[发明专利]基于空间概率PCA与NSCT的全色图像锐化方法

说明书

技术领域

本发明属于遥感图像处理技术领域中的一种基于空间概率PCA与NSCT的全色图像锐化方法。通过低分辨率、高光谱率的多光谱图像与高分辨率、低光谱率的全色图像进行全色图像锐化，以获取一幅高分辨率、高光谱率的多光谱图像。本发明用于遥感应用领域可以来指导军事和非军事的应用，比如森林资源调查，道路、机场与建筑物等目标检测，天气预报等。

背景技术

在遥感应用领域中，为获得对某一场景的更全面、更清晰、特征更显著的图像而采用全色图像锐化的方法。目前全色图像锐化主要有以下三方面：一类成分替代法，如格拉姆-施密特正交变换(GS)、亮度-色调-饱和度色彩空间变换(IHS)、主成分分析法(PCA)等；另一类是基于小波变换的方法，如离散小波变换(DWT)、多尺度小波变换(WT)、平稳小波变换(SWT)、 Laplacian金字塔分解多尺度分解等；最后一类压缩感知与稀疏表示方法，如压缩感知方法(CS), 基于稀疏表示图像融合方法(SparseFI)。

Vijay P.Shah,Nicolas,H.Younan,and Roger L.King等人在其发表的论文“An Efficient Pan- Sharpening Methond via a Combined Adaotive PCA Approach and Contourlets”(IEEE Transactions on Geoscience and Remote Sensin.,pp.1323-1335,Dec.2008)中提出一种基于自适应PCA与 Contourlets的全色图像锐化方法。该方法首先将上采样的多光谱图像预处理为两种类型数据：第一类将上采样的多光谱图像每一波段的图像数据转换为均值为1,第二类将上采样的多光谱图像每一波段图像数据转换为均值为0，方差为1。然后将两部分数据分别经过PCA变换，提取第一主成分，其次计算其与全色图像相关系数的绝对值，将对应最大的成分与全色图像进行匹配，并将与其匹配后的全色图像替换，最终获得融合图像。该方法可以获得较好的高分辨率多光谱图像，但是，该方法仍然存在的不足之处是，没有考虑多光谱图像波段与波段之间存在着一定的关系，而这些关系在一定程度上可以减少融合图像的颜色失真。

发明内容

本发明的目的在于弥补上述已有技术的缺陷，提出了一种基于空间概率PCA与NSCT的全色图像锐化方法，该方法将多光谱图像波段与波段之间的关系考虑在内，进一步来减少融合图像光谱失真。

为实现上述目的，本发明以空间概率PCA为理论基础，提出新的全色图像锐化框架。其技术方案是首先利用超像素分割与欧式距离构建上采样的多光谱图像的关系矩阵，然后利用空间概率PCA模型提取多光谱图像的第一主成分，其次将其与全色图像进行匹配，并分别将其进行 NSCT分解，其次采用新的衡量标准来构建新的第一主成分，并将其与其他主成分进行空间概率 PCA反变换得到最终的高分辨率的图像。

本发明实现的具体步骤包括如下：

(1)输入源图像：

分别读取多光谱图像MS和全色图像Pan；

(2)获得上采样多光谱LMS：

利用图像缩放imresize函数，对多光谱图像MS进行上采样，得到上采样的多光谱图像LMS；

(3)构建关系矩阵

(3a)对上采样多光谱图像LMS进行相似结构块分割。

(3b)利用欧氏距离构建关系矩阵。

(4)提取第一主成分PRPC1：

应用空间概率PCA(PRPCA)，提取上采样多光谱图像LMS的第一主成分PRPC1；

(5)直方图匹配：

将全色图像Pan与方差最大的成分PRPC1进行直方图匹配；

(6)非下采样轮廓小波(NSCT)分解：

(6a)利用NSCT分解方法，对方差最大的成分PRPC1进行NSCT分解，得到高低频数据；

(6b)利用NSCT分解方法，对匹配后的全色图像Pan进行NSCT分解，得到高低频数据；

(7)重构第一的主成分：

(7a)对于低频部分，我们直接选取第一主成分的低频部分；

(7b)对于高频部分，我们高频融合规则来重构第一主成分的高频部分；

(7c)使用NSCT反变换得到重构的第一主成分

(8)空间概率PCA反变换：

利用空间概率PCA反变换，对重构的第一主成分与空间概率PCA提取的其他主成分进行空间概率PCA反变换，得到融合图像HMS；