[发明专利]基于耦合张量分解的多光谱与高光谱图像融合方法

摘要

本发明公开了一种基于耦合张量分解的多光谱与高光谱图像融合方法，主要解决现有技术中空间信息模糊和光谱扭曲的问题。其步骤为：(1)分别输入低空间分辨率的高光谱图像、高空间分辨率的多光谱图像、光谱退化矩阵和正则参数；(2)将低空间分辨率的高光谱图像进行空间上采样；(3)将上采样低空间分辨率的高光谱图像利用高阶奇异值分解算法进行Tucker分解；(4)将高空间分辨率的多光谱图像进行Tucker分解；(5)将步骤(3)得到的因子矩阵与步骤(4)得到的核心张量沿各个模相乘得到高空间分辨率的高光谱图像。本发明能获得准确的空间和光谱信息，可用于目标检测与识别、地物分类等遥感领域。

主权项

一种基于耦合张量分解的多光谱与高光谱图像融合方法，包括以下步骤：(1)输入图像和矩阵：(1a)分别输入低空间分辨率高光谱图像L∈Rh×w×B和高空间分辨率多光谱图像Y∈RH×W×b，h和w为低空间分辨率高光谱图像的高和宽，B为低分辨率高光谱图像的波段数，H和W为高空间分辨率多光谱图像的高和宽，b为高空间分辨率多光谱图像的波段数；(1b)输入光谱退化矩阵D；(1c)设定正则参数λ。(2)将低空间分辨率高光谱图像L进行空间上采样，使得空间尺寸变为H×W，得到上采样的低空间分辨率高光谱图像X∈RH×W×B。(3)将上采样的低空间分辨率高光谱图像X进行Tucker分解，得到核心张量G和因子矩阵T1，T2和T3：(3a)构建目标方程：X＝G×1T1×2T2×3T3其中，IH×H，IW×W和IB×B均为单位矩阵，尺寸分别为H×H，W×W和B×B。subjectto表示为X＝G×1T1×2T2×3T3的约束条件，×1，×2和×3分别表示沿模1，模2，模3相乘。(3b)利用高阶奇异值分解算法对步骤(3a)中的目标方程进行求解。(4)将高空间分辨率多光谱图像Y进行Tucker分解，得到核心张量C：(4a)构建目标方程：Y＝C×1T1×2T2×3T3D其中，T3D＝DT3。(4b)将步骤(4a)中的目标方程变形为：其中，T表示矩阵的转置。(4c)将矩阵C(3)沿模3折叠得到核心张量C：其中，W(3)为W的模3展开形式，C(3)为核心张量C的模3展开形式，(·)‑1表示矩阵的逆。(5)将核心张量C与因子矩阵T1，T2和T3分别沿模1，模2和模3相乘，得到高空间分辨率高光谱图像Z：Z＝C×1T1×2T2×3T3。