[发明专利]基于深度学习与矩阵分解的高光谱与全色图像融合方法

说明书

本发明公开了一种基于深度学习与矩阵分解的高光谱与全色图像融合方法，主要解决现有高光谱与全色图像融合方法空间信息提升不足和光谱信息损失过多的缺陷。其实现步骤为：①对高光谱图像数据集进行预处理，得到训练数据，②构建高频信息卷积网络并用训练数据对其训练；③输入待融合的高光谱图像和全色图像，通过LapSRN网络对高光谱图像超分辨，通过高频信息卷积网络获取全色图像的高频细节；④将全色图像作为引导图，并通过引导滤波增强超分辨高光谱图像边界信息；⑤结合先验图像构造融合优化方程，并求解该优化方程，得到输出的融合图像。本发明降低了对光谱信息的损失，提高了图像的空间信息，适用于任意场景下高光谱与全色图像的融合。

技术领域

本发明属于图像处理技术领域，特别涉及一种高光谱与全色图像融合，得到的空间分辨率提高、空谱信息丰富的高质量高光谱融合图像，可用于遥感影像精确分类与目标检测。

背景技术

在光学遥感系统的设计过程中，由于入射光能量的限制，不同传感器获得的遥感数据在光谱分辨率、空间分辨率与信噪比之间存在一定的制衡关系。一般的遥感系统产生的高光谱分辨率图像往往具有较低的空间分辨率，产生的高空间分辨率图像又会缺少光谱信息，无法得到符合应用于遥感影像目标检测或分类等问题要求的高空间分辨率、高光谱分辨率的遥感影像数据。因此，通过融合高空间分辨率的全色图像增强高光谱图像的空间信息十分必要。

目前的卫星传感技术可以获得相同季节和近似大气与照明情况下的全色图像与多光谱图像，这为遥感图像融合技术提供了基础。在不损失高光谱图像光谱信息的同时应用全色图像融合提高图像的空间信息具有很大的挑战性。高光谱与全色图像融合通常分为考虑多分辨率分析的成分替代、贝叶斯稀疏模型与光谱分离因式分解的最优化问题三种方法。

基于多分辨率分析与成分替代的融合算法，主要应用全色图像的空间信息替换经双三次线性插值后的高光谱图像的部分成分或将全色图像的空间细节信息经特定操作附加到插值图像中。例如，Aiazzi B等人在文献“Aiazzi B,Baronti S,Selva M.ImprovingComponent Substitution Pansharpening Through Multivariate Regression of MS+Pan Data.IEEE Transactions on GeoscienceRemote Sensing,2007,45(10):3230-3239.”中提出的基于多元回归增强的成分替代高光谱全色图像融合算法GSA，该算法通过多元回归最小化谱间覆盖与全色图像之间的均方误差来附加全色图像中的成分信息。附加全色图像高频细节信息的算法有Aiazzi B等人在文献“Aiazzi B,Alparone L,Baronti S,et al.MTF-tailored Multiscale Fusion of High-resolution MS and PanImagery.Photogrammetric EngineeringRemote Sensing,2015,72(5):591-596.”中提出的拉普拉斯金字塔多尺度融合算法GLP，该算法使用高斯金字塔与拉普拉斯金字塔对全色图像进行锐化，设计低通滤波器获取全色图像的高频细节。该类算法主要通过对全色图像进行尺度变换、对高光谱图像进行成分分析，对插值后的高光谱图像进行空间信息的补充。由于插值算法本来对高光谱图像的光谱信息就有损失，后续步骤对光谱信息又没有约束，因此融合结果会存在光谱失真。