基于聯(lián)合稀疏表示的衛(wèi)星遙感圖像融合方法研究.pdf

1、受光學(xué)傳感器技術(shù)的限制，現(xiàn)有衛(wèi)星無(wú)法提供高分辨率多光譜圖像成為當(dāng)今對(duì)地觀測(cè)研究的一項(xiàng)關(guān)鍵技術(shù)瓶頸。作為一種軟件解決方法，遙感圖像融合將一個(gè)或多個(gè)傳感器對(duì)同一場(chǎng)景采集的多幅圖像重建為一幅分辨率高且顏色信息豐富的合成圖像，有利于人類(lèi)視覺(jué)判斷及后續(xù)圖像分析。因此，如何充分利用源圖像間的互補(bǔ)與冗余信息來(lái)快速且高精度地重建完整的融合圖像，是當(dāng)今圖像融合研究領(lǐng)域的熱點(diǎn)問(wèn)題之一。
　　近年，稀疏表示廣泛應(yīng)用于遙感圖像融合領(lǐng)域，并取得一定成效。但

2、是傳統(tǒng)的基于稀疏表示的融合方法通常僅對(duì)單個(gè)源圖像進(jìn)行稀疏表達(dá)，忽略了源圖像之間的相關(guān)性，還存在字典訓(xùn)練的時(shí)間復(fù)雜度過(guò)高的缺點(diǎn)。為了解決這些問(wèn)題，本文采用結(jié)構(gòu)化字典學(xué)習(xí)和聯(lián)合稀疏表示來(lái)修正和完善遙感圖像融合的方法，本文內(nèi)容歸納如下:
　　1.為降低算法復(fù)雜度，本文提出了基于結(jié)構(gòu)化字典學(xué)習(xí)的融合方法。首先通過(guò)雙稀疏模型分別獲取全色圖像的高頻、低頻分量對(duì)應(yīng)的結(jié)構(gòu)字典;其次采用稀疏表示方法提取出全色圖像中的細(xì)節(jié)分量;最后通過(guò)細(xì)節(jié)注入模型將

3、全色圖像中的細(xì)節(jié)分量注入到低分辨率多光譜圖像中。與經(jīng)典的字典學(xué)習(xí)算法相比，本文方法在字典訓(xùn)練的過(guò)程中，充分考慮了字典原子間的結(jié)構(gòu)相關(guān)性，減少了原子多次迭代優(yōu)化的次數(shù)，從而提高了訓(xùn)練的效率;且獲得的結(jié)構(gòu)化字典的尺寸更小，從而進(jìn)一步提高了后續(xù)圖像處理的計(jì)算速度。
　　2.針對(duì)過(guò)量的細(xì)節(jié)融入導(dǎo)致融合圖像出現(xiàn)局部塊狀效應(yīng)失真，以及低頻信息融入不足導(dǎo)致部分信息丟失和融合圖像對(duì)比度偏低的問(wèn)題，本文提出基于聯(lián)合稀疏表示的融合方法。傳統(tǒng)的細(xì)節(jié)注入

4、融合方法通常忽視了細(xì)節(jié)融入時(shí)全色圖像與多光譜圖像之間存在的冗余，以及全色圖像的低頻信息融入的問(wèn)題。因此，本文首先采用聯(lián)合稀疏表示方法從全色圖像中提取出特有稀疏系數(shù)，其次采用絕對(duì)值取大原則來(lái)對(duì)該系數(shù)進(jìn)行進(jìn)一步地選取，并重構(gòu)得到多光譜圖像所缺失的分量，最后通過(guò)細(xì)節(jié)注入模型將該分量注入到多光譜圖像中，得到最終的融合圖像。通過(guò)對(duì)QuickBird與IKONOS衛(wèi)星遙感圖像的實(shí)驗(yàn)結(jié)果分析可知，與現(xiàn)有經(jīng)典遙感圖像融合方法相比，本文方法在光譜信息的保