[发明专利]基于局部低秩矩阵和光谱分解的图像融合算法

说明书

本发明公开了一种基于局部低秩矩阵和光谱分解的图像融合算法，该方法包括以下步骤：步骤(1)、局部化多光谱图像和高光谱图像，包括多光谱图像局部化处理和高光谱图像局部化处理；步骤(2)、进行多光谱丰度矩阵估计，求解丰度信息；步骤(3)、初始化高光谱图像局部块的端元矩阵E_p；步骤(4)、利用将多光谱图像的空间信息提取与高光谱图像的光谱信息提取两个过程通过交替迭代的方法计算E_m,p和X_h,p。与现有技术相比，本发明能够有效融合高光谱图像和多光谱图像，有着广泛的应用前景。

技术领域

本发明涉及图像处理领域，更具体地，涉及一种基于局部低秩矩阵和光谱分解的高 光谱与多光谱图像融合算法。

背景技术

根据光谱分辨率的大小，可以将光谱图像分为多光谱图像(MultispectralImage，SI) 和高光谱图像(Hyperspectral Image，HSI)。常见的多光谱图像包含具有7个波段的 Landsat-TM5，其波段范围分别是450-520nm、520-600nm、630-690nm、760-900nm、1550-1750nm、1040-1250nm2080-2350nm。常见的高光谱图像包含具有224个波段的AVIRIS，其光谱覆盖范围为400-2500nm。高光谱图像比多光谱图像具有更高的光谱分 辨率。然而这种光谱分辨率的提升带来的副作用就是其空间分辨率要低于多光谱图像。 由于高光谱图像较低的空间分辨率，其成像时往往造成大量的混合像元，极大的影响了 高光谱图像在各个领域中的应用。如何获得同时具有高的空间分辨率的高光谱图像 (Highspatial-resolutionHSI，HHSI)成为亟需解决的问题。

如果目标场景存在一幅高空间分辨率的多光谱数据，可以通过数据融合的方式来生 成高空间分辨率的高光谱图像。融合得到的图像可以看成是多光谱图像中的高空间分辨 率信息与高光谱图像中的高光谱分辨率信息的结合物。融合的结果能够使得以往只能在 机载高空间分辨率光谱成像系统上进行的应用扩展到全球尺度。例如：高空间分辨率生态系统监测，高空间分辨率专题制图(矿物质、城市地标物质、植物种类等)。尽管在 目前位置，同时具备高光谱图像与多光谱图像传感器的卫星很有限，但是随着可用的高 分辨率的光学卫星的增加和回归周期的改善，使得相同季节下和相同的大气状况和照明 条件下互补的高光谱与多光谱图像的获取成为可能。

迄今为止，在国内外公开发表的论文和文献中尚未见到基于局部低秩和耦合光谱分 解的高光谱和多光谱图像融合算法。因此，本发明具有独创性，该算法能够有效融合高光谱和多光谱图像，有着广泛的应用前景。

发明内容

基于对现有的高光谱图像和多光谱图像融合算法总结和分析的基础上，本发明提出 一种基于局部低秩矩阵和光谱分解的图像融合算法，利用高光谱图像局部低秩的性质，首先将高光谱图像与多光谱图像进行分块处理，然后，针对高光谱图像与多光谱图像之 间的每一对应块进行融合；对于每一个对应块，利用光谱图像线性分解模型来实现融合。

本发明的一种基于局部低秩矩阵和光谱分解的图像融合算法，该方法包括以下步骤：

步骤1、局部化多光谱图像和高光谱图像，包括多光谱图像局部化处理和高光谱图像局部化处理，具体如下：

多光谱图像局部化处理：将多光谱图像分割成ω×ω，固定大小的图像块，其 中ω是表示图像块的长度，表示多光谱图像所在的空间)；将多光谱图像所有的图像块构成的集合表示为其中，n表示块的数量，|Y_m,p|表示每一 个多光谱图像局部块中像素点的个数，λ_m表示多光谱图像的波段数；