CN113627357A - 一种高空间-高光谱分辨率遥感图像本征分解方法及*** - Google Patents

一种高空间-高光谱分辨率遥感图像本征分解方法及*** Download PDF

Info

Publication number
CN113627357A
CN113627357A CN202110930442.6A CN202110930442A CN113627357A CN 113627357 A CN113627357 A CN 113627357A CN 202110930442 A CN202110930442 A CN 202110930442A CN 113627357 A CN113627357 A CN 113627357A
Authority
CN
China
Prior art keywords
remote sensing
sensing image
spatial
spectral
reflectivity
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110930442.6A
Other languages
English (en)
Other versions
CN113627357B (zh
Inventor
谷延锋
谢雯
金旭东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202110930442.6A priority Critical patent/CN113627357B/zh
Publication of CN113627357A publication Critical patent/CN113627357A/zh
Application granted granted Critical
Publication of CN113627357B publication Critical patent/CN113627357B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Processing (AREA)

Abstract

一种高空间‑高光谱分辨率遥感图像本征分解方法及***，具体涉及一种融合高空间分辨率信息的高光谱遥感图像本征分解方法、***及用于存储其的计算机可读存储介质,方法包括一、获取全色遥感图像的空间结构一致约束项和高光谱遥感图像的光谱一致约束项；二、获取反射率分量一致约束项；三、获取反射率分量。***包括存储器、处理器和存储在所述存储器中并可在所述处理器上运行的计算机程序。计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现任一所述方法的步骤。本发明用于将低空间分辨率的高光谱遥感图像做本征分解得到高空间分辨率的反射率图像，属于遥感图像处理领域。

Description

一种高空间-高光谱分辨率遥感图像本征分解方法及***
技术领域
本发明涉及一种高空间-高光谱分辨率遥感图像本征分解方法、***及用于存储其的计算机可读存储介质，具体涉及一种融合高空间分辨率信息的高光谱遥感图像本征分解方法、***及用于存储其的计算机可读存储介质，属于遥感图像处理领域。
背景技术
近几年，随着遥感成像技术的不断发展，越来越多的携带高光谱传感器的遥感卫星被发射升空，执行采集大范围波长的地表反射率数据的任务，因此高光谱遥感图像中包含丰富的光谱信息，这对地物精确分类、目标识别、农业监测等应用具有重要意义。然而高光谱遥感图像面临两个问题：
(1)大部分遥感卫星无法同时兼备高空间分辨率和高光谱分辨率的性能，必须根据需求在二者间选择一定的折中，往往导致星载高光谱遥感图像的空间分辨率不高，应用方面受限。
(2)由于成像过程中各种环境因素的影响，同种物质材料的反射率存在差异，即同物异谱的现象，这会导致高光谱遥感图像在后续应用中的精确度下降。
目前现有的遥感领域的本征分解方法主要针对单幅高光谱遥感图像，没有考虑提升空间分辨率的问题，因此只能得到相同低空间分辨率下的高光谱反射率图像，对后续应用的帮助有限。
发明内容
本发明为了解决现有本征分解方法无法从低空间分辨率的高光谱遥感图像分解得到高空间分辨率的反射率图像的问题，进而提出了一种高空间-高光谱分辨率遥感图像本征分解方法及***。
本发明采取的技术方案是：
一种高空间-高光谱分辨率遥感图像本征分解方法，包括如下步骤：
步骤一、获取全色遥感图像和高光谱遥感图像，分析出全色遥感图像的空间信息和高光谱遥感图像的光谱信息，利用全色遥感图像的空间信息构建空间结构一致约束项，利用高光谱遥感图像的光谱信息构建光谱一致约束项，转入步骤二；
步骤二、基于反射率先验，计算反射率分量的相似度矩阵，利用反射率分量的相似度矩阵获取反射率分量一致约束项，转入步骤三；
步骤三、根据步骤一中获取的空间结构一致约束项和光谱一致约束项，步骤二中获取的反射率分量一致约束项，计算总一致约束项，将总一致约束项利用迭代分解获取反射率分量。
进一步地，空间结构一致约束项为：
Figure BDA0003211137670000021
其中，
Figure BDA0003211137670000022
ρ表示反射率分量，ρ∈RN×d，N表示HR-HSI图像的像素总数量，d为HR-HSI的光谱数；
Figure BDA0003211137670000023
S表示明暗分量，S∈RN×d；
Figure BDA0003211137670000024
表示水平方向和垂直方向的一般梯度算子；
Figure BDA0003211137670000025
表示全色遥感图像转换至对数域后在光谱维堆叠d次，
Figure BDA0003211137670000026
Figure BDA0003211137670000027
表示取Frobenius范数。
进一步地，光谱一致约束项为：
Figure BDA0003211137670000028
其中，U表示向上重采样算子；
Figure BDA0003211137670000029
表示对数域的低空间分辨率高光谱遥感图像，
Figure BDA00032111376700000210
n表示对数域的低空间分辨率高光谱遥感图像的像素总个数；
L表示低通滤波算子。
进一步地，步骤二中：
反射率分量的相似度矩阵为
W＝ξpWp+ξhWh 公式3
其中，ξp和ξh均为权重系数，
Wp表示全色遥感图像的相似度矩阵；
Wh表示高光谱遥感图像的相似度矩阵；
根据公式3，获取反射率分量一致约束项
Figure BDA00032111376700000211
进一步地，所述全色遥感图像的相似度矩阵为
Figure BDA0003211137670000031
其中，
Figure BDA0003211137670000032
表示全色遥感图像在像素点i和j之间的梯度值；
Figure BDA0003211137670000033
表示窗口ωi中
Figure BDA0003211137670000034
值的方差；
τ表示阈值。
进一步地，所述高光谱遥感图像的相似度矩阵为
Figure BDA0003211137670000035
其中，
Figure BDA0003211137670000036
表示对数域的低空间分辨率高光谱遥感图像在空间上采样后的第i个像素值组成的列向量，
Figure BDA0003211137670000037
Figure BDA0003211137670000038
表示对数域的低空间分辨率高光谱遥感图像在空间上采样后的第j个像素值组成的列向量，
Figure BDA0003211137670000039
Figure BDA00032111376700000310
Figure BDA00032111376700000311
表示窗口ωi中光谱角的方差。
进一步地，步骤三包括：
根据公式1、公式2和公式4，获取总的一致约束项，
Figure BDA00032111376700000312
其中，α,β均为加权参数；
将总的一致约束项分别对
Figure BDA00032111376700000313
和
Figure BDA00032111376700000314
求偏导，获取迭代式：
G＝WTW-W-WT 公式8
其中，F(·)表示傅里叶变换；
F-1(·)表示傅里叶逆变换；
反复迭代至满足收敛条件，收敛时的对数域反射率为
Figure BDA00032111376700000315
则高空间分辨率反射率分量为
Figure BDA00032111376700000316
进一步地，收敛条件为
Figure BDA0003211137670000041
其中，||·||表示求二范数；
t表示迭代次数；
ε为收敛阈值。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-8任一所述方法的步骤。
一种高空间-高光谱分辨率遥感图像本征分解***，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-8任一所述方法的步骤。
有益效果：
本发明的方法同时针对高光谱遥感图像面临的空间分辨率低和存在同物异谱现象的两大问题，联合利用全色遥感图像中的空间信息和高光谱遥感图像中的光谱信息，构造了高空间分辨率下的全色遥感图像的相似度矩阵、高光谱遥感图像的相似度矩阵和反射率分量的相似度矩阵，既能达到降低同种地物间光谱的差异，有助于后续精细观测等应用的精度提升，又能提升空间分辨率，避免不同地物间的混叠，有效地保持地物边界，且本发明较现有技术而言更全能，需求范围更广，方法简单，易于实现。
本发明联合利用高空间分辨率的全色遥感图像，对低空间分辨率的高光谱遥感图像做本征分解，充分考虑了高光谱遥感图像的光谱特性和全色遥感图像的空间特性，能有效解决低空间分辨率下的高光谱遥感图像的本征分解问题，目的是得到高空间分辨率的反射率分量，从而得到高空间分辨率的反射率图像，大大提高了后续高光谱遥感图像的应用性能。
附图说明
图1是本发明方法的流程示意图；
图2是本发明***的结构示意图；
图3是实施例的实验原始HR-HSI图像；
图4是实施例的实验仿真LR-HSI图像；
图5是实施例的实验仿真Pan图像；
图6是实施例的真值图像；
图7是实施例的本征分解结果；
图8是原始HR-HSI分类图；
图9是仿真LR-HSI分类图；
图10是本发明方法分类图；
具体实施方式
具体实施方式一：结合图1说明本实施方式，本实施方式所述一种高空间-高光谱分辨率遥感图像本征分解方法，包括如下步骤：
步骤一、获取全色遥感图像和高光谱遥感图像，分析出全色遥感图像的空间信息和高光谱遥感图像的光谱信息，利用全色遥感图像的空间信息构建空间结构一致约束项，利用高光谱遥感图像的光谱信息构建光谱一致约束项，充分考虑了高光谱遥感图像的光谱特性和全色遥感图像的空间特性，转入步骤二；
步骤二、计算全色遥感图像的相似度矩阵和高光谱遥感图像的相似度矩阵，利用全色遥感图像的相似度矩阵和高光谱遥感图像的相似度矩阵基于反射率先验，计算反射率分量的相似度矩阵，相似度矩阵既能达到降低同种地物间光谱的差异，有助于后续精细观测等应用的精度提升，又能提升空间分辨率，避免不同地物间的混叠，有效地保持地物边界，利用反射率分量的相似度矩阵获取反射率分量一致约束项，转入步骤三；
步骤三、根据步骤一中获取的空间结构一致约束项和光谱一致约束项，步骤二中获取的反射率分量一致约束项，计算总一致约束项，将总一致约束项利用迭代分解获取反射率分量，从而得到高空间分辨率的反射率图像。
具体实施方式二：结合图1说明本实施方式，本实施方式所述一种高空间-高光谱分辨率遥感图像本征分解方法，步骤一包括：
步骤一一、获取全色遥感图像和高光谱遥感图像，分析出全色遥感图像的空间信息和高光谱遥感图像的光谱信息；
步骤一二、根据步骤一一中获取的全色遥感图像的空间信息和高光谱遥感图像的光谱信息，分别计算出空间信息一致约束项和光谱信息一致约束项；
高空间分辨率的高光谱遥感图像(HR-HSI)能够分解为两个本征分量，分别是明暗分量和只与材料自身有关的反射率分量，高空间分辨率的高光谱遥感图像、明暗分量和反射率分量的关系表达式为：
I＝ρ⊙S (1)
I表示高空间分辨率的高光谱遥感图像；
S表示明暗分量，S∈RN×d，N表示HR-HSI图像的像素总数量，d为HR-HSI的光谱数；
ρ表示反射率分量，ρ∈RN×d；
⊙表示逐元素对应相乘；
为了计算简便，将公式(1)转换至对数表达域：
Figure BDA0003211137670000061
其中，
Figure BDA0003211137670000062
首先考虑全色遥感图像的空间信息，在同一场景中，高空间分辨率的全色遥感图像(Pan，简写为P)的空间范围几乎覆盖低空间分辨率的高光谱遥感图像(LR-HSI)的整个范围。因此，空间增强的低空间分辨率的高光谱遥感图像的空间信息包含在高空间分辨率的全色遥感图像中，一般遥感图像的空间信息能够用梯度来表示，基于HR-HSI在每个波段上与P的空间结构接近的假设，得到如下关系式：
Figure BDA0003211137670000063
其中，
Figure BDA0003211137670000064
表示水平方向和垂直方向的一般梯度算子；
Figure BDA0003211137670000065
表示全色遥感图像转换至对数域后在光谱维堆叠d次，
Figure BDA0003211137670000066
N1表示加性噪声，N1∈RN×d；
根据公式(3)，获取空间信息一致约束项
Figure BDA0003211137670000067
其中，
Figure BDA0003211137670000068
表示取Frobenius范数；
考虑空间退化，基于退化前后光谱保持一致的假设，对于每个波段，低分辨率图像是由高分辨率图像经过低通滤波和下采样生成的，因此低分辨率图像与高分辨率图像的关系式为
Figure BDA0003211137670000069
其中，U表示向上重采样算子；
Figure BDA00032111376700000610
表示对数域的低空间分辨率的高光谱遥感图像，
Figure BDA00032111376700000611
n表示对数域的低空间分辨率的高光谱遥感图像的像素总个数；
L表示低通滤波算子；
N2表示加性噪声，N2∈RN×d；
根据式(5)，获取光谱信息一致约束项
Figure BDA0003211137670000071
其它与具体实施方式一相同。
具体实施方式三：结合图1说明本实施方式，本实施方式所述一种高空间-高光谱分辨率遥感图像本征分解方法，步骤二包括：
对于反射率分量而言，同种物质材料有着相同的反射率，因此反射率分量在局部邻域内具有很强的相关性，其线性关系表达式如下：
Figure BDA0003211137670000072
其中，ωi表示以像素i为中心的(2r+1)×(2r+1)大小的局部窗；
W(i,j)表示像素i与像素j之间的相似度，W∈RN×N；
Figure BDA00032111376700000711
表示第i个像素的对数域反射率分量；
Figure BDA00032111376700000712
表示第j个像素的对数域反射率分量；
基于视神经(Retinex)理论，物体材料反射率一般只在边缘处有较大变化，在材料内部可视为反射率不变，因此引入阈值τ，从高空间分辨率的全色遥感图像中提取相似度矩阵Wp，其表达式如下：
Figure BDA0003211137670000073
其中，
Figure BDA0003211137670000074
表示全色遥感图像在像素点i和j之间的梯度值；
Figure BDA0003211137670000075
表示窗口ωi中
Figure BDA0003211137670000076
值的方差；
对于同种物质材料而言，在高光谱遥感图像中往往具备相近的光谱，基于此可得相似度矩阵Wh，其表达式如下：
Figure BDA0003211137670000077
其中，
Figure BDA0003211137670000078
表示对数域的低空间分辨率高光谱遥感图像在空间上采样后的第i个像素值组成的列向量，
Figure BDA0003211137670000079
Figure BDA00032111376700000710
表示对数域的低空间分辨率高光谱遥感图像在空间上采样后的第j个像素值组成的列向量，
Figure BDA0003211137670000081
Figure BDA0003211137670000082
Figure BDA0003211137670000083
表示窗口ωi中光谱角的方差；
反射率分量的相似度矩阵由Wp和Wh加权求得：
W＝ξpWp+ξhWh (10)
其中，ξp和ξh均为权重系数，
Wp表示全色遥感图像的相似度矩阵；
Wh表示高光谱遥感图像的相似度矩阵；
根据公式(10)，获取反射率分量一致约束项
Figure BDA0003211137670000084
其它与具体实施方式一或二相同。
具体实施方式四：结合图1说明本实施方式，本实施方式所述一种高空间-高光谱分辨率遥感图像本征分解方法，根据公式(4)、公式(6)和公式(11)，获取总的一致约束项
Figure BDA0003211137670000085
其中，α,β均为加权参数；
将公式(12)分别对
Figure BDA0003211137670000086
和
Figure BDA0003211137670000087
求偏导，得
Figure BDA0003211137670000088
其中，t表示迭代次数；
F(·)表示傅里叶变换；
F-1(·)表示傅里叶逆变换；
Figure BDA0003211137670000089
迭代式为：
G＝WTW-W-WT (15)
反复迭代至满足收敛条件，收敛条件为：
Figure BDA0003211137670000091
其中，||·||表示求二范数；
ε为收敛阈值。
设收敛时的对数域反射率为
Figure BDA0003211137670000092
则高空间分辨率反射率分量为
Figure BDA0003211137670000093
其它与具体实施方式一、二或三相同。
具体实施方式五：结合图1和图2说明本实施方式，本实施方式所述一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-8任一所述方法的步骤，计算机可读存储介质包括只读存储器,磁盘或光盘等，本技术领域的普通技术人员能够理解实现上述方法携带的全部或部分步骤是能够通过程序指令驱使相关的硬件完成的。
在流程图中表示或在此以其他方式描述的逻辑和或步骤,例如,能够被认为是用于实现逻辑功能的可执行指令的定序列表,能够具体实现在任何计算机可读介质中,以供指令执行***、装置或设备如基于计算机的***、包括处理器的***或其他能够从指令执行***、装置或设备取指令并执行指令的***使用,或结合这些指令执行***、装置或设备而使用。就本说明书而言,“计算机可读介质“能够是任何包含、存储、通信、传播或传输程序，以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例非穷尽性列表包括以下具有一个或多个布线的电连接部电子装置,便携式计算机盘盒磁装置,随机存取存储器,只读存储器,可擦除可编辑只读存储器或闪速存储器,光纤装置,以及便携式光盘只读存储器。另外,计算机可读介质也包括能够在其上打印所述程序的纸或其他合适的介质,例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理，以电子的方式获得所述程序,然后将其存储在计算机存储器中。
具体实施方式六：结合图2说明本实施方式，本实施方式所述一种高空间-高光谱分辨率遥感图像本征分解***，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-8任一所述方法的步骤，本发明的各部分能够用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法能够用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如,如果用硬件来实现,能够用本领域公知的下列技术中的任一项或它们的组合来实现具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,如具有合适的组合逻辑门电路的专用集成电路,可编程门阵列,现场可编程门阵列等。
具体实施方式七：结合图2说明本实施方式，本实施方式所述一种高空间-高光谱分辨率遥感图像本征分解***，它包括获取模块、计算模块和分解模块；
获取模块，与计算模块连接，用于获取全色遥感图像和高光谱遥感图像，分析出全色遥感图像的空间信息和高光谱遥感图像的光谱信息，并将全色遥感图像的空间信息和高光谱遥感图像的光谱信息发送至计算模块；
计算模块，与分解模块连接，用于根据接收的全色遥感图像的空间信息和高光谱遥感图像的光谱信息计算空间结构一致约束项、光谱一致约束项和反射率分量一致约束项，并将空间结构一致约束项、光谱一致约束项和反射率分量一致约束项发送至分解模块；
分解模块，用于根据接收的空间结构一致约束项、光谱一致约束项和反射率分量一致约束项计算总一致约束项，将总一致约束项利用迭代分解获取反射率分量。
本发明的各功能模块能够集成在一个处理器中,也能够是各个模块单独物理存在,也能够是两个或两个以上模块集成在一个大模块中，集成的大模块既能够采用硬件的形式实现,也能够采用软件功能的形式实现，集成的大模块如果以软件功能的形式实现并作为独立的产品销售或使用时,也能够存储在一个计算机可读存储介质中。其它与具体实施方式六相同。
具体实施方式八：结合图2说明本实施方式，本实施方式所述一种高空间-高光谱分辨率遥感图像本征分解***,计算模块包括：
高空间分辨率的高光谱遥感图像(HR-HSI)能够分解为两个本征分量，分别是明暗分量和只与材料自身有关的反射率分量，高空间分辨率的高光谱遥感图像、明暗分量和反射率分量的关系表达式为：
I＝ρ⊙S (17)
I表示高空间分辨率的高光谱遥感图像；
S表示明暗分量，S∈RN×d，N表示HR-HSI图像的像素总数量，d为HR-HSI的光谱数；
ρ表示反射率分量，ρ∈RN×d；
⊙表示逐元素对应相乘；
为了计算简便，将公式(1)转换至对数表达域：
Figure BDA0003211137670000111
其中，
Figure BDA0003211137670000112
首先考虑全色遥感图像的空间信息，在同一场景中，高空间分辨率的全色遥感图像(Pan，简写为P)的空间范围几乎覆盖低空间分辨率的高光谱遥感图像(LR-HSI)的整个范围。因此，空间增强的低空间分辨率的高光谱遥感图像的空间信息包含在高空间分辨率的全色遥感图像中，一般遥感图像的空间信息能够用梯度来表示，基于HR-HSI在每个波段上与P的空间结构接近的假设，得到如下关系式：
Figure BDA0003211137670000113
其中，
Figure BDA0003211137670000114
表示水平方向和垂直方向的一般梯度算子；
Figure BDA0003211137670000115
表示全色遥感图像转换至对数域后在光谱维堆叠d次，
Figure BDA0003211137670000116
N1表示加性噪声，N1∈RN×d；
根据公式(19)，获取空间信息一致约束项
Figure BDA0003211137670000117
其中，
Figure BDA0003211137670000118
表示取Frobenius范数；
考虑空间退化，基于退化前后光谱保持一致的假设，对于每个波段，低分辨率图像是由高分辨率图像经过低通滤波和下采样生成的，因此低分辨率图像与高分辨率图像的关系式为
Figure BDA0003211137670000119
其中，U表示向上重采样算子；
Figure BDA00032111376700001110
表示对数域的低空间分辨率的高光谱遥感图像，
Figure BDA00032111376700001111
n表示对数域的低空间分辨率的高光谱遥感图像的像素总个数；
L表示低通滤波算子；
N2表示加性噪声，N2∈RN×d；
根据式(21)，获取光谱信息一致约束项
Figure BDA0003211137670000121
对于反射率分量而言，同种物质材料有着相同的反射率，因此反射率分量在局部邻域内具有很强的相关性，其线性关系表达式如下：
Figure BDA0003211137670000122
其中，ωi表示以像素i为中心的(2r+1)×(2r+1)大小的局部窗；
W(i,j)表示像素i与像素j之间的相似度，W∈RN×N；
Figure BDA0003211137670000123
表示第i个像素的对数域反射率分量；
Figure BDA0003211137670000124
表示第j个像素的对数域反射率分量；
基于视神经(Retinex)理论，物体材料反射率一般只在边缘处有较大变化，在材料内部可视为反射率不变，因此引入阈值τ，从高空间分辨率的全色遥感图像中提取相似度矩阵Wp，其表达式如下：
Figure BDA0003211137670000125
其中，
Figure BDA0003211137670000126
表示全色遥感图像在像素点i和j之间的梯度值；
Figure BDA0003211137670000127
表示窗口ωi中
Figure BDA0003211137670000128
值的方差；
对于同种物质材料而言，在高光谱遥感图像中往往具备相近的光谱，基于此可得相似度矩阵Wh，其表达式如下：
Figure BDA0003211137670000129
其中，
Figure BDA00032111376700001210
表示对数域的低空间分辨率高光谱遥感图像在空间上采样后的第i个像素值组成的列向量，
Figure BDA00032111376700001211
Figure BDA00032111376700001212
表示对数域的低空间分辨率高光谱遥感图像在空间上采样后的第j个像素值组成的列向量，
Figure BDA00032111376700001213
Figure BDA00032111376700001214
Figure BDA00032111376700001215
表示窗口ωi中光谱角的方差；
反射率分量的相似度矩阵由Wp和Wh加权求得：
W＝ξpWp+ξhWh (26)
其中，ξp和ξh均为权重系数，
Wp表示全色遥感图像的相似度矩阵；
Wh表示高光谱遥感图像的相似度矩阵；
根据公式(26)，获取反射率分量一致约束项
Figure BDA0003211137670000131
其它与具体实施方式六或七相同。
具体实施方式九：结合图2说明本实施方式，本实施方式所述一种高空间-高光谱分辨率遥感图像本征分解***，分解模块包括：
根据公式(20)、公式(22)和公式(27)，获取总的一致约束项
Figure BDA0003211137670000132
其中，α,β均为加权参数；
将公式(28)分别对
Figure BDA0003211137670000133
和
Figure BDA0003211137670000134
求偏导，得：
Figure BDA0003211137670000135
其中，t表示迭代次数；
F(·)表示傅里叶变换；
F-1(·)表示傅里叶逆变换；
Figure BDA0003211137670000136
迭代式为：
G＝WTW-W-WT (31)
反复迭代至满足收敛条件，收敛条件为：
Figure BDA0003211137670000141
其中，||·||表示求二范数；
ε为收敛阈值；
设收敛时的对数域反射率为
Figure BDA0003211137670000142
则高空间分辨率反射率分量为
Figure BDA0003211137670000143
其它与具体实施方式六、七或八相同。
实施例：
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或多个用于实现特定逻辑功能或过程步骤的可执行指令的代码的模块、片段或部分,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
下面详细描述本发明的实施例，所述实施例按照图3-图10所示，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制，本领域的技术人员在不脱离本发明的原理和宗旨的情况下，在本发明的范围内能够对下述实施例进行变化、修改、替换和变型。
实验所用数据是机载ROSIS传感器拍摄的一组高光谱遥感图像，空间分辨率为3.7m，大小为512×216×204，对其在空间进行下采样得到仿真高光谱LR-HSI，空间分辨率为14.8m，数据大小为128×54×204，在光谱上做平均生成仿真全色Pan，空间分辨率为3.7m，数据大小分别为512×216。
图3-图10分别显示了原始HR-HSI图像、仿真LR-HSI图像、仿真Pan图像，真值图像、本发明方法的本征分解结果、原始HR-HSI分类图、仿真LR-HSI分类图和本发明方法分类图，表1是对本发明方法本征分解结果与仿真LR-HSI、原始HR-HSI图像的分类精度对比。
表1
Figure BDA0003211137670000144
从对比结果能够看出经过本发明方法生成的反射率分量使高光谱遥感图像的地物分类精度都有显著的提升，能够有效提升高光谱遥感图像的地物分类精度。

Claims (10)

1.一种高空间-高光谱分辨率遥感图像本征分解方法，其特征在于：包括如下步骤：
步骤一、获取全色遥感图像和高光谱遥感图像，分析出全色遥感图像的空间信息和高光谱遥感图像的光谱信息，利用全色遥感图像的空间信息构建空间结构一致约束项，利用高光谱遥感图像的光谱信息构建光谱一致约束项，转入步骤二；
步骤二、基于反射率先验，计算反射率分量的相似度矩阵，利用反射率分量的相似度矩阵获取反射率分量一致约束项，转入步骤三；步骤三、根据步骤一中获取的空间结构一致约束项和光谱一致约束项，步骤二中获取的反射率分量一致约束项，计算总一致约束项，将总一致约束项利用迭代分解获取反射率分量。
2.根据权利要求1中所述的一种高空间-高光谱分辨率遥感图像本征分解方法，其特征在于：空间结构一致约束项为：
Figure FDA0003211137660000011
其中，
Figure FDA0003211137660000012
ρ表示反射率分量，ρ∈RN×d，N表示HR-HSI图像的像素总数量，d为HR-HSI的光谱数；
Figure FDA0003211137660000013
S表示明暗分量，S∈RN×d；
Figure FDA0003211137660000014
表示水平方向和垂直方向的一般梯度算子；
Figure FDA0003211137660000015
表示全色遥感图像转换至对数域后在光谱维堆叠d次，
Figure FDA0003211137660000016
Figure FDA0003211137660000017
表示取Frobenius范数。
3.根据权利要求1中所述的一种高空间-高光谱分辨率遥感图像本征分解方法，其特征在于：光谱一致约束项为：
Figure FDA0003211137660000018
其中，U表示向上重采样算子；
Figure FDA0003211137660000019
表示对数域的低空间分辨率高光谱遥感图像，
Figure FDA00032111376600000110
n表示对数域的低空间分辨率高光谱遥感图像的像素总个数；
L表示低通滤波算子。
4.根据权利要求1中所述的一种高空间-高光谱分辨率遥感图像本征分解方法，其特征在于：步骤二中：
反射率分量的相似度矩阵为
W＝ξpWp+ξhWh 公式3
其中，ξp和ξh均为权重系数，
Wp表示全色遥感图像的相似度矩阵；
Wh表示高光谱遥感图像的相似度矩阵；
根据公式3，获取反射率分量一致约束项
Figure FDA0003211137660000021
5.根据权利要求3中所述的一种高空间-高光谱分辨率遥感图像本征分解方法，其特征在于：所述全色遥感图像的相似度矩阵为
Figure FDA0003211137660000022
其中，
Figure FDA0003211137660000023
表示全色遥感图像在像素点i和j之间的梯度值；
Figure FDA0003211137660000024
表示窗口ωi中
Figure FDA00032111376600000212
值的方差；
τ表示阈值。
6.根据权利要求3中所述的一种高空间-高光谱分辨率遥感图像本征分解方法，其特征在于：所述高光谱遥感图像的相似度矩阵为
Figure FDA0003211137660000025
其中，
Figure FDA0003211137660000026
表示对数域的低空间分辨率高光谱遥感图像在空间上采样后的第i个像素值组成的列向量，
Figure FDA0003211137660000027
Figure FDA0003211137660000028
表示对数域的低空间分辨率高光谱遥感图像在空间上采样后的第j个像素值组成的列向量，
Figure FDA0003211137660000029
Figure FDA00032111376600000210
Figure FDA00032111376600000211
表示窗口ωi中光谱角的方差。
7.根据权利要求1中所述的一种高空间-高光谱分辨率遥感图像本征分解方法，其特征在于：步骤三包括：
根据公式1、公式2和公式4，获取总的一致约束项，
Figure FDA0003211137660000031
其中，α,β均为加权参数；
将总的一致约束项分别对
Figure FDA0003211137660000032
和
Figure FDA0003211137660000033
求偏导，获取迭代式：
G＝WTW-W-WT 公式8
其中，F(·)表示傅里叶变换；
F-1(·)表示傅里叶逆变换；
反复迭代至满足收敛条件，收敛时的对数域反射率为
Figure FDA0003211137660000034
则高空间分辨率反射率分量为
Figure FDA0003211137660000035
8.根据权利要求7中所述的一种高空间-高光谱分辨率遥感图像本征分解方法，其特征在于：收敛条件为
Figure FDA0003211137660000036
其中，||·||表示求二范数；
t表示迭代次数；
ε为收敛阈值。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-8任一所述方法的步骤。
10.一种高空间-高光谱分辨率遥感图像本征分解***，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1-8任一所述方法的步骤。
CN202110930442.6A 2021-08-13 2021-08-13 一种高空间-高光谱分辨率遥感图像本征分解方法及*** Active CN113627357B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110930442.6A CN113627357B (zh) 2021-08-13 2021-08-13 一种高空间-高光谱分辨率遥感图像本征分解方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110930442.6A CN113627357B (zh) 2021-08-13 2021-08-13 一种高空间-高光谱分辨率遥感图像本征分解方法及***

Publications (2)

Publication Number Publication Date
CN113627357A true CN113627357A (zh) 2021-11-09
CN113627357B CN113627357B (zh) 2022-07-08

Family

ID=78385347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110930442.6A Active CN113627357B (zh) 2021-08-13 2021-08-13 一种高空间-高光谱分辨率遥感图像本征分解方法及***

Country Status (1)

Country Link
CN (1) CN113627357B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023088487A1 (zh) * 2021-11-22 2023-05-25 中移(成都)信息通信科技有限公司 一种高光谱影像正摄校正方法及装置、存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894365A (zh) * 2010-07-13 2010-11-24 武汉大学 一种自适应变分遥感影像融合方法
CN102902984A (zh) * 2012-09-27 2013-01-30 西安电子科技大学 基于局部一致性的遥感影像半监督投影降维方法
CN104463881A (zh) * 2014-12-12 2015-03-25 西安电子科技大学 一种基于光谱反射率邻域差异图和邻域概率融合的多光谱遥感影像变化检测方法
US20170075034A1 (en) * 2015-09-10 2017-03-16 The Climate Corporation Generating probabilistic estimates of rainfall rates from radar reflectivity measurements
CN109285133A (zh) * 2018-09-28 2019-01-29 哈尔滨工业大学 一种细节增强的遥感图像数据时空谱一体化融合方法
CN109767389A (zh) * 2019-01-15 2019-05-17 四川大学 基于局部和非局部联合先验的自适应加权双范数遥感图像盲超分辨重建方法
CN111899257A (zh) * 2020-08-14 2020-11-06 哈尔滨工业大学 基于多时相本征图像分解的地物光谱反射率图像提取方法
CN112785583A (zh) * 2021-02-01 2021-05-11 哈尔滨工业大学 基于超像素分割的高光谱遥感图像反射率恢复方法
CN112967350A (zh) * 2021-03-08 2021-06-15 哈尔滨工业大学 基于稀疏图编码的高光谱遥感图像本征分解方法及***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101894365A (zh) * 2010-07-13 2010-11-24 武汉大学 一种自适应变分遥感影像融合方法
CN102902984A (zh) * 2012-09-27 2013-01-30 西安电子科技大学 基于局部一致性的遥感影像半监督投影降维方法
CN104463881A (zh) * 2014-12-12 2015-03-25 西安电子科技大学 一种基于光谱反射率邻域差异图和邻域概率融合的多光谱遥感影像变化检测方法
US20170075034A1 (en) * 2015-09-10 2017-03-16 The Climate Corporation Generating probabilistic estimates of rainfall rates from radar reflectivity measurements
CN109285133A (zh) * 2018-09-28 2019-01-29 哈尔滨工业大学 一种细节增强的遥感图像数据时空谱一体化融合方法
CN109767389A (zh) * 2019-01-15 2019-05-17 四川大学 基于局部和非局部联合先验的自适应加权双范数遥感图像盲超分辨重建方法
CN111899257A (zh) * 2020-08-14 2020-11-06 哈尔滨工业大学 基于多时相本征图像分解的地物光谱反射率图像提取方法
CN112785583A (zh) * 2021-02-01 2021-05-11 哈尔滨工业大学 基于超像素分割的高光谱遥感图像反射率恢复方法
CN112967350A (zh) * 2021-03-08 2021-06-15 哈尔滨工业大学 基于稀疏图编码的高光谱遥感图像本征分解方法及***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
G. GAO: ""Multitemporal Intrinsic Image Decomposition With Temporal–Spatial Energy Constraints for Remote Sensing Image Analysis"", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
K. WANG等: ""Hyperspectral and Multispectral Image Fusion via Nonlocal Low-Rank Tensor Decomposition and Spectral Unmixing"", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
Y. GU等: ""A Novel MKL Model of Integrating LiDAR Data and MSI for Urban Area Classification"", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *
杨桄等: ""基于区域特征的高光谱与全色图像NSCT域融合方法"", 《红外技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023088487A1 (zh) * 2021-11-22 2023-05-25 中移(成都)信息通信科技有限公司 一种高光谱影像正摄校正方法及装置、存储介质

Also Published As

Publication number Publication date
CN113627357B (zh) 2022-07-08

Similar Documents

Publication Publication Date Title
Loncan et al. Hyperspectral pansharpening: A review
Xie et al. Hyperspectral image super-resolution using deep feature matrix factorization
Rao et al. A residual convolutional neural network for pan-shaprening
Sara et al. Hyperspectral and multispectral image fusion techniques for high resolution applications: A review
Liu et al. Hyperspectral restoration and fusion with multispectral imagery via low-rank tensor-approximation
Shukla et al. Generalized fractional filter-based algorithm for image denoising
Girard et al. Sparse representations and convex optimization as tools for LOFAR radio interferometric imaging
Ablin et al. An investigation in satellite images based on image enhancement techniques
CN116935214B (zh) 一种卫星多源遥感数据的时空谱融合方法
Sahu et al. A Bayesian multiresolution approach for noise removal in medical magnetic resonance images
Li et al. A novel weighted anisotropic total variational model for image applications
CN113627357B (zh) 一种高空间-高光谱分辨率遥感图像本征分解方法及***
Feng et al. BM3D‐GT&AD: an improved BM3D denoising algorithm based on Gaussian threshold and angular distance
Lu et al. SAR image despeckling via structural sparse representation
Hu et al. An adaptive nonlocal Gaussian prior for hyperspectral image denoising
Pande-Chhetri et al. Filtering high-resolution hyperspectral imagery in a maximum noise fraction transform domain using wavelet-based de-striping
CN112967350A (zh) 基于稀疏图编码的高光谱遥感图像本征分解方法及***
Lasaponara et al. Pan-sharpening techniques to enhance archaeological marks: an overview
Kang et al. SAR time series despeckling via nonlocal matrix decomposition in logarithm domain
CN111047525A (zh) Sar遥感图像到光学遥感图像的翻译方法
Dong et al. Fusion of hyperspectral and panchromatic images with guided filter
Rostami et al. Hyperspectral image super-resolution via learning an undercomplete dictionary and intra-algorithmic postprocessing
Lloyd et al. Efficient destriping of remote sensing images using an oriented super-Gaussian filter
Duarte-Carvajalino et al. Scale-space in hyperspectral image analysis
Zhao et al. A practical super-resolution method for multi-degradation remote sensing images with deep convolutional neural networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant