[发明专利]一种基于多级细节注入的高光谱空谱质量增强方法

说明书

本发明属于图像处理技术领域，公开了一种基于多级细节注入的高光谱空谱质量增强方法，生成训练图像；构建双分支融合网络，进行训练。构建双分支融合网络提取并融合空间细节，进行训练，从低分高光谱图像和高分全色图像中提取多级空间细节；细节注入，重建高分辨率高光谱图像。在细节注入部分，通过预定义的增益系数所提取的细节将被逐级注入到上采样的高光谱图像中。本发明通过双分支融合网络融合低分辨率高光谱图像和高分辨率全色图像的空间特征，在两个双向分支中分层处理低分高光谱图像和高分全色图像；对于每一层，将从高分全色图像和低分高光谱图像中捕获的空间特征相结合，注入到上采样的高光谱图像中，获得高分高光谱图像。

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空谱质量增强方法，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

目前，高光谱成像可以获得从可见光到近红外光的数十个甚至数百个关于同一场景的密集采样光谱波段，这使得区分地表上具有相似光谱特征的各种材料成为可能。然而，由于受物理条件限制，高光谱图像的空间分辨率相对较低。低空间性能的高光谱图像不能满足应用程序任务所带来的挑战。高光谱锐化结合了高光谱图像的光谱内容和全色图像的空间细节，获得具有高空间分辨率和丰富光谱信息的锐化高光谱图像。它克服了单个传感器不能同时满足光谱和空间需求的缺点。

目前图像锐化方法主要分为以下四类：基于简单模型的经典分量替代(componentsubstitution，CS)，多分辨率分析(multiresolution analysis，MRA)锐化方法，以及最近提出的基于复杂模型的矩阵分解和贝叶斯锐化方法。

CS和MRA锐化方法实现起来简单快捷，在大型实时应用系统中很受欢迎。它们可以用一个统一的模型来表示，即整个锐化过程可以分为两个独立的细节提取过程和细节注入过程。这两类锐化算法的主要区别在于细节的提取。CS锐化方法使用全色图像来代替高光谱图像的强度分量，而MRA方法直接提取全色图像的高频分量并注入低分高光谱图像来实现锐化。广泛使用的CS锐化方法有格兰氏-施密特(Gram–Schmidt，GS)、自适应GS(adaptiveGS，GSA)、强度色调饱和度(intensity hue saturation，IHS)变换、主成分分析(principalcomponent analysis，PCA)和引导滤波器PCA(guided filter PCA，GFPCA)。由于光谱范围的不匹配，CS方法提供的锐化图像的光谱质量并不理想。光谱范围不匹配是高光谱图像锐化的固有问题，该问题影响了高光谱图像锐化方法的性能。利用全色图像代替高光谱图像强度分量的CS锐化方法受到光谱范围不匹配问题的较大影响，并产生明显的光谱失真。目前，CS锐化方法的研究主要集中在上下文自适应注入系数的估计上。MRA锐化算法具有优异的光谱性能且仍在研究中，该类方法集中于准确估计高光谱图像缺失的空间细节。

最近提出的贝叶斯和矩阵分解锐化方法依赖于一个不适定问题的正则化解。虽然与传统的锐化方法相比，贝叶斯分解和矩阵分解锐化方法在光谱保真度和空间分辨率方面表现较好，但它们耗时较大。此外，很难找到合适的统计模型来联合表征高光谱图像、全色图像和锐化图像，这大大限制了其在锐化中的应用。为了降低计算复杂度，Wei Q等人在文献“Wei Q,Dobigeon N,Tourneret J Y.Fast Fusion of Multi-Band Images Based onSolving a Sylvester Equation.IEEE Signal Processing Letters,2016,23(11):1632-1636.”提出了一种应用Sylvester方程快速求解优化方程的融合算法，该算法构造将优化方程传化为Sylvester方程，并设计了快速求解过程。这类基于光谱分离与因式分解的融合算法虽然能降低稀疏字典与Sylvester方程的求解复杂度，但依然存在依赖于选取高光谱图像复杂的先验信息的不足。