基于融合框架与稀疏表示的遥感影像锐化

摘要

随着遥感技术的发展，遥感图像在天气预报、环境监测、地震监测、海洋监测、军事测绘等领域的应用越来越广泛。光学遥感卫星，例如QuickBird、IKONOS、GeoEye-1等，能够提供地球表面观测图像。观测图像包含低分辨多光谱图像和高分辨全色图像。多光谱图像由多个波段构成，光谱信息丰富，但空间分辨率低。全色图像仅有单个波段，空间分辨率高。实际应用中需要高分辨多光谱图像。然而，由于遥感传感器技术限制，卫星无法提供高分辨多光谱图像。多光谱与全色图像融合技术能够有效解决该问题。这项技术也被称为多光谱图像锐化。通过融合多光谱图像与全色图像，可以得到高分辨多光谱图像。
　　多光谱与全色图像融合作为遥感图像融合的重要分支，值得深入研究。本论文的主要研究课题是多光谱与全色图像融合。在已知融合框架下，针对多光谱与全色图像融合中的光谱失真和空间失真问题，利用进化算法、压缩感知、稀疏表示、字典学习和图像恢复等理论，提出了五种融合方法。本论文提出的融合方法在QuickBird、IKONOS、GeoEye-1遥感数据上进行测试。
　　本论文的主要成果总结如下:
　　1.分量替换融合方法是多光谱与全色图像融合的重要框架之一。针对分量替换融合框架中的光谱失真问题，提出了基于粒子群优化算法的自适应分量替换融合方法。合成强度分量在分量替换融合框架中起到非常重要的作用。自适应权重系数通过最大化目标函数得到。目标函数用来测量低尺度强度分量与低分辨全色图像之间的空间相似性。相关系数、平均结构相似性指标和互信息分别被用作目标函数。本章方法在QuickBird和IKONOS数据上进行测试。视觉分析和质量结果表明该方法具有优越的性能。
　　2.影响分量替换融合框架性能的因素有两个:强度分量和注入模型。理想的强度分量能够生成更好的空间细节图像，有效提高分量替换融合框架的性能。然而，由于多光谱图像与全色图像之间的空间差异，空间细节图像中存在不属于多光谱图像的信息，因此产生了空间失真和光谱失真。针对上述问题，提出了一种基于局部线性嵌入和小波融合的改进分量替换融合方法。该方法利用局部线性嵌入超分辨率技术和小波融合技术构造了两幅高分辨图像，取代全色图像在分量替换融合框架中的位置。应用选择最大值的融合规则，将两幅空间细节图像融合成一幅空间细节图像。利用合成的空间细节图像和适合的注入模型，提出了新的分量替换融合方法。实验结果表明本章方法在融合QuickBird和GeoEye-1图像时具有更好的性能，能够有效保存光谱信息和空间信息。
　　3基于成像模型融合框架的基本思想是将多光谱与全色图像融合问题转变为图像恢复问题。结合低分辨多光谱图像和高分辨全色图像的成像模型，提出了一种基于稀疏表示和局部自回归模型的多光谱与全色图像融合方法。稀疏先验和局部自回归模型用于精确恢复高分辨多光谱图像。稀疏表示模型假定高分辨多光谱图像由低频分量和高频分量构成。两个分量可以分别用光谱字典和空间细节字典来稀疏表示。光谱字典和空间细节字典通过K-SVD算法训练得到。局部自回归模型被用于提高融合图像的局部空间质量。QuickBird和GeoEye-1数据被用于测试本章方法。仿真实验结果和真实实验结果表明本章方法比传统融合方法具有更好的性能。
　　4.多光谱图像各个波段之间的光谱相关是一个重要特性。受分布式压缩感知理论的启发，提出了一种基于分布式压缩感知的多光谱图像锐化方法。该方法将多光谱图像波段间的相关特性和各个波段的稀疏特性作为先验信息。联合稀疏模型假定高分辨多光谱图像的各个波段由一个稀疏共同分量和一个稀疏独有分量构成。共同分量能够被学习字典稀疏表示。该字典从全色图像块集合中训练得到。独有分量能够被混合字典稀疏表示。混合字典包含了四种多尺度变换基和学习字典。本章方法在QuickBird和IKONOS卫星提供的仿真数据与真实数据上进行测试。与传统的融合方法相比，本章方法具有更佳的融合性能。
　　5.针对多光谱图像与全色图像之间的局部空间差异和对比度逆问题，提出了一种基于双空间正则的多光谱图像锐化方法。首先，反映低分辨多光谱图像与高分辨多光谱图像之间关系的退化模型被用作数据拟合项，从而保持融合图像的光谱保真度。其次，两个空间正则项用于增强高分辨多光谱图像的空间质量。全局空间相似正则假设高分辨多光谱图像各个波段的高通分量与全色图像的高通分量在空间结构上是相似的，能够有效减少由对比度逆问题引起的光谱失真。此外，非局部自相似性被用作另外一个空间正则，能够有效地提高高分辨多光谱图像的局部空间质量和减少由局部空间差异引起的空间失真。数据拟合项和两个空间正则项组合起来形成了本章方法。与传统的融合方法相比，本章方法在保存光谱信息和空间信息上具有更好的性能。

目录

声明

摘要

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1．1 图像融合的目的与意义

1．1．1 图像融合的层次

1．1．2 图像融合分类

1．1．3 多源图像融合的目的与意义

1．2 多光谱与全色图像融合的发展现状与意义

1．2．1 常见的光学卫星及其数据特性

1．2．2 多光谱与全色图像融合研究现状

1．3 客观评价指标

1．4 本文的工作与主要内容

第二章 基于粒子群优化的自适应分量替换融合方法

2．1 引言

2．1．1 分量替换融合框架

2．1．2 粒子群优化算法原理

2．2 自适应分量替换融合框架

2．2．1 基于粒子群优化的自适应分量替换融合方法

2．2．2 相似性测量函数

2．2．3 粒子群算法参数设置

2．3 实验与结果分析

2．3．1 实验数据与评价方法

2．3．2 与基于IHS变换融合方法的比较实验和结果分析

2．3．3 与基于GS变换融合方法的比较实验和结果分析

2．3．4 与CS-PR方法的比较实验和结果分析

2．4 本章小结

第三章 基于局部线性嵌入和小波融合的改进分量替换融合方法

3．1 引言

3．2 改进分量替换融合框架

3．2．1 利用局部线性嵌入超分辨重建I1H

3．2．2 利用小波融合技术合成I2H

3．2．3 改进分量替换融合模型

3．2．4 融合图像增强

3．3 实验与结果分析

3．3．1 实验数据和评价指标

3．3．2 图像块大小与权重系数对本章方法性能的影响

3．3．3 QuickBird仿真实验与结果分析

3．3．4 GeoEye-1仿真实验与结果分析

3．4 本章小结

第四章 基于稀疏表示和局部自回归模型的多光谱与全色图像融合方法

4．1 引言

4．2 稀疏表示和压缩感知

4．2．1 稀疏表示

4．2．2 压缩感知理论

4．3 基于稀疏和局部白回归先验的多光谱与全色图像融合方法

4．3．1 多光谱图像与全色图像成像模型

4．3．2 高分辨多光谱图像的稀疏表示模型

4．3．4 局部自回归模型

4．3．5 光谱字典和空间细节字典构造方法

4．4 实验与结果分析

4．4．1 实验设置

4．4．2 仿真实验与结果分析

4．4．3 真实实验与结果分析

4．5 本章小结

第五章 基于分布式压缩感知的多光谱图像锐化方法

5．1 引言

5．2 分布式压缩感知理论

5．3 本章方法

5．3．1 低分辨多光谱图像与高分辨全色图像的观测模型

5．3．2 基于联合稀疏先验的融合方法

5．3．3 字典构造方法

5．3．4 本章方法复杂度分析

5．4 实验与结果分析

5．4．1 实验数据

5．4．2 参数设置

5．4．4 共同分量和独有分量

5．4．5 仿真实验和结果分析

5．4．6 真实实验和结果分析

5．5 本章小结

第六章 基于双空间正则的多光谱图像锐化方法

6．1 引言

6．2 本章方法的优化模型

6．2．1 低分辨多光谱图像成像模型

6．2．2 全局空间相似正则

6．2．3 非局部相似正则

6．3 正则参数的设定和梯度下降方法

6．3．1 分析和定义正则参数

6．3．2 梯度下降优化方法

6．4 仿真实验和结果分析

6．4．1 实验数据和评价指标

6．4．2 正则参数和滤波器对本章方法性能的影响

6．4．3 仿真实验和结果分析

6．4．4 融合图像单波段分析

6．5 本章小结

第七章 总结与展望

7．1 研究总结

7．2 研究展望

参考文献

致谢

作者简介