[发明专利]基于光谱与空间局部相关的遥感影像融合方法

说明书

技术领域

本发明属于遥感影像处理数据融合技术领域，涉及一种基于光谱与空间局部相关的遥感影像融合方法。

背景技术

随着对地观测技术的发展，大多数对地观测卫星如：Landsat-7,Spot5,IKONOS,QuickBird,GeoEye-1,和WorldView-2可以同时提供高光谱分辨率的多光谱影像和高空间分辨率的全色影像。为了充分利用光谱和空间特性，遥感影像融合技术得到了迅速的发展。

遥感影像融合技术是指将高空间分辨率的全色影像与高光谱分辨率的多光谱影像的优点集成在一起，生成一幅具有高空间和光谱分辨率的彩色影像的影像处理过程。

目前的遥感影像融合方法可以分为四类。以IHS、PCA、Gram-Schmidt Spectral、HCS(Hyperspherical Color Sharpening)和偏微分替换为代表的投影替换类算法，利用全色波段或其变体替换多光谱影像投影变换后得到的亮度分量，然后进行投影逆变换获得融合结果；以Brovey、SVR(Synthetic Variable Ratio，合成变量比)为代表的相对光谱分布类算法，基于全色影像与多光谱影像之间的线性组合假设，把全色影像信息按比例分布到多光谱影像的各个波段；以Wavelets、curvelets、HPF(high-pass filtering)、multiscale toggle contrast operator、Markov random field(MRF)models和多尺度光谱增益调制为代表的ARSIS类算法在不同尺度上提取影像的空间信息和光谱信息进行影像融合。投影替换和相对光谱分布这两类算法能够较好地保持空间分辨率，但都依赖于全色影像与多光谱影像的相关性，相关性越好融合结果越好，且光谱信息的保持依赖于传感器的配置和影像信息本身；ARSIS类算法能够较好地保持光谱特性，但是全色影像和多光谱影像空间信息的不一致容易造成空间细节信息的混叠，导致空间分辨率的降低；混合模型算法则试图吸收前三类算法在空间信息保持或光谱信息保持的优势，并引入Map估计、稀疏表达、压缩感知等新理论，该类算法研究处于起步阶段，算法也比较复杂，离实用化还有一定距离。

总体而言，相对光谱分布类的代表性算法SVR算法具有明确的物理意义和理论基础，在全色波段和多光谱波段（或部分波段）能够相互覆盖的条件下（如IKONOS、QuickBird），不仅能保持全色影像的空间细节，也能很好地保持多光谱影像的光谱信息。然而，对于不满足光谱覆盖条件的影像，SVR会造成融合影像的光谱扭曲；另外，对于满足光谱覆盖条件的影像，也可能会由于影像上地物类型分布不均衡，导致组合系数求解的精度不够，使合成的全色波段（PAN）影像与实际不符，造成融合影像的光谱失真。如何克服偏色因素，使融合影像在保持空间细节的同时又能很好地保持光谱特性是一个需要解决的问题。

发明内容

本发明为解决现有光学遥感传感器在影像融合过程中采用基于SVR方法存在的上述技术问题，提供了一种基于光谱与空间局部相关的遥感影像融合方法（SSCSVR，Spectral and Spatial Correlation-Based Synthetic Variable Ratio）。

本发明的技术方案为一种基于光谱与空间局部相关的遥感影像融合方法，包括以下步骤：

步骤1，对影像进行分块，得到多个影像块；

步骤2，对每个影像块分别求取块内的权系数矩阵，包括以下步骤，

步骤2.1，提取全色影像中每个像素的高频成分G_s；

步骤2.2，建立光谱与空间相关模型；

步骤2.3，利用非负最小二乘方法对步骤2.2中光谱与空间相关模型的权系数矩阵进行求解，并进行异常处理；

步骤3，利用步骤2所得权系数矩阵进行双线性内插获得影像中每个像素的权系数进而获得合成的低分辨率全色影像Pan_Syn，最后对每个像素逐一进行融合，得到融合影像。

而且，步骤1中对影像进行分块采用自适应方式，包括将分块大小记为w×w，取w＝5r+1，比值r＝l/h，其中h和l分别为原始的全色影像和要融合的多光谱影像的空间分辨率。

而且，步骤2.1通过下式实现，