[发明专利]一种基于稀疏线性系统的图像融合方法

说明书

技术领域

本发明涉及数字图像处理技术领域，特别是一种基于稀疏线性系统的图像融合方法。

背景技术

由于超大规模集成电路（VLSI）和超高速集成电路（VHSIC）、高精度数控机床、计算机辅助设计和制造，以及其它设计和生产的改进，传感器性能大大提高。从20世纪70年代起，一门新兴的学科——多传感器信息融合（Multisensor Data Fusion）便迅速发展起来。图像融合（Image Fusion）是指联合两个或两个以上的图像通过某种算法得到一幅更高质量的新图像。图像融合是数据融合技术领域中的一个重要分支，它的研究具有十分重要的实际意义。单个传感器图像或者单幅图像，由于受物理条件的限制和成像环境的影响，往往不能提供人们所需要的足够多的信息。例如，全色（Panchromatic）图像具有的较高空间分辨率可以对目标进行更好的定位，但是低的谱分辨率导致识别能力较差；反过来，多光谱图像具有较高的谱分辨率可以较好地识别目标，但是低的空间分辨率导致定位不准确。融合多光谱图像和全色图像，可以得到具有较高空间分辨率的多光谱图像，从而更好地实现目标的识别和定位等后续处理。

总的来说，综合多个传感器图像的信息，可以降低图像信息的不确定性，增加图像信息的可靠性、鲁棒性，加大信息表达的范围和能力，有利于图像的理解和场景解释。图像融合技术还对图像去噪、图像复原、图像超分辨率等其它图像处理技术起到促进作用。同时，许多领域中的多传感器、多时相、多分辨率和多光谱（超光谱）图像的大量涌现，为了更好地存储、处理和利用这些数据，迫切要求一门综合处理多源图像的技术和系统。现在，图像融合广泛地应用于许多领域，包括遥感、医学影像、人工智能、隐藏武器检测、自动导航着陆、质量和故障检测，工业监测和军事国防等

图像融合方法是图像融合系统的核心部分。图像融合方法大致可以分为七类：一是彩色相关的方法；二是数值方法；三是基于概率统计的方法；四是基于多尺度分解的方法；五是神经网络融合方法；六是基于谱分离的方法；七是变分融合方法。其中Sharama在对图像融合作了深刻的分析的基础上提出了一种新的概率模型及参数估计方法。Zhang及Blum以在数字相机的应用为背景总结了基于多尺度分解的图像融合算法。Mohammad-Djafari则论述了贝叶斯估计方法在图像中的应用。

在这些算法中，其中基于多尺度分解的方法得到最为广泛的应用，其融合过程分为多尺度分解、信息转移和多尺度重建等三个步骤。使用多尺度分解的图像融合方法，融合之前先要对多光谱图像进行插值以使它的尺寸跟全色图像一样。然后，再将全色图像的细节信息融入到插值之后的多光谱图像中。这样，融合得到的多光谱图像就具有了更高的分辨率了；同时光谱图像的谱信息也会被保留。

但是，这些方法没有意识到一点：尺寸相同并不等于尺度相同。虽然全色图像和插值的多光谱图像具有相同的尺寸，但是显然的是后者的实际分辨率要低于前者。这时，两者的信息并不处于同一尺度空间，直接的融合可能导致信息的失真和扭曲，从而降低融合质量。

发明内容

有鉴于此，本发明的主要目的在于提供一种基于自适应分解和多尺度基本形式的图像融合方法，在图像自适应分解的基础上，解决以往图像融合没有考虑待融合的高分辨率图像和高光谱图像尺度不一致的问题，达到改进图像融合效果的目的。

为达到上述目的，本发明提供了一种基于稀疏线性系统的图像融合方法，包括：对多谱图像进行IHS变换；高分辨率图像求取其极值点；基于多谱图像的亮度部分、高分辨率图像和高分辨率图像的极值点构造稀疏线性方程组求取上下包络；根据上下包络求取其平均包络；根据平均包络求取高分辨率图像中包含而多谱图像缺乏的高频信息；对多谱图像的亮度部分注入高频信息；应用逆IHS变换得到最终结果。

从上述技术方案可以看出，本发明具有以下有益效果：

1、本发明提供的基于稀疏线性系统的图像融合方法，使融合的信息在尺度空间具有一致性，提高了高分率全色图像和低分辨率多光谱图像的融合效果。

2、本发明提供的基于稀疏线性系统的图像融合方法，通过从全色图像获得的高分辨率信息，多光谱图像的空间分辨率得到提高，输入图像的谱信息通过多光谱图像I部分得到保持。