基于融合框架與稀疏表示的遙感影像銳化.pdf

1、隨著遙感技術(shù)的發(fā)展，遙感圖像在天氣預(yù)報、環(huán)境監(jiān)測、地震監(jiān)測、海洋監(jiān)測、軍事測繪等領(lǐng)域的應(yīng)用越來越廣泛。光學(xué)遙感衛(wèi)星，例如QuickBird、IKONOS、GeoEye-1等，能夠提供地球表面觀測圖像。觀測圖像包含低分辨多光譜圖像和高分辨全色圖像。多光譜圖像由多個波段構(gòu)成，光譜信息豐富，但空間分辨率低。全色圖像僅有單個波段，空間分辨率高。實際應(yīng)用中需要高分辨多光譜圖像。然而，由于遙感傳感器技術(shù)限制，衛(wèi)星無法提供高分辨多光譜圖像。多光譜與全

2、色圖像融合技術(shù)能夠有效解決該問題。這項技術(shù)也被稱為多光譜圖像銳化。通過融合多光譜圖像與全色圖像，可以得到高分辨多光譜圖像。
　　多光譜與全色圖像融合作為遙感圖像融合的重要分支，值得深入研究。本論文的主要研究課題是多光譜與全色圖像融合。在已知融合框架下，針對多光譜與全色圖像融合中的光譜失真和空間失真問題，利用進(jìn)化算法、壓縮感知、稀疏表示、字典學(xué)習(xí)和圖像恢復(fù)等理論，提出了五種融合方法。本論文提出的融合方法在QuickBird、IKON

3、OS、GeoEye-1遙感數(shù)據(jù)上進(jìn)行測試。
　　本論文的主要成果總結(jié)如下:
　　1.分量替換融合方法是多光譜與全色圖像融合的重要框架之一。針對分量替換融合框架中的光譜失真問題，提出了基于粒子群優(yōu)化算法的自適應(yīng)分量替換融合方法。合成強(qiáng)度分量在分量替換融合框架中起到非常重要的作用。自適應(yīng)權(quán)重系數(shù)通過最大化目標(biāo)函數(shù)得到。目標(biāo)函數(shù)用來測量低尺度強(qiáng)度分量與低分辨全色圖像之間的空間相似性。相關(guān)系數(shù)、平均結(jié)構(gòu)相似性指標(biāo)和互信息分別被用作目

4、標(biāo)函數(shù)。本章方法在QuickBird和IKONOS數(shù)據(jù)上進(jìn)行測試。視覺分析和質(zhì)量結(jié)果表明該方法具有優(yōu)越的性能。
　　2.影響分量替換融合框架性能的因素有兩個:強(qiáng)度分量和注入模型。理想的強(qiáng)度分量能夠生成更好的空間細(xì)節(jié)圖像，有效提高分量替換融合框架的性能。然而，由于多光譜圖像與全色圖像之間的空間差異，空間細(xì)節(jié)圖像中存在不屬于多光譜圖像的信息，因此產(chǎn)生了空間失真和光譜失真。針對上述問題，提出了一種基于局部線性嵌入和小波融合的改進(jìn)分量替換

5、融合方法。該方法利用局部線性嵌入超分辨率技術(shù)和小波融合技術(shù)構(gòu)造了兩幅高分辨圖像，取代全色圖像在分量替換融合框架中的位置。應(yīng)用選擇最大值的融合規(guī)則，將兩幅空間細(xì)節(jié)圖像融合成一幅空間細(xì)節(jié)圖像。利用合成的空間細(xì)節(jié)圖像和適合的注入模型，提出了新的分量替換融合方法。實驗結(jié)果表明本章方法在融合QuickBird和GeoEye-1圖像時具有更好的性能，能夠有效保存光譜信息和空間信息。
　　3基于成像模型融合框架的基本思想是將多光譜與全色圖像融合

6、問題轉(zhuǎn)變?yōu)閳D像恢復(fù)問題。結(jié)合低分辨多光譜圖像和高分辨全色圖像的成像模型，提出了一種基于稀疏表示和局部自回歸模型的多光譜與全色圖像融合方法。稀疏先驗和局部自回歸模型用于精確恢復(fù)高分辨多光譜圖像。稀疏表示模型假定高分辨多光譜圖像由低頻分量和高頻分量構(gòu)成。兩個分量可以分別用光譜字典和空間細(xì)節(jié)字典來稀疏表示。光譜字典和空間細(xì)節(jié)字典通過K-SVD算法訓(xùn)練得到。局部自回歸模型被用于提高融合圖像的局部空間質(zhì)量。QuickBird和GeoEye-1數(shù)據(jù)

7、被用于測試本章方法。仿真實驗結(jié)果和真實實驗結(jié)果表明本章方法比傳統(tǒng)融合方法具有更好的性能。
　　4.多光譜圖像各個波段之間的光譜相關(guān)是一個重要特性。受分布式壓縮感知理論的啟發(fā)，提出了一種基于分布式壓縮感知的多光譜圖像銳化方法。該方法將多光譜圖像波段間的相關(guān)特性和各個波段的稀疏特性作為先驗信息。聯(lián)合稀疏模型假定高分辨多光譜圖像的各個波段由一個稀疏共同分量和一個稀疏獨(dú)有分量構(gòu)成。共同分量能夠被學(xué)習(xí)字典稀疏表示。該字典從全色圖像塊集合中訓(xùn)

8、練得到。獨(dú)有分量能夠被混合字典稀疏表示?；旌献值浒怂姆N多尺度變換基和學(xué)習(xí)字典。本章方法在QuickBird和IKONOS衛(wèi)星提供的仿真數(shù)據(jù)與真實數(shù)據(jù)上進(jìn)行測試。與傳統(tǒng)的融合方法相比，本章方法具有更佳的融合性能。
　　5.針對多光譜圖像與全色圖像之間的局部空間差異和對比度逆問題，提出了一種基于雙空間正則的多光譜圖像銳化方法。首先，反映低分辨多光譜圖像與高分辨多光譜圖像之間關(guān)系的退化模型被用作數(shù)據(jù)擬合項，從而保持融合圖像的光譜保真

9、度。其次，兩個空間正則項用于增強(qiáng)高分辨多光譜圖像的空間質(zhì)量。全局空間相似正則假設(shè)高分辨多光譜圖像各個波段的高通分量與全色圖像的高通分量在空間結(jié)構(gòu)上是相似的，能夠有效減少由對比度逆問題引起的光譜失真。此外，非局部自相似性被用作另外一個空間正則，能夠有效地提高高分辨多光譜圖像的局部空間質(zhì)量和減少由局部空間差異引起的空間失真。數(shù)據(jù)擬合項和兩個空間正則項組合起來形成了本章方法。與傳統(tǒng)的融合方法相比，本章方法在保存光譜信息和空間信息上具有更好的性