[发明专利]基于耦合字典及空间转换估计的高光谱图像超分辨重建方法

说明书

本发明公开了一种基于耦合字典及空间转换估计的高光谱图像超分辨重建方法，用于解决现有高光谱图像超分辨重建方法重建精度低的技术问题。技术方案是首先利用光谱解混理论对低分辨率的高光谱图像进行线性解混，求得相应的光谱字典；利用稀疏表示理论建立基于耦合字典的高光谱图像超分辨重建的模型；引入高光谱图像与真彩图像之间的空间转换矩阵正则项，降低了算法的使用限制；然后，利用改进的PALM算法对模型进行求解，获得超分辨重建后的高光谱图像。经测试，在空间超分辨倍数为32倍的情况下，本发明均方根误差RMSE、光谱角匹配SAM等精度指标均高于背景技术高光谱图像超分辨重建方法，具有较好的超分辨效果。

技术领域

本发明涉及一种高光谱图像超分辨重建方法，特别是涉及一种基于耦合字典及空间转换估计的高光谱图像超分辨重建方法。

背景技术

文献“Hyperspectral and Multispectral Image Fusion Based on a SparseRepresentation[J].IEEE Transactions on Geoscience and Remote Sensing,2015,53(7):3658-3668.”公开了一种基于图像融合与稀疏表示的高光谱图像超分辨重建算法，该算法利用在线学习的方法获取高光谱图像的光谱字典，并且在传统的优化框架中引入稀疏约束，使用SALSA图式进行优化求解，最终得到高空间分辨率的高光谱图像。然而，该方法在获取字典时并没有考虑其实际的物理意义。实际的高光谱图像中存在大量的混合像元，利用光谱的线性混合模型对字典进行约束可以提高算法效果；再者，低分辨率高光谱图像与高分辨率真彩图像之间的空间转换矩阵在实际问题中通常是未知的，错误的空间转换矩阵先验会严重影响算法效果，重建精度低。

发明内容

为了克服现有高光谱图像超分辨重建方法重建精度低的不足，本发明提供一种基于耦合字典及空间转换估计的高光谱图像超分辨重建方法。该方法首先利用光谱解混理论对低分辨率的高光谱图像进行线性解混，求得相应的光谱字典；利用稀疏表示理论建立基于耦合字典的高光谱图像超分辨重建的模型；引入高光谱图像与真彩图像之间的空间转换矩阵正则项，降低了算法的使用限制；然后，利用改进的PALM算法对模型进行求解，获得超分辨重建后的高光谱图像。在CAVE数据集和哈佛大学的Harvard数据集上的实验结果表明，在空间超分辨倍数为32倍的情况下，本发明均方根误差RMSE、光谱角匹配SAM等精度指标均高于背景技术高光谱图像超分辨重建方法，具有较好的超分辨效果。

本发明解决其技术问题所采用的技术方案是：一种基于耦合字典及空间转换估计的高光谱图像超分辨重建方法，其特点是包括以下步骤：

步骤一、获得低分辨率高光谱图像的光谱字典。

假设目标图像为对目标图像分别进行空间维降维和光谱维降维，得到下面的式子：

X_H≈YD， (1)

和

X_C≈RY， (2)

这里R表示光谱响应矩阵，D表示空间转换矩阵。

应用光谱的线性混合模型理论，目标高光谱图像表示为：

Y＝EA， (3)

其中，为端元矩阵，为丰度矩阵，p表示端元个数。结合式(1)、式(2)得到：

和

这里

利用光谱解混算法，对高光谱图像进行解混得到光谱字典

步骤二、建立基于耦合字典的高光谱图像超分辨重建模型。

依据式(4)、式(5)得到下述优化问题：