CN114972122B - 高光谱遥感图像坏像元复原方法、装置、电子设备及介质 - Google Patents

高光谱遥感图像坏像元复原方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN114972122B
CN114972122B CN202210888170.2A CN202210888170A CN114972122B CN 114972122 B CN114972122 B CN 114972122B CN 202210888170 A CN202210888170 A CN 202210888170A CN 114972122 B CN114972122 B CN 114972122B
Authority
CN
China
Prior art keywords
image
resolution
spatial resolution
hyperspectral
strip
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
Application number
CN202210888170.2A
Other languages
English (en)
Other versions
CN114972122A (zh
Inventor
张凯
胡玉新
林智莘
王振舟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202210888170.2A priority Critical patent/CN114972122B/zh
Publication of CN114972122A publication Critical patent/CN114972122A/zh
Application granted granted Critical
Publication of CN114972122B publication Critical patent/CN114972122B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种高光谱遥感图像坏像元复原方法、装置、电子设备及存储介质，应用于光学遥感图像处理技术领域，包括：获取待复原的高光谱图像，该高光谱图像包括高空间分辨率波段和低空间分辨率波段，将包含条带的该高空间分辨率波段下采样为包含条带的高光谱图像，使包含条带的该高光谱图像与该低空间分辨率波段具有相同的分辨率，利用贝叶斯字典学习法，基于包含条带的该高光谱图像和该低空间分辨率波段对该条带进行修复，得到修复后的图像，利用基于稀疏编码的图像超分辨率法，提高该修复后的图像的空间分辨率，得到最终的修复图像。

Description

高光谱遥感图像坏像元复原方法、装置、电子设备及介质
技术领域
本发明涉及光学遥感图像处理技术领域，尤其涉及一种高光谱遥感图像坏像元复原方法、装置、电子设备及存储介质。
背景技术
高光谱图像具有很高的光谱分辨率，目前已经能达到5nm甚至更高。在每个像素点上可以近似生成连续的光谱信号，能更完整的揭示地物的光谱信息。但通常高光谱图像的空间分辨率较低。由于光谱分辨率高，高光谱传感器更容易受到噪声的影响，在传感器成像探元阵列错位、CCD暗电流、测控电路、大气吸收等多重因素的影响下，高光谱影像数据可能存在一些缺陷：出现光谱失真与几何畸变，缺失部分像素，存在条带噪声等。这些情况使得高光谱图像的质量下降，使得后续的高光谱影像的精确配准、光谱解混和目标分类与识别等处理变得非常困难。
遥感传感器中出现探测元器件的损坏问题比较常见，硬件出现损坏后就会导致图像中出现坏像元。不仅在遥感图像的获取环节，在图像的传输、接收等环节中都会对遥感影像的质量产生影响。对于高光谱影像来说，坏像元和条带等问题较为常见。
对于高光谱影像中的坏像元和条带，现有的插值修复算法仅适用于面积较小的坏像元的修复, 条带修复主要有直方图匹配、矩匹配、频域修复等方法，此类方法只能消除较小的条带，适应性差，计算复杂。为了实现图像的修复，还可以采用插值等方法。但是针对大范围的条带去除方法，这些方法效果并不理想，无法修复大面积的坏像元。
发明内容
本发明的主要目的在于提供一种高光谱遥感图像坏像元复原方法、装置、电子设备及存储介质，利用稀疏编码方法来实现大面积的坏像元的高质量修复，研究通过融合不同谱段图像数据的互补信息来实现图像的修复。
为实现上述目的，本发明实施例第一方面提供一种高光谱遥感图像坏像元复原方法，包括：
获取待复原的高光谱图像，所述高光谱图像包括高空间分辨率波段HSIh和低空间分辨率波段HSIl，所述高空间分辨率波段HSIh与所述低空间分辨率波段HSIl的空间分辨率之比为2:1，所述高空间分辨率波段HSIh中所有波段均有条带噪声，所述低空间分辨率波段HSIl为参考图像；
将包含条带的所述高空间分辨率波段HSIh下采样为包含条带的高光谱图像HSIhl，使包含条带的所述高光谱图像HSIhl与所述低空间分辨率波段HSIl具有相同的分辨率；
利用贝叶斯字典学习法，基于包含条带的所述高光谱图像HSIhl和所述低空间分辨率波段HSIl对所述条带进行修复，得到修复后的图像HSIhlR；
利用基于稀疏编码的图像超分辨率法，提高所述修复后的图像HSIhlR的空间分辨率，得到最终的修复图像HSIhR。
可选的，所述利用贝叶斯字典学习法，基于包含条带的所述高光谱图像HSIhl和所述低空间分辨率波段HSIl对所述条带进行修复，得到修复后的图像HSIhlR包括：
将包含条带的所述高光谱图像HSIhl与所述低空间分辨率波段HSIl进行图像配准，得到未经处理的条带图像；
取出所有所述条带图像；
利用贝叶斯字典学习法，对每个所述条带图像进行条带修复，得到所述修复后的图像HSIhlR。
可选的，所述利用基于稀疏编码的图像超分辨率法，提高所述修复后的图像HSIhlR的空间分辨率，得到最终的修复图像HSIhR包括：
对包含条带的所述高光谱图像HSIhl和包含条带的所述高空间分辨率波段HSIh进行联合字典训练，得到联合字典D x；
基于所述联合字典D x，对所述修复后的图像HSIhlR的条带部分的第一分辨率信息进行超分辨率重建，得到最终的修复图像HSIhR，所述第一分辨率信息的分辨率低于所述最终的修复图像HSIhR的分辨率。
可选的，在所述对包含条带的所述高光谱图像HSIhl和包含条带的所述高空间分辨率波段HSIh进行联合字典训练的过程中，将包含条带的所述高光谱图像HSIhl进行立方卷积插值放大。
可选的，所述对所述修复后的图像HSIhlR的条带部分的预设低分辨率信息进行超分辨率重建包括：
利用超分辨率重建模型，对所述修复后的图像HSIhlR的条带部分的预设低分辨率信息进行预设超分辨率重建；
其中，所述超分辨率重建模型为：
Figure DEST_PATH_IMAGE001
，
Figure DEST_PATH_IMAGE002
为待修复区域对应修复后的图 像，D x为所述联合字典，
Figure DEST_PATH_IMAGE003
为所述待修复区域的字典系数。
本发明实施例第二方面提供一种高光谱遥感图像坏像元复原装置，包括：
获取模块，用于获取待复原的高光谱图像，所述高光谱图像包括高空间分辨率波段HSIh和低空间分辨率波段HSIl，所述高空间分辨率波段HSIh与所述低空间分辨率波段HSIl的空间分辨率之比为2:1，所述高空间分辨率波段HSIh中所有波段均有条带噪声，所述低空间分辨率波段HSIl为参考图像；
下采样模块，用于将包含条带的所述高空间分辨率波段HSIh下采样为包含条带的高光谱图像HSIhl，使包含条带的所述高光谱图像HSIhl与所述低空间分辨率波段HSIl具有相同的分辨率；
修复模块，用于利用贝叶斯字典学习法，基于包含条带的所述高光谱图像HSIhl和所述低空间分辨率波段HSIl对所述条带进行修复，得到修复后的图像HSIhlR；
提升模块，用于利用基于稀疏编码的图像超分辨率法，提高所述修复后的图像HSIhlR的空间分辨率，得到最终的修复图像HSIhR。
可选的，所述修复模块具体用于：
将包含条带的所述高光谱图像HSIhl与所述低空间分辨率波段HSIl进行图像配准，得到未经处理的条带图像；
取出所有所述条带图像；
利用贝叶斯字典学习法，对每个所述条带图像进行条带修复，得到所述修复后的图像HSIhlR。
可选的，所述提升模块具体用于：
对包含条带的所述高光谱图像HSIhl和包含条带的所述高空间分辨率波段HSIh进行联合字典训练，得到联合字典Dx；
基于所述联合字典Dx，对所述修复后的图像HSIhlR的条带部分的第一分辨率信息进行超分辨率重建，得到最终的修复图像HSIhR，所述第一分辨率信息的分辨率低于所述最终的修复图像HSIhR的分辨率。
本发明实施例第三方面提供了一种电子设备，包括：
存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明实施例第一方面提供的高光谱遥感图像坏像元复原方法。
本发明实施例第四方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的高光谱遥感图像坏像元复原方法。
从上述本发明实施例可知，本发明提供的高光谱遥感图像坏像元复原方法、装置、电子设备及存储介质，对高分辨率的条带图像降采样后，利用贝叶斯字典学习的方法实现条带的修复，再进行超分辨率重建，得到修复图像，利用稀疏编码方法实现了条带的修复，超分辨率重建采用了双层优化稀疏编码方法来训练联合字典。对各波段的条带图像逐一进行处理，实现高光谱条带图像的修复，有效修复图像中的坏条带。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的高光谱遥感图像坏像元复原方法的流程示意图；
图2为本发明一实施例提供的高光谱遥感图像坏像元复原方法的示意图；
图3为本发明一实施例提供的高光谱图像修复问题模型示意图；
图4为本发明一实施例提供的基于贝叶斯字典学习的高光谱图像条带去除方法的流程示意图；
图5为本发明一实施例提供的高光谱条带修复图像的超分辨率重建方法的流程示意图；
图6为本发明一实施例提供的 基于稀疏编码的图像超分辨率重建方法的流程示意图；
图7为本发明一实施例提供的高光谱遥感图像坏像元复原装置的结构示意图；
图8示出了一种电子设备的硬件结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1和图2，图1为本发明一实施例提供的高光谱遥感图像坏像元复原方法的流程示意图，图2为本发明一实施例提供的高光谱遥感图像坏像元复原方法的示意图。该方法可应用于电子设备中，电子设备包括：手机、平板电脑、手提电脑、智能手表、智能眼镜等可在移动中进行数据处理的电子设备以及台式计算机、一体机、智能电视机等非可在移动中进行数据处理的电子设备，该方法主要包括以下步骤：
S101、获取待复原的光谱图像，该光谱图像包括高空间分辨率波段HSIh和低空间分辨率波段HSIl。
S102、将包含条带的该高空间分辨率波段HSIh下采样为包含条带的高光谱图像HSIhl，使包含条带的该高光谱图像HSIhl与该低空间分辨率波段HSIl具有相同的分辨率。
S103、利用贝叶斯字典学习法，基于包含条带的该高光谱图像HSIhl和该低空间分辨率波段HSIl对该条带进行修复，得到修复后的图像HSIhlR。
S104、利用基于稀疏编码的图像超分辨率法，提高该修复后的图像HSIhlR的空间分辨率，得到最终的修复图像HSIhR。
高光谱图像是指具有很高的光谱分辨率（光谱间的间隔很小）的图像，目前高光谱图像的分辨率已经能达到5nm甚至更高。在高光谱图像中，部分波段图像可能存在条带噪声，本发明选用的参考图像是由同一高光谱传感器获取的无条带、具有完整信息的波段图像。在某些高光谱图像中，不同的波段可能具有不同的空间分辨率。在本发明中，将此问题抽象为图3所示的问题模型：高光谱图像分为高空间分辨率波段HSIh和低空间分辨率波段HSIl两部分，HSIh和HSIl的空间分辨率之比为2：1，其中，HSIh中所有波段均有条带噪声，HSIl为参考图像。
在本发明一实施例中，该利用贝叶斯字典学习法，基于包含条带的该高光谱图像HSIhl和该低空间分辨率波段HSIl对该条带进行修复，得到修复后的图像HSIhlR包括：将包含条带的该高光谱图像HSIhl与该低空间分辨率波段HSIl进行图像配准，得到未经处理的条带图像；取出所有该条带图像；利用贝叶斯字典学习法，对每个该条带图像进行条带修复，得到该修复后的图像HSIhlR。
令HSIhl表示包含条带的高光谱图像，HSIl表示包含相同地物的高光谱图像，HSIhl和HSIl具有相同的空间分辨率。将利用HSIl来修复HSIhl中丢失的信息，令HSIhl和HSIl的波段数分别为nλh和nλl。首先完成对HSIhl和HSIl的配准等预处理步骤。由于高光谱图像HSIhl各波段均有条带，而采用贝叶斯方法进行条带修复时主要的有用信息均来自于HSIl，因此，在进行修复时，每次只修复一个条带图像。整个基于贝叶斯字典学习的高光谱图像条带去除方法的流程图如图4所示。
首先将高光谱图像划分成块
Figure DEST_PATH_IMAGE004
，nx和ny表示图像的2维大小，nλ表示波 段数。输入高光谱图像就可以表示成一系列的图像块
Figure DEST_PATH_IMAGE005
，并进行向量化，得到
Figure DEST_PATH_IMAGE006
，
Figure DEST_PATH_IMAGE007
。确定条带的位置映射矩阵Σi。根据ABPFA先验模型和图像块 信息，利用吉布斯采样方法得到各未知参数的后验概率估计，实现各个波段的条带修复。
在本发明一实施例中，该利用基于稀疏编码的图像超分辨率法，提高该修复后的图像HSIhlR的空间分辨率，得到最终的修复图像HSIhR包括：对包含条带的该高光谱图像HSIhl和包含条带的该高空间分辨率波段HSIh进行联合字典训练，得到联合字典Dx；基于该联合字典Dx，对该修复后的图像HSIhlR的条带部分的第一分辨率信息进行超分辨率重建，得到最终的修复图像HSIhR。
在本发明中，第一分辨率信息的分辨率低于最终的修复图像HSIhR的分辨率。经过贝叶斯字典学习修复得到的高光谱图像分辨率较低，还需要将其恢复到原始分辨率，将采样基于稀疏编码的图像超分辨率的方法来实现。首先利用HSIhl和HSIh训练得到联合字典，再对HSIhlR条带部分的低分辨率信息进行超分辨率重建，得到最终的修复图像HSIhR。
在本发明一实施例中，在该对包含条带的该高光谱图像HSIhl和包含条带的该高空间分辨率波段HSIh进行联合字典训练的过程中，将包含条带的该高光谱图像HSIhl进行立方卷积插值放大。
在本发明一实施例中，该对该修复后的图像HSIhlR的条带部分的预设低分辨率信 息进行超分辨率重建包括：利用超分辨率重建模型，对该修复后的图像HSIhlR的条带部分的 预设低分辨率信息进行预设超分辨率重建，其中，该超分辨率重建模型为：
Figure 861141DEST_PATH_IMAGE001
，
Figure 778282DEST_PATH_IMAGE002
为待修复区域对应修复后的图像，D x为联合字典，
Figure 744970DEST_PATH_IMAGE003
为待修复区域的字典系数。
令yi为观测空间，xi为预测空间。特征空间之间的耦合关系可表示为：
Figure DEST_PATH_IMAGE008
。
联合字典学习是在两个耦合特征空间中学习得到两个字典Dx和Dy。可表示为式（1）：
Figure DEST_PATH_IMAGE009
式（1）
本发明采用双层优化训练方法训练联合字典Dh和Dl，进行字典训练时，为了更精确的表示图像的特征信息，利用特征提取符F来提取HSIhl的特征，将HSIh图像和提取得到的特征作为输入。F表示一个线性的特征提取符，通过提取更多的特征来使得稀疏系数能更精确的表示低分辨率的图像块。选用一阶和二阶导数表示特征，如式(2)所示。
Figure DEST_PATH_IMAGE010
式（2）
训练得到联合字典Dh和Dl后，为图像的超分辨率重建建立适当的模型，由于本发明中的超分辨率重建算法是为了利用低分辨率修复图像修复高分辨率图像中的条带，进行条带修复时，有一部分的高分辨率图像信息是已知的，且进行字典训练时提取的图像块是有重叠的，因此可设计如下的优化模型：
Figure DEST_PATH_IMAGE011
式（3）
其中，
Figure DEST_PATH_IMAGE012
，Dx和Dy为是在两个耦合特征空间中学习得到两个字 典，F为特征提取符，
Figure DEST_PATH_IMAGE013
为稀释系数，S为提取的初始高分辨率图像块信息或先前修复得到的 高分辨率图像块信息，当条带图像中不存在可利用的原始高分辨率图像信息或图像块间没 有重叠时，
Figure DEST_PATH_IMAGE014
，得到稀释系数
Figure 202496DEST_PATH_IMAGE013
后，可按照下式（4）的超分辨率重建模型 进行高分辨率图像块的重建：
Figure 203819DEST_PATH_IMAGE001
式（4）
按照上述超分辨率重建模型，即可修复高分辨率图像中的条带。图像重建流程如图6所示。
请参阅图7，图7是本发明一实施例提供的高光谱遥感图像坏像元复原装置的结构示意图，该装置可内置于电子设备中，该装置主要包括：
获取模块710，用于获取待复原的高光谱图像，该高光谱图像包括高空间分辨率波段HSIh和低空间分辨率波段HSIl，该高空间分辨率波段HSIh与该低空间分辨率波段HSIl的空间分辨率之比为2:1，该高空间分辨率波段HSIh中所有波段均有条带噪声，该低空间分辨率波段HSIl为参考图像；
下采样模块720，用于将包含条带的该高空间分辨率波段HSIh下采样为包含条带的高光谱图像HSIhl，使包含条带的该高光谱图像HSIhl与该低空间分辨率波段HSIl具有相同的分辨率；
修复模块730，用于利用贝叶斯字典学习法，基于包含条带的该高光谱图像HSIhl和该低空间分辨率波段HSIl对该条带进行修复，得到修复后的图像HSIhlR；
提升模块740，用于利用基于稀疏编码的图像超分辨率法，提高该修复后的图像HSIhlR的空间分辨率，得到最终的修复图像HSIhR。
在本发明一实施例中，该修复模块730具体用于：
将包含条带的该高光谱图像HSIhl与该低空间分辨率波段HSIl进行图像配准，得到未经处理的条带图像；
取出所有该条带图像；
利用贝叶斯字典学习法，对每个该条带图像进行条带修复，得到该修复后的图像HSIhlR。
在本发明一实施例中，该提升模块740具体用于：
对包含条带的该高光谱图像HSIhl和包含条带的该高空间分辨率波段HSIh进行联合字典训练，得到联合字典Dx；
基于该联合字典Dx，对该修复后的图像HSIhlR的条带部分的预设低分辨率信息进行超分辨率重建，得到最终的修复图像HSIhR。
在本发明一实施例中，在该对包含条带的该高光谱图像HSIhl和包含条带的该高空间分辨率波段HSIh进行联合字典训练的过程中，将包含条带的该高光谱图像HSIhl进行立方卷积插值放大。
在本发明一实施例中，该对该修复后的图像HSIhlR的条带部分的预设低分辨率信息进行超分辨率重建包括：
利用超分辨率重建模型，对该修复后的图像HSIhlR的条带部分的预设低分辨率信息进行预设超分辨率重建；
其中，该超分辨率重建模型为：
Figure 26281DEST_PATH_IMAGE001
，
Figure 230998DEST_PATH_IMAGE002
为待修复区域对应修复后的图像，D x为该联合字典，
Figure 429898DEST_PATH_IMAGE003
为该待修复区域的字典系数。
请参见图8，图8示出了一种电子设备的硬件结构图。
本实施例中所描述的电子设备，包括：
存储器41、处理器42及存储在存储器41上并可在处理器上运行的计算机程序，处理器执行该程序时实现前述图1所示实施例中描述的高光谱遥感图像坏像元复原法。
进一步地，该电子设备还包括：
至少一个输入设备43；至少一个输出设备44。
上述存储器41、处理器42、输入设备43和输出设备44通过总线45连接。
其中，输入设备43具体可为摄像头、触控面板、物理按键或者鼠标等等。输出设备44具体可为显示屏。
存储器41可以是高速随机存取记忆体（RAM，Random Access Memory）存储器，也可为非不稳定的存储器（non-volatile memory），例如磁盘存储器。存储器41用于存储一组可执行程序代码，处理器42与存储器41耦合。
进一步地，本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是设置于上述各实施例中的电子设备中，该计算机可读存储介质可以是前述图8所示实施例中的电子设备。该计算机可读存储介质上存储有计算机程序，该程序被处理器执行时实现前述图1所示实施例中描述的高光谱遥感图像坏像元复原方法。进一步地，该计算机可存储介质还可以是U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来。
需要说明的是，对于前述的各方法实施例，为了简便描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
以上为对本发明所提供的一种高光谱遥感图像坏像元复原方法、装置、电子设备及可读存储介质的描述，对于本领域的技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种高光谱遥感图像坏像元复原方法，其特征在于，包括：
获取待复原的高光谱图像，所述高光谱图像包括高空间分辨率波段和低空间分辨率波段，所述高空间分辨率波段与所述低空间分辨率波段的空间分辨率之比为2:1，所述高空间分辨率波段中所有波段均有条带噪声，所述低空间分辨率波段为参考图像；
将包含条带的所述高空间分辨率波段下采样为包含条带的高光谱图像，使包含条带的所述高光谱图像与所述低空间分辨率波段具有相同的分辨率；
利用贝叶斯字典学习法，基于包含条带的所述高光谱图像和所述低空间分辨率波段对所述条带进行修复，得到修复后的图像；
利用基于稀疏编码的图像超分辨率法，提高所述修复后的图像的空间分辨率，得到最终的修复图像。
2.根据权利要求1所述的高光谱遥感图像坏像元复原方法，其特征在于，所述利用贝叶斯字典学习法，基于包含条带的所述高光谱图像和所述低空间分辨率波段对所述条带进行修复，得到修复后的图像包括：
将包含条带的所述高光谱图像与所述低空间分辨率波段进行图像配准，得到未经处理的条带图像；
取出所有所述条带图像；
利用贝叶斯字典学习法，对每个所述条带图像进行条带修复，得到所述修复后的图像。
3.根据权利要求1所述的高光谱遥感图像坏像元复原方法，其特征在于，所述利用基于稀疏编码的图像超分辨率法，提高所述修复后的图像的空间分辨率，得到最终的修复图像包括：
对包含条带的所述高光谱图像和包含条带的所述高空间分辨率波段进行联合字典训练，得到联合字典；
基于所述联合字典，对所述修复后的图像的条带部分的第一分辨率信息进行超分辨率重建，得到最终的修复图像，所述第一分辨率信息的分辨率低于所述最终的修复图像的分辨率。
4.根据权利要求3所述的高光谱遥感图像坏像元复原方法，其特征在于，在所述对包含条带的所述高光谱图像和包含条带的所述高空间分辨率波段进行联合字典训练的过程中，将包含条带的所述高光谱图像进行立方卷积插值放大。
5.根据权利要求3所述的高光谱遥感图像坏像元复原方法，其特征在于，所述对所述修复后的图像的条带部分的第一分辨率信息进行超分辨率重建包括：
利用超分辨率重建模型，对所述修复后的图像的条带部分的第一分辨率信息进行预设超分辨率重建；
其中，所述超分辨率重建模型为：
Figure 316677DEST_PATH_IMAGE002
，
Figure 905922DEST_PATH_IMAGE004
为待修复区域对应修复后的图像，D x 为所述联合字典，
Figure 341451DEST_PATH_IMAGE006
为所述待修复区域的字典系数。
6.一种高光谱遥感图像坏像元复原装置，其特征在于，包括：
获取模块，用于获取待复原的高光谱图像，所述高光谱图像包括高空间分辨率波段和低空间分辨率波段，所述高空间分辨率波段与所述低空间分辨率波段的空间分辨率之比为2:1，所述高空间分辨率波段中所有波段均有条带噪声，所述低空间分辨率波段为参考图像；
下采样模块，用于将包含条带的所述高空间分辨率波段下采样为包含条带的高光谱图像，使包含条带的所述高光谱图像与所述低空间分辨率波段具有相同的分辨率；
修复模块，用于利用贝叶斯字典学习法，基于包含条带的所述高光谱图像和所述低空间分辨率波段对所述条带进行修复，得到修复后的图像；
提升模块，用于利用基于稀疏编码的图像超分辨率法，提高所述修复后的图像的空间分辨率，得到最终的修复图像。
7.根据权利要求6所述的高光谱遥感图像坏像元复原装置，其特征在于，所述修复模块具体用于：
将包含条带的所述高光谱图像与所述低空间分辨率波段进行图像配准，得到未经处理的条带图像；
取出所有所述条带图像；
利用贝叶斯字典学习法，对每个所述条带图像进行条带修复，得到所述修复后的图像。
8.根据权利要求6所述的高光谱遥感图像坏像元复原装置，其特征在于，所述提升模块具体用于：
对包含条带的所述高光谱图像和包含条带的所述高空间分辨率波段进行联合字典训练，得到联合字典；
基于所述联合字典，对所述修复后的图像的条带部分的第一分辨率信息进行超分辨率重建，得到最终的修复图像，所述第一分辨率信息的分辨率低于所述最终的修复图像的分辨率。
9.一种电子设备，包括：存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现权利要求1至5中的任一项所述的高光谱遥感图像坏像元复原方法中的各个步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至5中的任一项所述的高光谱遥感图像坏像元复原方法中的各个步骤。
CN202210888170.2A 2022-07-27 2022-07-27 高光谱遥感图像坏像元复原方法、装置、电子设备及介质 Active CN114972122B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210888170.2A CN114972122B (zh) 2022-07-27 2022-07-27 高光谱遥感图像坏像元复原方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210888170.2A CN114972122B (zh) 2022-07-27 2022-07-27 高光谱遥感图像坏像元复原方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN114972122A CN114972122A (zh) 2022-08-30
CN114972122B true CN114972122B (zh) 2022-11-01

Family

ID=82970059

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210888170.2A Active CN114972122B (zh) 2022-07-27 2022-07-27 高光谱遥感图像坏像元复原方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN114972122B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797175B (zh) * 2022-11-30 2023-07-18 哈尔滨工业大学 一种基于亚像素字典学习的高光谱遥感图像空间超分辨方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016041079A1 (en) * 2014-09-16 2016-03-24 University Of New Brunswick Optical sensor systems and image processing methods for remote sensing
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
CN113112420A (zh) * 2021-04-01 2021-07-13 浙江工业大学 一种基于结构化矩阵的高光谱图像噪声去除算法
CN113284045A (zh) * 2021-05-20 2021-08-20 中国人民解放军火箭军工程大学 基于迁移学习和光谱恢复的hsi超分辨重建方法及相关设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016041079A1 (en) * 2014-09-16 2016-03-24 University Of New Brunswick Optical sensor systems and image processing methods for remote sensing
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
CN113112420A (zh) * 2021-04-01 2021-07-13 浙江工业大学 一种基于结构化矩阵的高光谱图像噪声去除算法
CN113284045A (zh) * 2021-05-20 2021-08-20 中国人民解放军火箭军工程大学 基于迁移学习和光谱恢复的hsi超分辨重建方法及相关设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《基于聚类结构自适应稀疏表示的高光谱遥感图像修复研究》;秦振涛 杨茹 张靖 杨武年;《遥感技术与应用》;20180420;第1-5页 *

Also Published As

Publication number Publication date
CN114972122A (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
Ghassemian A review of remote sensing image fusion methods
Li et al. Thin cloud removal with residual symmetrical concatenation network
Chen et al. Blind cloud and cloud shadow removal of multitemporal images based on total variation regularized low-rank sparsity decomposition
CN109727207B (zh) 基于光谱预测残差卷积神经网络的高光谱图像锐化方法
CN108133465B (zh) 基于空谱加权tv的非凸低秩松弛的高光谱图像恢复方法
Li et al. Sparse-based reconstruction of missing information in remote sensing images from spectral/temporal complementary information
Aiazzi et al. Sensitivity of pansharpening methods to temporal and instrumental changes between multispectral and panchromatic data sets
JP4185075B2 (ja) 緑被率マップ作成装置、緑被率マップ作成方法、及び、プログラム。
Xu et al. Attention mechanism-based generative adversarial networks for cloud removal in Landsat images
Ferraris et al. Robust fusion of multiband images with different spatial and spectral resolutions for change detection
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
CN110544212B (zh) 基于层级特征融合的卷积神经网络高光谱图像锐化方法
CN113327218B (zh) 一种基于级联网络的高光谱与全色图像融合方法
Yin et al. Pansharpening with multiscale normalized nonlocal means filter: A two-step approach
CN108288256A (zh) 一种多光谱马赛克图像复原方法
Temel et al. CSV: Image quality assessment based on color, structure, and visual system
Yusuf et al. Spectral information analysis of image fusion data for remote sensing applications
Chang et al. Color image demosaicking using inter-channel correlation and nonlocal self-similarity
CN114972122B (zh) 高光谱遥感图像坏像元复原方法、装置、电子设备及介质
CN114723631A (zh) 基于深度上下文先验与多尺度重建子网络的图像去噪方法、系统及装置
Garzelli et al. Panchromatic sharpening of remote sensing images using a multiscale Kalman filter
Li et al. HyperNet: A deep network for hyperspectral, multispectral, and panchromatic image fusion
Cerra et al. Unmixing-based denoising for destriping and inpainting of hyperspectral images
Hua et al. Context-aware joint dictionary learning for color image demosaicking
AU2018101634A4 (en) System and method for processing and merging images

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