多源图像融合方法 |
| CN111681194B (zh) * | 2020-06-04 | 2023-03-14 | 西安电子科技大学 | 基于小波变换和施密特光谱锐化的多源图像融合方法 |
| CN112634454A (zh) * | 2021-03-08 | 2021-04-09 | 南京泛在实境科技有限公司 | 基于oldl_dwt的点云古典建筑曲面重建方法 |
| CN112634454B (zh) * | 2021-03-08 | 2021-06-29 | 南京泛在实境科技有限公司 | 基于oldl_dwt的点云古典建筑曲面重建方法 |
| CN114998708A (zh) * | 2022-06-10 | 2022-09-02 | 安徽农业大学 | 一种基于图谱信号的茶叶种类识别方法和装置 |
| CN114998708B (zh) * | 2022-06-10 | 2023-09-26 | 安徽农业大学 | 一种基于图谱信号的茶叶种类识别方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108876735B (zh) | 一种基于深度残差网络的真实图像盲去噪方法 | |
| CN111667424B (zh) | 一种基于无监督的真实图像去噪方法 | |
| CN110136060B (zh) | 基于浅层密集连接网络的图像超分辨率重建方法 | |
| CN111127374B (zh) | 一种基于多尺度密集网络的Pan-sharpening方法 | |
| CN109509160A (zh) | 一种利用逐层迭代超分辨率的分层次遥感图像融合方法 | |
| CN109447934A (zh) | 基于两步稀疏编码和小波变换全色与多光谱图像融合方法 | |
| CN109345476A (zh) | 基于深度残差网络的高光谱图像超分辨率重建方法及装置 | |
| CN109636769A (zh) | 基于双路密集残差网络的高光谱和多光谱图像融合方法 | |
| 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 | |
| CN107123091A (zh) | 一种基于深度学习的近红外人脸图像超分辨率重建方法 | |
| CN108765280A (zh) | 一种高光谱图像空间分辨率增强方法 | |
| CN116051428B (zh) | 一种基于深度学习的联合去噪与超分的低光照图像增强方法 | |
| JPH09284798A (ja) | 信号処理装置 | |
| CN113516601A (zh) | 基于深度卷积神经网络与压缩感知的图像恢复技术 | |
| CN105225213B (zh) | 一种基于s‑pcnn与拉普拉斯金字塔的彩色图像融合方法 | |
| CN112001843A (zh) | 一种基于深度学习的红外图像超分辨率重建方法 | |
| CN110992414A (zh) | 一种基于卷积神经网络的室内单目场景深度估计的方法 | |
| CN103761724A (zh) | 基于超现实亮度对比度传递算法的可见光与红外视频融合方法 | |
| CN105825491A (zh) | 一种基于混合模型的图像融合方法 | |
| Yan et al. | A multi-model fusion framework for NIR-to-RGB translation | |
| Lu et al. | Infrared and visible image fusion based on tight frame learning via VGG19 network | |
| CN117041601B (zh) | 一种基于isp神经网络模型的图像处理方法 | |
| CN106780423A (zh) | 一种基于少数波段高分图像与低分高光谱图像的高质量光谱重建方法 | |
| CN117557476A (zh) | 一种基于fctft的图像重建方法及其系统 | |
| CN107492085A (zh) | 基于双树复小波变换的立体图像质量评价方法 |
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: 20190308 |