CN110852950B - 基于稀疏表示和图像融合的高光谱图像超分辨率重建方法 - Google Patents
基于稀疏表示和图像融合的高光谱图像超分辨率重建方法 Download PDFInfo
- Publication number
- CN110852950B CN110852950B CN201911085070.0A CN201911085070A CN110852950B CN 110852950 B CN110852950 B CN 110852950B CN 201911085070 A CN201911085070 A CN 201911085070A CN 110852950 B CN110852950 B CN 110852950B
- Authority
- CN
- China
- Prior art keywords
- image
- resolution
- sparse representation
- hyperspectral
- hyperspectral 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 101100043438 Mus musculus Srsf10 gene Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种基于稀疏表示和图像融合的高光谱图像超分辨率重建方法,采用近似赫维赛得函数稀疏表示方法,完成单张图片的超分辨率重建,然后,考虑到仅使用低分辨率图像不能够获得足够的先验信息,进一步采用局部混合图像融合方法将多光谱图像与上一步得到的高光谱图像融合,增强图像的分辨率。
Description
技术领域
本发明涉及高光谱成像技术领域,具体涉及高光谱图像超分辨率的重建方法。
背景技术
由于不同物理材料对光谱吸收不同,在某个特定波段下图像对某个缺陷会有较显著的反映,因此高光谱图像可以更准确地区分视觉上相似的物体。该特性有助于提高许多计算机视觉任务的性能,包括军事监视、目标探测等。然而,受限于成像传感技术、信噪比等因素的影响,光学系统难以获得既具有高光谱分辨率,又具有高空间分辨率的图像。
为了增强高光谱图像的空间分辨率,以进一步提高高光谱成像的应用范围,通常会采用图像融合方法或单幅图像超分辨率方法,从观测到的低分辨率图像中重建出不失真的高分辨率图像。常用的图像融合方法容易受到光谱失真的影响,使得输出图像难以保持准确的光谱信息。单幅图像超分辨率方法由于不能够获得足够的先验信息,空间分辨率提升有限。
近年来,有研究提出了一些基于深度学习的生成高分辨率高光谱图像的方法,这些方法主要通过额外的训练数据,以学习低空间分辨率图像和高空间分辨率图像之间的端到端映射,由于映射功能对于使用不同传感器采集的图像不相同,因此这些方法可能导致严重的光谱失真。
发明内容
本发明提供一种基于稀疏表示和图像融合的高光谱图像超分辨率重建方法,通过将来自多光谱图像的空间信息与相同场景下增强过的高光谱图像融合,以生成高分辨率的高光谱图像。
一种基于稀疏表示和图像融合的高光谱图像超分辨率重建方法,包括:
基于函数的字典学习。采用近似赫维赛得函数(Approximated HeavisideFunction,AHF)稀疏表示方法,重建出高分辨率的高光谱图像;
进一步地,本发明所提供的方法,可以在计算前,先将3D图像展开为2D矩阵,以便于计算,所述矩阵的行表示给定像素的光谱反射率,列表示特定光谱带中的完整图像。图像2D表示如下:
Xh∈RWH×L,X∈Rwh×L,Ch∈RWH×l。
进一步地,所述图像2D矩阵Xh及X可以近似的表示为光谱字典基原子的线性组合:
Xh=ΨhA,X=ΨlA,
其中,Ψ为光谱字典,A为对应的稀疏表示系数。Ψl及Ψh由近似赫维赛得函数生成,利用所述近似赫维赛得函数稀疏表示方法,可以计算得到粗略稀疏表示系数。
进一步地,可采用多尺度优化算法,通过多步迭代扩展图像,获取精细稀疏表示系数。
进一步地,所述多光谱图像与高光谱图像映射关系学习,可以是计算变换矩阵T∈RL×l,以最终计算得到X=TC。
本发明提供的采用近似赫维赛得函数稀疏表示方法,无需任何额外信息,可以将图像放大到任意尺寸,且能较好的保证光谱信息的准确性,同时,局部混合图像融合方法可以快速实现并行处理,极大的提高了运算效率。基于本发明提供的方法获取高分辨率高光谱图像,可以更高的保留高光谱图像的空间结构,同时更好的恢复细粒度纹理及粗粒度结构。
附图说明
为进一步阐明本发明的各实施例的以上和其它优点和特征,将参考附图来呈现本发明的各实施例的更具体的描述。可以理解,这些附图只描绘本发明的典型实施例,因此将不被认为是对其范围的限制。在附图中,为了清楚明了,相同或相应的部件将用相同或类似的标记表示。
图1示出根据本发明的一个实施例的一种基于稀疏表示和图像融合的高光谱图像超分辨率重建方法流程;
图2a及图2b示出本发明的一个实施例的基于近似赫维赛得函数稀疏表示方法的效果图;
图3a至图3e示出基于CAVE数据集中的一幅图像,使用本发明的一个实施例与其他方法所得的重建图像的效果对比示意图;以及
图4示出基于CAVE数据集中的另两幅图像,使用本发明的一个实施例与其他方法所得的重建图像的效果对比示意图。
具体实施方式
在以下的描述中,参考各实施例对本发明进行描述。然而,本领域的技术人员将认识到可在没有一个或多个特定细节的情况下或者与其它替换和/或附加方法、材料或组件一起实施各实施例。在其它情形中,未示出或未详细描述公知的结构、材料或操作以免模糊本发明的发明点。类似地,为了解释的目的,阐述了特定数量、材料和配置,以便提供对本发明的实施例的全面理解。然而,本发明并不限于这些特定细节。此外,应理解附图中示出的各实施例是说明性表示且不一定按正确比例绘制。
在本说明书中,对“一个实施例”或“该实施例”的引用意味着结合该实施例描述的特定特征、结构或特性被包括在本发明的至少一个实施例中。在本说明书各处中出现的短语“在一个实施例中”并不一定全部指代同一实施例。
需要说明的是,本发明的实施例以特定顺序对工艺步骤进行描述,然而这只是为了阐述该具体实施例,而不是限定各步骤的先后顺序。相反,在本发明的不同实施例中,可根据工艺的调节来调整各步骤的先后顺序。
如图1所示,一种基于稀疏表示和图像融合的高光谱图像超分辨率重建方法,包括:
步骤101,生成光谱字典,
基于AHF,生成光谱字典Ψ∈RL.t,所述光谱字典的每一列表示图像中不同材料的反射光谱,定义AHF为:
其中ξ∈R,控制平滑度,取值越小,边缘越锐利;
将所述AHF扩展到二维空间,假设基础图像强度f定义在[0,1]2上,即f∈Lp([0,1]2),p∈[1,∞),则f可以近似表示为:
其中,wj∈R,vj∈R2,cj∈R,
步骤103,计算精细稀疏表示系数Af,
通过多尺度优化算法提高超分辨率重建效果:
Xi=Xi-1-DΨAi-1,
其中,D为下采样算子,X0=X,A0=Ac,
步骤104,计算增强后的图像,
Xe=ΨAf;
结合图2,第一幅图像为低分辨率的AHF图像块,第二幅图像为高分辨率的AHF图像块;
步骤201,获取图像块,为充分利用图像的空间相关性,在图像块上执行局部混合图像融合方法,图像块Ci的大小为P×P,其间可以重叠。对每一个图像块执行步骤202及步骤203;
步骤202,构建混合多光谱Chi,
考虑到观测图像因受到大气影响而产生误差,将值为1的白像素与多光谱波段融合在一起,创建一个混合多光谱Chi,
Chi=[Ci(1),…,Ci(3),1]T
步骤203,计算变换矩阵Ti,
Ti=XeiChi T(ChiChi T+λI)-1,
其中λ为正则化参数,I是与ChiChi T具有相同尺寸的单位矩阵;
步骤204,重建高分辨率高光谱图像Xh=TC。
为进一步说明本发明的效果,结合图3及图4,具体描述本发明的实施方法:
选取CAVE数据集及Harvard数据集中的高光谱图像作为实施对象:
首先,对于Harvard数据集,取其左上角1024×1024大小的图像作为待处理图像,CAVE数据集保持不变。将处理过的这两个数据集作为高分辨率参考图像,如图3a及图4中第二列图像所示,用以比对重建结果;
接下来,通过高斯模糊和降采样处理得到输入的低分辨率图像,其中高斯模糊核的尺寸为5×5,行和列方向上的降采样因子为2,低分辨率高光谱图像如图3b及图4中第一列图像所示;
接下来,在近似赫维赛得稀疏表示方法中,将θt在[0,2π]上等间距采样选取16个角度,c从[-6,6]中等间距采样得到12个值,ξ从[0.1,10-4]中采样,选取图像块的大小为6×6,图像块间的重叠为4,以得到精细系数矩阵Af,进而得到增强的图像Xe=ΨAf;
在局部混合图像融合方法中,选取图像块的尺寸为8×8,图像块间的重叠为4,计算得到变换矩阵T,进而重建高分辨率高光谱图像Xh=TCh,如图3e及图4中第三列图像所示;
从峰值信噪比PSNR、结构相似性SSIM以及光谱相似度SAM三个角度,将所述重建图像Xh与Xh,及其他重建方法结果进行比对,其中PSNR及SSIM值越高表示重建效果越好,SAM值越小表示光谱失真越小:
表1给出了如图3e所示的基于本发明提供的方法、如图3c所示的仅采用近似赫维赛得函数稀疏表示方法以及如图3d所示的仅采用局部混合图像融合三种方法所得到的重建图像的PSNR、SSIM以及SAM数值对比。表2给出了基于本发明提供的方法、双三次插值法Bicubic、最近邻插值法Nearest以及非负结构稀疏表示方法NSSR四种方法的PSNR、SSIM以及SAM数值对比可以看出,本发明提供的超分辨率重建方法,改善了PSNR、SSIM以及SAM数值,取得了更优的效果。
表1
表2
Claims (4)
1.一种基于稀疏表示和图像融合的高光谱图像超分辨率重建方法,包括:
采用基于近似赫维赛得函数稀疏表示方法,将原始低分辨率高光谱图像X转换为增强高光谱图像Xe,包括:
步骤101,通过如下公式生成光谱字典:
步骤102,计算粗略稀疏表示系数Ac;
步骤103,通过多尺度优化算法,进行迭代,以计算精细稀疏表示系数Af;以及
步骤104,计算增强后的图像;以及
应用局部混合图像融合方法,将增强的高光谱图像Xe与高分辨率多光谱图像Ch融合,得到高分辨率高光谱图像Xh,包括:
步骤201,采用局部混合图像融合方法,对图像块进行图像融合,以充分利用图像的空间相关性;
步骤202,将值为1的白像素与多光谱波段融合在一起,创建一个混合多光谱;
步骤203,计算变换矩阵;以及
步骤204,重建高分辨率高光谱图像。
4.如权利要求1所述的方法,其特征在于,步骤203是通过如下公式实现的:
Ti=XeiChi T(ChiChi T+λI)-1,
其中,λ为正则化参数,I是与ChiChi T具有相同尺寸的单位矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911085070.0A CN110852950B (zh) | 2019-11-08 | 2019-11-08 | 基于稀疏表示和图像融合的高光谱图像超分辨率重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911085070.0A CN110852950B (zh) | 2019-11-08 | 2019-11-08 | 基于稀疏表示和图像融合的高光谱图像超分辨率重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110852950A CN110852950A (zh) | 2020-02-28 |
CN110852950B true CN110852950B (zh) | 2023-04-07 |
Family
ID=69598604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911085070.0A Active CN110852950B (zh) | 2019-11-08 | 2019-11-08 | 基于稀疏表示和图像融合的高光谱图像超分辨率重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110852950B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861885B (zh) * | 2020-07-15 | 2024-05-24 | 中国人民解放军火箭军工程大学 | 一种用于高光谱超分辨率重建的超像素稀疏表示方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
CN108765280A (zh) * | 2018-03-30 | 2018-11-06 | 徐国明 | 一种高光谱图像空间分辨率增强方法 |
CN109509160A (zh) * | 2018-11-28 | 2019-03-22 | 长沙理工大学 | 一种利用逐层迭代超分辨率的分层次遥感图像融合方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102061923B1 (ko) * | 2012-03-05 | 2020-01-02 | 인터디지탈 매디슨 페이튼트 홀딩스 | 입력 이미지의 계층적 초해상을 수행하는 방법 및 장치 |
CN105931179B (zh) * | 2016-04-08 | 2018-10-26 | 武汉大学 | 一种联合稀疏表示与深度学习的图像超分辨率方法及系统 |
CN106780342A (zh) * | 2016-12-28 | 2017-05-31 | 深圳市华星光电技术有限公司 | 基于稀疏域重构的单帧图像超分辨重建方法及装置 |
US10482576B2 (en) * | 2018-03-19 | 2019-11-19 | Mitsubishi Electric Research Laboratories, Inc. | Systems and methods for multi-spectral image super-resolution |
-
2019
- 2019-11-08 CN CN201911085070.0A patent/CN110852950B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
CN108765280A (zh) * | 2018-03-30 | 2018-11-06 | 徐国明 | 一种高光谱图像空间分辨率增强方法 |
CN109509160A (zh) * | 2018-11-28 | 2019-03-22 | 长沙理工大学 | 一种利用逐层迭代超分辨率的分层次遥感图像融合方法 |
Non-Patent Citations (2)
Title |
---|
许蒙恩 ; 谢宝陵 ; 徐国明 ; .空间光谱联合稀疏表示的高光谱图像超分辨率方法.激光与光电子学进展.2018,(07),全文. * |
黄伟 ; 许蒙恩 ; 徐国明 ; 黄勤超 ; .贝叶斯稀疏表示高光谱图像超分辨率方法.计算机科学与探索.2018,(12),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110852950A (zh) | 2020-02-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Learning spatial-spectral prior for super-resolution of hyperspectral imagery | |
CN109064396B (zh) | 一种基于深度成分学习网络的单幅图像超分辨率重建方法 | |
Zhao et al. | Hierarchical regression network for spectral reconstruction from RGB images | |
Liu et al. | A spectral grouping and attention-driven residual dense network for hyperspectral image super-resolution | |
CN109102469B (zh) | 一种基于卷积神经网络的遥感图像全色锐化方法 | |
CN109859110B (zh) | 基于光谱维控制卷积神经网络的高光谱图像全色锐化方法 | |
Han et al. | Hyperspectral and multispectral image fusion using optimized twin dictionaries | |
Fan et al. | Scale-wise convolution for image restoration | |
CN109146787B (zh) | 一种基于插值的双相机光谱成像系统的实时重建方法 | |
CN108288256B (zh) | 一种多光谱马赛克图像复原方法 | |
Liu et al. | An efficient residual learning neural network for hyperspectral image superresolution | |
Thapa et al. | A performance comparison among different super-resolution techniques | |
Qu et al. | TransFuse: A unified transformer-based image fusion framework using self-supervised learning | |
CN106780423B (zh) | 一种基于少数波段高分辨率图像的光谱重建方法 | |
He et al. | Multiscale dual-domain guidance network for pan-sharpening | |
Mei et al. | Lightweight multiresolution feature fusion network for spectral super-resolution | |
CN110852950B (zh) | 基于稀疏表示和图像融合的高光谱图像超分辨率重建方法 | |
CN108335265B (zh) | 一种基于样本学习的快速图像超分辨率重建方法及装置 | |
CN114155145A (zh) | 一种基于深度展开网络的空谱同时超分辨率重建方法 | |
CN103020936A (zh) | 一种人脸图像超分辨率重构方法 | |
Sun et al. | A rapid and accurate infrared image super-resolution method based on zoom mechanism | |
Dai et al. | Spatial-spectral representation for x-ray fluorescence image super-resolution | |
CN111899166A (zh) | 一种基于深度学习的医学高光谱显微图像超分辨重构方法 | |
CN113674154B (zh) | 一种基于生成对抗网络的单幅图像超分辨率重建方法及系统 | |
CN115984155A (zh) | 一种基于光谱解混的高光谱、多光谱和全色图像融合方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |