[发明专利]基于卷积变分概率模型的高光谱图像融合方法

说明书

本发明公开了一种基于卷积变分概率模型的高光谱图像融合方法，主要解决现有技术生成的高分辨高光谱图像分辨率较低的问题，其实现方案是：首先对采集到的低分辨高光谱图像在空间维做上采样处理，再与高分辨多光谱图像构成训练样本和测试样本；然后用训练样本去训练卷积变分概率模型，并利用最大化变分下界公式，得到变分分布函数和真实后验的相似度最高的卷积变分概率模型；最后将测试样本输入到训练后的卷积变分概率模型中，对生成的高分辨高光谱图像进行优化处理，得到最终的高分辨高光谱图像。本发明通过利用模型的先验信息与输入图像之间的关联信息，提高了生成高分辨高光谱图像的分辨率，可用于医疗诊断、遥感、计算机视觉和监视。

技术领域

本发明属于图像处理技术领域，更进一步涉及一种图像融合处理方法。可用于医疗诊断、遥感、计算机视觉和监视。

背景技术

高分辨光学图像可以克服低分辨光学图像的限制，并且在诸如医疗诊断、遥感、计算机视觉和监视等许多应用中显示出良好的结果。要获得高分辨率的光学图像，最直接的办法是采用高分辨率图像传感器，但由于传感器和光学器件制造工艺和成本的限制，在很多场合和大规模部署中很难实现。因此，利用现有的设备，通过图像融合技术获取高分辨图像具有重要的现实意义。为了打破成像系统固有分辨率的限制，从算法角度提高光学图像分辨率的技术就应运而生。现有的图像融合算法主要有这几种：基于传统插值理论的方法、基于模型/重建的方法和基于机器学习的方法。

K.Zeng,J.Yu,R.Wang,C.Li,D.Tao等人在其发表的论文“Coupled deepautoencoder for single image super-resolution.”(IEEE Transactions onCybernetics,2015，pages 1–11.)中公开了一种基于深度学习网络的单幅光学图像融合处理方法。该方法使用耦合深度自编码模型来学习高分辨/低分辨图像块对的内在表示，同时得到低分辨图像块到高分辨图像块的映射，最后融合高分辨图像块，并生成原低分辨图像对应的高分辨图像。该方法在重构中表现出了比较好的性能，且在前向网络测试时有较快的速度。但是，仍然存在的不足之处是：该方法并没有考虑到使用模型的先验信息，也没有考虑模型中隐变量隐含的不确定因素，使得该方法无法利用原图像中包含的所有信息，只用了部分信息来生成对应的高分辨图像。

清华大学深圳研究生院在其申请的专利文献“一种图像超分辨方法”(专利申请专利号：201510338958.6，公开号：CN10499240A)中提出了一种基于聚类和协同表示的图像超分辨方法。该方法在组织聚类中心近邻时，又对搜索空间聚类，利用了数据的局部几何特性，从而更准确地恢复高分辨率图像的高频信息，得到更高质量的高分辨率图像。该方法能够在聚类时不仅能够确定聚类中心，而且可以得到各个聚类中心的统计特性，为进一步加快超分辨速度提供可能。但是，该方法由于是利用一个浅层的概率模型，且只利用了低分辨图像表面的信息，没有考虑到高分辨/低分辨图像块对中隐含的信息，因而无法生成更多的信息来完善图像的分辨率，限制了最后得到的高分辨图像的分辨率。

发明内容

本发明的目的在于针对上述现有技术的缺陷，提出一种基于卷积变分概率模型的高光谱图像融合方法，充分利用模型中的先验信息与输入图像之间的关联信息，提高最终得到的高分辨高光谱图像的分辨率。

实现上述目的技术方案，包括如下：

(1)从AVIRIS图像集中获取低分辨高光谱图像L和高分辨多光谱图像H；

(2)将低分辨高光谱图像L沿空间维进行上采样处理，得到与高分辨多光谱图像H尺寸大小一样的图像并将和高分辨多光谱图像H作为训练样本，将与训练样本不同的高分辨多光谱图像H和作为测试样本；

(3)训练卷积变分概率模型：

(3a)构建卷积变分概率模型,该模型由低分辨高光谱图像L中的低推理子模型、低生成子模型，及高分辨多光谱图像H中的高推理子模型、高生成子模型这四个子模型构成，每个子模型是由一个多层感知机和一个卷积神经网络CNN组成；