[发明专利]一种结合波段聚类和稀疏表达的遥感影像复原方法

说明书

技术领域

本发明属于遥感图像处理技术领域，涉及一种基于波段聚类和稀疏表达的遥感影像复原方法，对于遥感影像中存在着较高相关性的波段，在此基础上利用高相关性波段组成的类中各波段之间的约束和互补关系，构建多通道的影像复原模型获得高质影像。

背景技术

随着信息处理技术的发展，人们对影像的要求也越来越高，但由于卫星、传感器或者大气等多方面的影响，最终获取的影像上可能会存在一些噪声或者光学模糊现象，所得到的影像往往分辨率很低而且会有退化变形和受噪声污染，导致遥感影像的高空间分辨率和高光谱分辨率无法同时获得，难以满足人们的视觉需要。在获取高质量的影像比较困难或者代价比较昂贵的时候，使用影像复原算法是很有必要的。影像复原主要可分为基于单幅影像复原和多幅影像复原的技术，其主要解决影像去噪，去模糊和超分重建问题。基于多幅影像的复原方法通常是指通过获取多幅不同时相或者不同位移的遥感影像，对多幅具有互补信息的低分辨率影像进行处理，重构出一幅高分辨率影像的技术，其方法有非均匀内插方法，基于多幅影像的Huber-Markov先验模型等。基于单幅影像的复原方法有基于邻域嵌套的超分辨率重建（LLE），基于样本学习的影像重建等。卫星遥感影像具有成像周期较长、地表情况复杂多变、大气辐射干扰严重等原因，使得同一场景的多时相遥感影像的获取较为困难，同时涉及到图像配准问题，而目前的配准算法其精度仍有待提高。可见发展遥感影像单幅影像复原的方法是重要的，但是现有针对多光谱遥感影像的复原算法大多将遥感影像视为普通图像进行复原，并没有考虑到遥感影像的光谱特性。因此，充分利用遥感影像丰富的光谱信息，研究针对单平台单时相遥感影像的复原具有较高的经济价值和现实意义。

发明内容

本发明的目的在于，针对现有技术的上述不足，提供一种结合波段聚类和稀疏表达的遥感影像复原方法，在利用波段间的高度相关性来进行复原的基础上，加入对噪声稳健的稀疏先验，对同一类具有较高相关性的波段同时训练字典并进行影像复原，这样构建的字典可以避免但波段训练字典时信息不足的情况，能够加入其他波段的信息构建一种多通道的稀疏模型，利用多波段直接的相关性，纠正单波段复原中字典训练不当导致复原不佳的情况。

本发明的技术方案为一种结合波段聚类和稀疏表达的遥感影像复原方法，包括以下步骤：

步骤1，将待处理影像根据相关系数指标，划分为具有相关性差异的多个波段类别；

步骤2，对每一波段类别的波段求取最佳字典，包括以下子步骤，

步骤2.1，设第m波段类X^m中包含L个波段，在每个波段上以像素点(x_i,y_j)为中心，设一个n×n的窗口，将L个同一光谱的n×n的窗口块提取出来组合为维度为nn×L的列向量nn=n×n；同时利用列向量组成第m波段类的样本库；

步骤2.2，稀疏系数向量求解，第一次迭代时利用步骤2,1所得样本库中部分列向量构建该m类的初始字典，基于初始字典采用OMP算法求解列向量的稀疏系数向量；后续迭代利用上一次执行步骤2.3更新的新字典采用OMP算法求解列向量的稀疏系数向量；

步骤2.3，字典更新，包括采用K-SVD算法更新字典，更新方式如下，

对应于字典中的某列原子，找到利用该列原子的影像列以及相应稀疏系数向量，通过对每列原子所得的残差做奇异值分解来更新该原子，使通过字典线性表达所得到的值与原始影像的值之差满足能量最小；

步骤2.4，判断是否达到迭代停止条件，是则确定第m波段类的当前字典为最佳字典，否则返回执行步骤2.2直到达到迭代停止条件；

步骤3，根据步骤2所得每一波段类别的最佳字典进行最小二乘求解得到高质影像。

而且，步骤1实现方式为，计算相关系数矩阵，以相关系数为指标，利用K-means算法对所有波段进行非监督聚类分为k类，每类中的波段相关性达到最大。

本发明的特色在于，不同波段之间的相关性存在差异，相邻波段的相关性一般较强，但是除了相邻波段以外，其它波段也可能与该波段有较强的相关性，因此可通过波段聚类的方法对高光谱影像波段分类，使高相关性波段聚为一类，改善单波段处理信息不足的问题；对于高光谱影像中处于同类波段构建多波段的稀疏先验，在稀疏先验本身对噪声稳健的特点下，在训练字典和用变分模型求解时，其它波段的信息加入在迭代过程中也起到重要作用，其相互之间形成约束和信息的互补，有效控制了复原精度。总之，本发明提出的方法可有效的用于遥感影像质量改善，获得更加准确的复原结果。

附图说明