[发明专利]一种基于NSST和β散度非负矩阵分解的遥感图像融合方法

说明书

本发明公开了一种基于NSST和β散度非负矩阵分解的遥感图像融合方法，属于多光谱和全色遥感图像融合技术领域，包括以下步骤：计算多光谱强度分量、光谱估计、NSST分解、低频系数融合、高频系数融合、NSST逆变换、图像重构。本发明采用上述一种基于NSST和β散度非负矩阵分解的遥感图像融合方法，解决了融合图像空间失真和光谱失真问题，在主观视觉效果和客观评价方面都达到了很好的效果，在提升空间分辨率的同时有效的保留了光谱信息。

技术领域

本发明涉及多光谱和全色遥感图像融合技术领域，尤其是涉及一种基于NSST和β散度非负矩阵分解的遥感图像融合方法。

背景技术

多源遥感卫星可以提供众多具有不同空间分辨率、光谱分辨率和时间(时相)分辨率的遥感图像。高空间分辨率的全色图像(Panchromatic，PAN)，能够反映图像的整体空间结构信息，可详尽描述地物的细节特征。多光谱(Multispectral，MS)图像包含光谱信息，可以对地物进行识别、分类和解译，但是空间分辨率较低。将具有高空间分辨率的全色图像和光谱信息丰富的多光谱图像进行融合，能够获得具有较高空间分辨率的多光谱图像。这一过程又叫全色锐化，可以获得比单一类型图像更完整、更丰富的地表信息，从而改善后续处理效果。全色锐化广泛应用于土地利用规划、植被覆盖分析和地球资源调查等领域。

全色锐化方法可以分为成分替换法、多分辨率分析法、基于模型的方法三类。成分替换法通过线性或者非线性的变换将高光谱分辨率的多光谱图像变换到新的投影空间，分解为光谱成分和空间成分，并用全色图像去替换其空间成分，再经过逆变换获得融合图像。成分替换法主要包括IHS变换、主成分分析方法、GS方法、自适应GS(GSA)法、基于物理约束的波段相关空间细节(Band-dependent Spatial-detail with Physical Constrains,BDSD_PC)方法、基于部分置换的自适应分量替换(Partial Replacement-based AdaptiveComponent Substitution,PRACS)法等。成分替换法具有空间细节清晰、运行效率高、对误配准和混叠错误具有一定鲁棒性而被广泛使用，不过往往会带来光谱失真。

多分辨率分析方法是将全色图像多分辨率分解得到的空间细节注入到多光谱图像中，该方法通常通过线性分解方法获得，如小波变换、加性小波亮度比例(AdditiveWavelet Luminance Proportional,AWLP)方法等。与成分替换方法相比，多分辨率分析方法能更好地保持光谱特性，但容易产生空间结构失真。

基于模型的方法一般分为基于稀疏表示的方法和基于深度学习的方法。基于稀疏表示的方法首先从低空间分辨率数据中学习光谱字典，然后结合已知的高空间分辨率数据预测高空间分辨率和高光谱分辨率数据。例如，Li等提出了一种基于稀疏诱导先验信息的压缩感知方法，通过构建从多光谱图像中随机抽样的图像块字典来实现稀疏性。为了避免字典构建的成本，Zhu等提出了一种稀疏图像融合算法。Cheng等提出了一种融合小波变换和稀疏表示的融合框架。与多分辨分析法相比，这些方法具有超分辨能力和鲁棒性，能够获得更高的空间分辨率和光谱分辨率，且光谱失真较小。

近年来，人们对深度学习融合算法越来越感兴趣，例如Rao等提出了一种基于残差卷积神经网络的图像融合方法，直接学习输入与输出之间的残差，但浅层网络很难学习到深层次丰富的地物特征，数据量增多时还会出现欠拟合。Zhou利用深度学习技术增强对比度，合成全色图像，以在保持空间细节的同时减少光谱失真。Xiong等设计适用于全色锐化的损失函数和能够提取原始图像光谱和空间特征的四层卷积神经网络。Xiong等采用深度卷积神经网络学习全色图像和全色图像的光谱信息，并用光谱角控制光谱损失。Xu等提出基于模型的深度全色锐化方法。Xing等提出一种双协同融合模型。