CN111223049B - 一种基于结构-纹理分解的遥感图像变分融合方法 - Google Patents
一种基于结构-纹理分解的遥感图像变分融合方法 Download PDFInfo
- Publication number
- CN111223049B CN111223049B CN202010015248.0A CN202010015248A CN111223049B CN 111223049 B CN111223049 B CN 111223049B CN 202010015248 A CN202010015248 A CN 202010015248A CN 111223049 B CN111223049 B CN 111223049B
- Authority
- CN
- China
- Prior art keywords
- image
- texture
- resolution
- component
- panchromatic
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 16
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 9
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract 1
- 238000004800 variational method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10041—Panchromatic 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
- G06T2207/20212—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 Processing (AREA)
Abstract
本发明公开了一种基于结构‑纹理分解的多光谱与全色图像变分融合方法,基于遥感领域中PAN图像和HRMS图像之间结构分量和纹理分量的相似性,分别对全局信息和局部空间细节(高阶信息)进行保留。通过梯度稀疏度来确保PAN图像和HRMS图像的结构相似度,根据低轶属性来描述其纹理相似度,提出我们的变分模型。然后通过交替方向乘子法求解该模型,从而得到具有高分辨率的多光谱图像。实验表明:本发明提出的方法考虑到PAN图像和HRMS图像之间结构分量和纹理分量的相似性,使用不同的模拟数据集和真实数据集进行融合实验,与对比方法相比,我们的融合图像的各项指标均最接近于理想值,视觉上最接近于参考图像。
Description
技术领域
本发明属于图像融合领域,涉及一种基于结构-纹理(cartoon-texture)分解的多光谱与全色图像变分融合方法,适用于由低分辨率多光谱图像与高分辨率全色图像融合得到高分辨率多光谱图像的应用场景。
背景技术
在遥感领域,通过卫星获取的地球图像的数据具有重要的应用价值,例如应用于土地覆盖分类,灾害检测和植被绘图等。由于卫星的存储与传输负担等限制,通常使用不同的传感器分别获得同一画面的光谱信息丰富但空间分辨率低的多光谱图像(LRMS)和光谱信息单一但空间分辨率高的全色图像(PAN),并通过对其进行融合来获得同时具有丰富的光谱信息和高分辨率的多光谱图像(HRMS),以便有利于对信息的分析和理解,该图像融合技术也被称为全锐化技术。
基于不同的融合原理,全锐化方法通常被分为4类,包括成分替换方法(componentsubstitution,CS),多分辨率分析法(multi-resolution analysis,MRA),基于深度卷积神经网络(deep convolutional neuron network-based,DCNN)的全锐化方法,以及变分法。CS方法将MS图像映射到一个新的空间,用PAN图像替换其中的空间分量后逆变换到原空间。MRA方法是通过多分辨率分解提取出PAN图像的细节然后将其注入MS波段中,这两类全锐化方法均可以得到分辨率较高的多光谱图像,但通常遭受严重的光谱失真或局部伪像。随着深度学习理论的不断发展,研究人员们开始探索基于深度学习的全锐化方法(deeplearning-based pansharpening method,DLP),并展现出优异的性能。但这类方法需要大量的计算资源和训练数据,因此在资源受限的情况下缺乏灵活性。近年来,变分方法依靠其优异的融合效果成为了一个广受欢迎的融合方法,这类方法的核心为基于某些假设和先验信息建立目标能量函数。例如,C.Chen等提出引入L2,1约束来鼓励动态梯度稀疏性和群体稀疏性的SIRF方法,较好的提升了融合质量。X Fu等提出一种基于局部梯度约束(LocalGradient Constraint,LGC)的全锐化变分模型,该方法考虑PAN和HRMS图像在不同局部块和光谱波段中的梯度差异来进行局部梯度约束,实现了高质量的锐化。
在已提出的众多变分方法中,考虑到PAN图像和MS图像取自同一场景,它们具有共同的几何特征,因此通常利用梯度相似性来对取自同一场景的PAN图像和MS图像的几何结构一致性进行约束。然而梯度算子只能获得图像的一阶边缘信息,因此融合过程中全色图像的高阶空间信息并未得到有效的利用。
发明内容
本发明针对现有变分方法的不足,提供一种新的将卡通-纹理分解与二阶导变分模型结合的变分全锐化方法。
本发明所采用的技术方案是:一种结构-纹理分解与二阶导变分模型结合的变分全锐化方法。图1展示了一张全色图像的梯度图像以及结构-纹理分量,其中结构分量包含了全局结构信息,而纹理分量中包含着一些梯度图像中不存在的图案细节(即高阶信息),这对于全锐化过程中的细节信息提取更有利。基于PAN图像和HRMS图像之间结构分量和纹理分量的相似性,我们分别使用梯度稀疏性和低轶性进行先验约束来保留空间信息,通过数据保真项保留MS图像的光谱信息,通过交替方向乘子法(alternative directionmultiplier method,ADMM)制定并求解变分模型,从而获得具有高分辨率的多光谱图像。
步骤1,选取同一时间同一画面的经过配准处理的多光谱图像和全色图像,低分辨率多光谱图像的记为M,全色图像记为P,融合得到的高分辨率多光谱图像记为F,全色图像与多光谱图像之间的分辨率之比为c;
步骤2,构建数据保真项J(F)来保留低分辨率多光谱图像M的光谱信息,构建先验约束项K(F)以确保融合图像F与全色图像P之间的空间结构一致性,从而获得目标能量函数:
argminFJ(F)+K(F) (1)
步骤3:基于步骤2的目标能量函数,通过交替方向乘子法来求解优化问题,从而得到融合图像。
进一步的,步骤2的具体实现包括以下子步骤,
步骤2.1,构建数据保真项J(F),来保留低分辨率多光谱图像M的光谱信息,低分辨率多光谱图像M被视为高分辨率多光谱图像F的下采样模糊版本,即M=ΨF+n,其中Ψ表示下采样运算符,n表示均值为0的高斯噪声;因此,为了保留LR MS图像的光谱信息,构造保真项为:
步骤2.2,基于全色图像和相应的高分辨率多光谱图像之间结构分量和纹理分量的相似性,在结构-纹理空间构建先验约束项K(F);具体原理如下:
融合图像F表示为纹理分量R和结构分量S的组合:
F=R+S (3)
其中结构分量S代表的是图像中的全局结构信息,即大面积平滑区域和锐利的边缘,纹理分量R代表的是图像中的小尺寸细节内容;
选择使用核范数来对纹理分量进行约束,因此,先验约束项K(F):
其中,和表示将U和V分别复制到b个波段,U和V为全色图像P的结构分量和纹理分量,由图像分解算法获得;R和S分别为F的结构和纹理分量,为梯度算子,||·||2,1表示群体稀疏;||·||*表示核范数,ρ和τ为平衡各项的参数;为块映射函数,用于将矩阵无重叠的分割为r×r的块并将每个块重新排列成长度为r2的列向量;
步骤2.3:基于子步骤2.1和2.2,提出的目标能量函数模型为:
进一步的,步骤3的具体实现包括以下子步骤,
步骤3.1:对于步骤2得到的目标能量函数模型,通过交替方向乘子法来求解该优化问题,通过引入辅助变量Y,(5)的增广拉格朗日函数表示为:
其中λ为拉格朗日参数,(6)式的优化问题被分解成4个子问题,分别进行求解;
步骤3.2:求解F子问题:
其中下标t表示迭代次数,上述问题相当于:
其中I是单位矩阵,等式(8)通过高斯消去法求解;
步骤3.3:求解R子问题:
等式(9)通过快速迭代收缩阈值算法来解决;
步骤3.4:求解S子问题:
等式(10)是低轶优化问题,通过奇异值阈值算法解决;
步骤3.5:求解Y子问题,该子问题由下式直接更新:
Yt+1=Yt+λ(Ft-Rt-St) (11)。
本发明主要针对由低分辨率多光谱图像和高分辨率全色图像融合得到高分辨率多光谱图像的应用需求。考虑到在图像全锐化过程中,梯度算子只能获得图像的一阶边缘信息,导致融合过程中全色图像的高阶空间信息并未得到有效的利用。而图像的结构-纹理分解的理论中,结构分量包含了全局结构信息,而纹理分量中包含着一些梯度图像中不存在的图案细节(即高阶信息),这对于全锐化过程中的细节信息提取更有利。因此,基于PAN图像和HRMS图像之间结构分量和纹理分量的相似性,我们提出一种卡通-纹理分解与二阶导变分模型结合的变分全锐化方法。我们的模型分别使用梯度稀疏性和低轶性进行先验约束来保留空间信息,通过数据保真项保留MS图像的光谱信息,通过交替方向乘子法(alternative direction multiplier method,ADMM)制定并求解模型,从而获得具有高分辨率的多光谱图像。
附图说明
图1是本发明对于全色图像的梯度图像和结构-纹理分量的比较。
图2是本发明对全色图像和高分辨率多光谱图像的结构和纹理分量的相似性描述,(a)其结构分量的梯度比较(采用来自同一行的数据进行演示),(b)为纹理分量的比较,其中方框中的块具有相似的结构。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明做进一步的详细描述,应当理解的是,此处所描述的实施例仅用于解释本发明,并不用于限定本发明。
我们所使用的数据来自高分一号卫星数据集,该数据集的MS和PAN图像的空间分辨率分别为8m和2m,MS图像均具有4个波段,即蓝色,绿色,红色,和近红外波段。为了定量分析融合的结果,基于Wald合成协议[1],我们将经过下采样后得到的MS(75×75×4)和PAN(300×300)数据进行全锐化,并将初始MS图像作为参考图像(300×300×4)。本实施提供一种基于结构-纹理分解的多光谱与全色图像变分融合方法,包括以下步骤:
步骤1:选取同一时间同一画面的经过配准等预处理的多光谱图像和全色图像。低分辨率多光谱图像的记为M,全色图像记为P,融合得到的高分辨率多光谱图像记为F。
在本实施例中,选用的高分一号卫星数据,全色图像与多光谱图像之间的分辨率之比为4。
步骤2:构建数据保真项J(F)来保留低分辨率多光谱图像M的光谱信息,构建先验约束项K(F)以确保融合图像F与全色图像P之间的空间结构一致性。从而获得目标能量函数:
argminFJ(F)+K(F) (1)
步骤2的具体实现包括以下子步骤:
步骤2.1:构建数据保真项J(F),来保留低分辨率多光谱图像M的光谱信息。低分辨率多光谱图像M通常被视为高分辨率多光谱图像F的下采样模糊版本,即M=ΨF+n,其中Ψ表示下采样运算符,n表示均值为0的高斯噪声。因此,为了保留LR MS图像的光谱信息,我们的保真项为:
步骤2.2:基于全色图像和相应的高分辨率多光谱图像之间结构分量和纹理分量的相似性,在结构-纹理空间构建先验约束项K(F)。具体原理如下:
融合图像F可以表示为纹理分量R和结构分量S的组合:
F=R+S (3)
其中结构分量S代表的是图像中的全局结构信息,即大面积平滑区域和锐利的边缘。纹理分量R代表的是图像中的小尺寸细节内容。
图2展示了我们选取的一组PAN图像与相同分辨率的HRMS图像的结构-纹理分量的相似性关系。首先我们在PAN图像的结构分量图像和HRMS图像的四个波段的结构分量图像上随机扫描相同位置的一条线,并在图2(a)中显示出该条线上的梯度值,该图表明,PAN图像和HRMS图像的结构分量的梯度差异较小,因此,我们选择使用梯度算子来制定结构分量规范。图2(b)中展示了一组HRMS图像的三个波段的纹理分量与PAN图像纹理分量的残差图像,由于遥感图像中存在许多自相似结构,如建筑物,道路等,因此这些残差图像中存在许多重复的纹理,从而具有低轶性,我们选择使用核范数来对纹理分量进行约束。因此,先验约束项K(F):
其中,和表示将U和V分别复制到b个波段。U和V为全色图像P的结构分量和纹理分量,由图像分解算法获得[2]。R和S分别为F的结构和纹理分量。为梯度算子。||·||2,1表示群体稀疏[3];||·||*表示和范数,通常用于低轶近似。ρ和τ为用于平衡各项的参数。为块映射函数,用于将矩阵无重叠的分割为r×r的块并将每个块重新排列成长度为r2的列向量,其中m和n为矩阵T的行数和列数。在本实施例中,b=4,ρ=0.05,τ=1200,m=300,n=300,r=30。
步骤2.3:基于子步骤2.1和2.2,我们所提出的目标能量函数模型为:
步骤3:基于步骤2的目标能量函数,通过交替方向乘子法(alternativedirection multiplier method,ADMM)来求解优化问题,从而得到融合图像。步骤3的具体实现包括以下子步骤:
步骤3.1:对于步骤2得到的模型,我们通过交替方向乘子法来求解该优化问题。通过引入辅助变量Y,(5)的增广拉格朗日函数表示为:
其中λ为拉格朗日参数,在本实施例中,λ=2.0。(6)式的优化问题可以被分解成4个子问题,我们将分别进行求解。
步骤3.2:求解F子问题:
其中下标t表示迭代次数。上述问题相当于:
I是单位矩阵。方程(2)可以用许多有效的数值方法求解,如高斯消去法。
步骤3.3:求解R子问题:
等式(9)类似于矢量全变分问题[4],可以通过快速迭代收缩阈值算法来解决[5]。
步骤3.4:求解S子问题:
等式(10)是低轶优化问题,可以通过奇异值阈值算法解决[6]。
步骤3.5:求解Y子问题。该子问题可由下式直接更新:
Yt+1=Yt+λ(Ft-Rt-St) (11)
优化求解的流程如表1所示。
表1
步骤4:基于上述步骤得到高分辨率多光谱图像,为了对融合图像进行定量评价,我们使用了PCA[7],GSA[8],NIHS[9],Indusion[10],HPF[10],DLP[12]和LGC[13]六种方法进行对比,使用了ERGSA[14],RASE[15],RMSE,UIQI[16]和SAM[17]和五种质量评价指标。定量分析结果如表2所示,粗体表示最佳结果。
表2不同方法的融合图像的定量指标对比
可以看出,由于我们的融合方法采用了二阶导来捕获更高阶的边缘,因此可以更精确地保留空间信息并同时减少因空间信息不准确而导致的光谱失真,因此我们的融合图像的各项指标均最接近于理想值。
本发明主要针对由低分辨率多光谱图像和高分辨率全色图像融合得到高分辨率多光谱图像的应用需求。考虑到,我们的模型将图像的cartoon+texture分解理论与图像全锐化相结合,以有效的确保PAN图像和pan-sharpened MS图像的空间一致性。此外,我们的模型中基于加权核范数的低轶的纹理分量先验项和基于一阶梯度的结构分量先验项能够进一步保留图像空间结构和光谱信息。最后,所提出的模型使用ADMM算法求解,从而获得较小空间失真及光谱失真的高分辨率多光谱图像。
应当理解的是,本说明未详细阐述的部分均属于现有技术。
应当理解的是,上述针对实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
参考文献
[1]Lucien Wald,Thierry Ranchin,and Marc Mangolini,“Fusion ofsatellite images of different spatial resolutions:Assessing the quality ofresulting images,”Photogrammetric Engineering and Remote Sensing,vol.63,no.6,pp.691–699,1997.
[2]S.Ono,T.Miyata,and I.Yamada,“Cartoon-texture image decompositionusing blockwise low-rank texture characterization,”IEEE Transactions on ImageProcessing,vol.23,no.3,pp.1128–1142,March 2014.
[3]C.Chen,Y.Li,W.Liu,and J.Huang,“Sirf:Simultaneous satellite imageregistration and fusion in a unified framework,”IEEE Transactions on ImageProcessing,vol.24,no.11,pp.4213–4224,Nov 2015.
[4]Xavier Bresson,“Fast dual minimization of the vectorial totalvariation norm and applications to color image processing,”2008.
[5]A.Beck and M.Teboulle,“A fast iterative shrinkagethresholdingalgorithm for linear inverse problems,”SIAM Journal on Imaging Sciences,vol.2,no.1,pp.183–202,2009.
[6]Jian-Feng Cai,Emmanuel Candes,and Zuowei Shen,“A`singular valuethresholding algorithm for matrix completion,”SIAM Journal on Optimization,vol.20,pp.1956–1982,03 2010.
[7]Zhijun Wang,D.Ziou,C.Armenakis,D.Li,and Qingquan Li,“A comparativeanalysis of image fusion methods,”IEEE Transactions on Geoscience and RemoteSensing,vol.43,no.6,pp.1391–1402,June 2005.
[8]B.Aiazzi,S.Baronti,and M.Selva,“Improving component substitutionpansharpening through multivariate regression of ms+pan data,”IEEETransactions on Geoscience and Remote Sensing,vol.45,no.10,pp.3230–3239,Oct2007.
[9]M.Ghahremani and H.Ghassemian,“Nonlinear ihs:A promising methodfor pan-sharpening,”IEEE Geoscience and Remote Sensing Letters,vol.13,no.11,pp.1606–1610,Nov 2016.
[10]M.M.Khan,J.Chanussot,L.Condat,and A.Montanvert,“Indusion:Fusionof multispectral and panchromatic images using the induction scalingtechnique,”IEEE Geoscience and Remote Sensing Letters,vol.5,no.1,pp.98–102,Jan 2008.
[11]PSJr Chavez,SC Sides,and JA Anderson,“Comparison of threedifferent methods to merge multiresolution and multispectral data:Landsat tmand spot panchromatic,”Photogrammetric Engineering and Remote Sensing,vol.57,no.3,pp.295—303,March 1991.
[12]Giuseppe Masi,Davide Cozzolino,Luisa Verdoliva,and GiuseppeScarpa,“Pansharpening by convolutional neural networks,”Remote Sensing,vol.8,no.7,pp.594,2016.
[13]Xueyang Fu,Zihuang Lin,Yue Huang,and Xinghao Ding,“A variationalpan-sharpening with local gradient constraints,”in 2019 IEEE Conference onComputer Vision and Pattern Recognition(CVPR),2019.
[14]Israa Amro,Javier Mateos,Miguel Vega,Rafael Molina,and Aggelos KKatsaggelos,“A survey of classical methods and new trends in pansharpening ofmultispectral images,”Eurasip Journal on Advances in Signal Processing,vol.2011,no.1,pp.79,2011.
[15]Myungjin Choi,“A new intensity-hue-saturation fusion approach toimage fusion with a tradeoff parameter,”IEEE Transactions on Geoscience andRemote Sensing,vol.44,no.6,pp.1672–1682,June 2006.
[16]Zhou Wang and A.C.Bovik,“A universal image quality index,”IEEESignal Processing Letters,vol.9,no.3,pp.81–84,2002-03.
[17]X.Kang,S.Li,and J.A.Benediktsson,“Pansharpening with mattingmodel,”IEEE Transactions on Geoscience and Remote Sensing,vol.52,no.8,pp.5088–5099,Aug 2014.
Claims (2)
1.一种基于结构-纹理分解的遥感图像变分融合方法,其特征在于,包括以下步骤:
步骤1,选取同一时间同一画面的经过配准处理的多光谱图像和全色图像,低分辨率多光谱图像的记为M,全色图像记为P,融合得到的高分辨率多光谱图像记为F,全色图像与多光谱图像之间的分辨率之比为c;
步骤2,构建数据保真项J(F)来保留低分辨率多光谱图像M的光谱信息,构建先验约束项K(F)以确保融合图像F与全色图像P之间的空间结构一致性,从而获得目标能量函数:
arg minFJ(F)+K(F) (1)
步骤2的具体实现包括以下子步骤,
步骤2.1,构建数据保真项J(F),来保留低分辨率多光谱图像M的光谱信息,低分辨率多光谱图像M被视为高分辨率多光谱图像F的下采样模糊版本,即M=ΨF+n,其中Ψ表示下采样运算符,n表示均值为0的高斯噪声;因此,为了保留LR MS图像的光谱信息,构造保真项为:
步骤2.2,基于全色图像和相应的高分辨率多光谱图像之间结构分量和纹理分量的相似性,在结构-纹理空间构建先验约束项K(F);具体原理如下:
融合图像F表示为纹理分量R和结构分量S的组合:
F=R+S (3)
其中结构分量S代表的是图像中的全局结构信息,即大面积平滑区域和锐利的边缘,纹理分量R代表的是图像中的小尺寸细节内容;
选择使用核范数来对纹理分量进行约束,因此,先验约束项K(F):
其中,和表示将U和V分别复制到b个波段,U和V为全色图像P的结构分量和纹理分量,由图像分解算法获得;R和S分别为F的结构和纹理分量,为梯度算子,‖·‖2,1表示群体稀疏;‖·‖*表示核范数,ρ和τ为平衡各项的参数;为块映射函数,用于将矩阵无重叠的分割为r×r的块并将每个块重新排列成长度为r2的列向量;
步骤2.3:基于子步骤2.1和2.2,提出的目标能量函数模型为:
步骤3:基于步骤2的目标能量函数,通过交替方向乘子法来求解优化问题,从而得到融合图像。
2.如权利要求1所述的一种基于结构-纹理分解的遥感图像变分融合方法,其特征在于:步骤3的具体实现包括以下子步骤,
步骤3.1:对于步骤2得到的目标能量函数模型,通过交替方向乘子法来求解该优化问题,通过引入辅助变量Y,(5)的增广拉格朗日函数表示为:
其中λ为拉格朗日参数,(6)式的优化问题被分解成4个子问题,分别进行求解;
步骤3.2:求解F子问题:
其中下标t表示迭代次数,上述问题相当于:
其中I是单位矩阵,等式(8)通过高斯消去法求解,Ψ′表示Ψ的转置;
步骤3.3:求解R子问题:
等式(9)通过快速迭代收缩阈值算法来解决;
步骤3.4:求解S子问题:
等式(10)是低轶优化问题,通过奇异值阈值算法解决;
步骤3.5:求解Y子问题,该子问题由下式直接更新:
Yt+1=Yt+λ(Ft-Rt-St) (11)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010015248.0A CN111223049B (zh) | 2020-01-07 | 2020-01-07 | 一种基于结构-纹理分解的遥感图像变分融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010015248.0A CN111223049B (zh) | 2020-01-07 | 2020-01-07 | 一种基于结构-纹理分解的遥感图像变分融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111223049A CN111223049A (zh) | 2020-06-02 |
CN111223049B true CN111223049B (zh) | 2021-10-22 |
Family
ID=70832253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010015248.0A Active CN111223049B (zh) | 2020-01-07 | 2020-01-07 | 一种基于结构-纹理分解的遥感图像变分融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111223049B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508082A (zh) * | 2020-12-02 | 2021-03-16 | 武汉大学 | 一种非监督学习的遥感影像空谱融合方法及系统 |
CN115631428B (zh) * | 2022-11-01 | 2023-08-11 | 西南交通大学 | 一种基于结构纹理分解的无监督图像融合方法和系统 |
CN115496699B (zh) * | 2022-11-16 | 2023-02-03 | 武汉大学 | 启明星一号卫星高光谱图像融合方法及系统 |
CN116977227B (zh) * | 2023-09-22 | 2023-12-15 | 福建晟哲自动化科技有限公司 | 基于局部结构变差的图像平滑方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894365A (zh) * | 2010-07-13 | 2010-11-24 | 武汉大学 | 一种自适应变分遥感影像融合方法 |
WO2014120613A1 (en) * | 2013-01-30 | 2014-08-07 | Qualcomm Incorporated | Real-time 3d reconstruction with power efficient depth sensor usage |
CN108460746A (zh) * | 2018-04-10 | 2018-08-28 | 武汉大学 | 一种基于结构和纹理分层预测的图像修复方法 |
CN109191404A (zh) * | 2018-09-07 | 2019-01-11 | 西安交通大学 | 一种基于e-3dtv正则的高光谱图像修复方法 |
CN109584319A (zh) * | 2018-12-05 | 2019-04-05 | 重庆邮电大学 | 一种基于非局部低秩和全变分的图像压缩感知重构算法 |
CN109859153A (zh) * | 2019-01-18 | 2019-06-07 | 武汉大学 | 一种基于自适应光谱-空间梯度稀疏正则化的多光谱图像融合方法 |
CN110349117A (zh) * | 2019-06-28 | 2019-10-18 | 重庆工商大学 | 一种红外图像与可见光图像融合方法、装置及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4844664B2 (ja) * | 2009-09-30 | 2011-12-28 | カシオ計算機株式会社 | 画像処理装置、画像処理方法及びプログラム |
US9329544B2 (en) * | 2010-01-25 | 2016-05-03 | Xerox Corporation | Polymer-based long life fusers and their methods of making |
CN102324106B (zh) * | 2011-06-02 | 2013-07-10 | 武汉大学 | 一种顾及地表光谱信息的sfs三维重建加密稀疏dem方法 |
-
2020
- 2020-01-07 CN CN202010015248.0A patent/CN111223049B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101894365A (zh) * | 2010-07-13 | 2010-11-24 | 武汉大学 | 一种自适应变分遥感影像融合方法 |
WO2014120613A1 (en) * | 2013-01-30 | 2014-08-07 | Qualcomm Incorporated | Real-time 3d reconstruction with power efficient depth sensor usage |
CN108460746A (zh) * | 2018-04-10 | 2018-08-28 | 武汉大学 | 一种基于结构和纹理分层预测的图像修复方法 |
CN109191404A (zh) * | 2018-09-07 | 2019-01-11 | 西安交通大学 | 一种基于e-3dtv正则的高光谱图像修复方法 |
CN109584319A (zh) * | 2018-12-05 | 2019-04-05 | 重庆邮电大学 | 一种基于非局部低秩和全变分的图像压缩感知重构算法 |
CN109859153A (zh) * | 2019-01-18 | 2019-06-07 | 武汉大学 | 一种基于自适应光谱-空间梯度稀疏正则化的多光谱图像融合方法 |
CN110349117A (zh) * | 2019-06-28 | 2019-10-18 | 重庆工商大学 | 一种红外图像与可见光图像融合方法、装置及存储介质 |
Non-Patent Citations (5)
Title |
---|
"Cartoon-Texture Image Decomposition Using Blockwise Low-Rank Texture Characterization";Shunsuke Ono et al;《IEEE TRANSACTIONS ON IMAGE PROCESSING》;20140109;第23卷(第3期);第1128 - 1142页 * |
"Image decomposition-based blind image deconvolution model by employing sparse representation";Huasong Chen et al;《The Institution of Engineering and Technology》;20161101;第10卷(第11期);第908-925页 * |
"图像恢复与Pan-sharpening的高阶变分模型及算法";刘鹏飞;《中国博士学位论文全文数据库 信息科技辑》;20170615(第6期);摘要第I页、第3-4页,第2.4.2章的第25-26页,第5.2章第117-118页 * |
"图像的卡通纹理分解及其应用";席灯炎;《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》;20130415(第4期);第I138-1096页 * |
"基于稀疏表示的像素级图像融合方法研究";朱智勤;《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》;20170915(第9期);第2.3章 * |
Also Published As
Publication number | Publication date |
---|---|
CN111223049A (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111223049B (zh) | 一种基于结构-纹理分解的遥感图像变分融合方法 | |
Zhou et al. | Pyramid fully convolutional network for hyperspectral and multispectral image fusion | |
Dian et al. | Hyperspectral image super-resolution via non-local sparse tensor factorization | |
Caballero et al. | Real-time video super-resolution with spatio-temporal networks and motion compensation | |
Loncan et al. | Hyperspectral pansharpening: A review | |
Li et al. | DDLPS: Detail-based deep Laplacian pansharpening for hyperspectral imagery | |
Kwan et al. | Pansharpening of Mastcam images | |
Sdraka et al. | Deep learning for downscaling remote sensing images: Fusion and super-resolution | |
CN106920214B (zh) | 空间目标图像超分辨率重建方法 | |
Dian et al. | Hyperspectral image super-resolution via local low-rank and sparse representations | |
Liu et al. | SSAU-Net: A spectral–spatial attention-based U-Net for hyperspectral image fusion | |
He et al. | CNN-based hyperspectral pansharpening with arbitrary resolution | |
CN111340697A (zh) | 一种基于聚类回归的图像超分辨方法 | |
Liu et al. | Research on super-resolution reconstruction of remote sensing images: A comprehensive review | |
Zhang et al. | Learning stacking regressors for single image super-resolution | |
Liu et al. | Multigraph-based low-rank tensor approximation for hyperspectral image restoration | |
Arulkumar et al. | Super resolution and demosaicing based self learning adaptive dictionary image denoising framework | |
Shen et al. | Deep-learning-based super-resolution of video satellite imagery by the coupling of multiframe and single-frame models | |
Shi et al. | A pansharpening method based on hybrid-scale estimation of injection gains | |
CN113205453B (zh) | 一种基于空间-光谱全变分正则化的高光谱融合方法 | |
Zhan et al. | A novel cross-scale octave network for hyperspectral and multispectral image fusion | |
Li et al. | Radiometric quality improvement of hyperspectral remote sensing images: a technical tutorial on variational framework | |
Bevilacqua | Algorithms for super-resolution of images and videos based on learning methods | |
Deka et al. | Joint sparse representation-based single image super-resolution for remote sensing applications | |
CN115131258A (zh) | 一种基于稀疏张量先验的高光谱、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 |