[发明专利]一种基于结构稀疏表示的遥感影像融合方法

权利要求书

1.一种基于结构稀疏表示的遥感图像融合方法，其特征在于，包括步骤：

①利用不同的遥感影像成像设备分别获得不同类型低分辨率多光谱图像和高分辨率全色图像；

②利用自适应权值系数模型，由MS每个波段图像进行加权平均得到亮度分量；

③利用结构组稀疏模型分别获得亮度分量和全色图像的结构组；

④利用结构组稀疏模型分别求解步骤③中亮度分量和全色图像的结构组字典；

⑤利用步骤④获得的结构组字典分别求解亮度分量和全色图像的组稀疏系数；

⑥利用步骤⑤获得的亮度分量的稀疏系数以及绝对值最大规则对步骤⑤获得的全色图像的稀疏系数进行部分替换，得到新的稀疏系数；

⑦利用步骤③获得的全色图像的结构组字典和步骤⑥获得的新的稀疏系数进行重构得到新的高空间分辨率的亮度分量；

⑧根据通用亮度分量替换框架利用步骤⑦获得的新的亮度分量，得到融合后的高空间分辨率的多光谱图像。

2.根据权利要求1所述的基于结构稀疏表示的遥感图像融合方法，其特征在于：步骤②所述的自适应权值系数模型具体步骤如下：

首先将步骤①获得全色图像下采样至多光谱图像大小，根据下列公式(1)求得每个波段的权重系数δ_j和偏置常数θ；

其中：M_MS,j是MS图像的第j波段，j＝1,2,…4；X_PAN是经过下采样至原始多光谱图像一样大小的PAN图像；

求得每个波段的权重系数δ_j和偏置常数θ后根据公式(2)得到亮度分量I：

3.根据权利要求2所述的基于结构稀疏表示的遥感图像融方法，其特征在于：步骤③所述的图像结构组稀疏模型获得亮度分量和全色图像的结构组的具体步骤如下：

用n×n的窗口将原始图像划分为S个图像块X_K，K＝1,2,…S，选择一个初始块X_K，在选取窗口中利用灰度值计算出欧氏距离，选择c个跟X_K最相似的图像块；每个图像块按列向量排列，然后将c个图像块用矩阵形式排列成结构组

4.根据权利要求3所述的基于结构稀疏表示的遥感图像融方法，其特征在于：步骤④所述的利用结构组稀疏模型分别求解步骤③中亮度分量和全色图像的结构组字典；具体步骤如下：

设每一个结构组对应的组字典为在下的稀疏表示过程中求得一个稀疏系数向量使得

为了方便表示，用D_Gα_G表示因此整幅图像x的结构组稀疏表示模型用下式表示：

x＝D_Gα_G(3)

其中D_G表示的合并，α_G表示的合并；

采用自适应字典学习方法进行字典学习；首先对每个结构组进行奇异值分解

结构字典中每个原子等于下式：

表示的列向量。

5.根据权利要求4所述的基于结构稀疏表示的遥感图像融合方法，其特征在于：上述步骤⑤利用步骤④获得的结构组字典分别求解亮度分量和全色图像的组稀疏系数具体步骤如下：

利用分裂Bregman迭代(SplitBregmanIteration,SBI)算法框架去直接求解下式表示的非凸的l₀范数优化问题：

α_GI表示亮度分量的稀疏系数，α_GP表示全色图像的稀疏系数。D_GI表示亮度分量的结构组字典，D_GP表示全色图像的结构组字典。

6.根据权利要求5所述的基于结构稀疏表示的遥感图像融合方法，其特征在于：利用步骤⑤获得的亮度分量的稀疏系数以及绝对值最大规则对步骤④获得的全色图像的稀疏系数进行部分替换具体步骤如下：

根据绝对值最大的融合规则，利用公式(8)得到高分辨率亮度分量的稀疏系数α_GIP，

α_GI为亮度分量的组稀疏系数，α_GP为全色图像的组稀疏系数。