[發明專利]基于壓縮感知的多光譜與全色圖像超分辨融合方法

有效

• 申請號: 201210001721.5
• 申請日: 2012-01-04
• 公開（公告）號: CN102542549A
• 公開（公告）日: 2012-07-04
• 發明（設計）人: 楊淑媛;焦李成;靳煥庭;劉芳;侯彪;王爽;馬文萍;楊麗霞;陳璞花
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T5/50
• 分類號: G06T5/50;G06T7/00
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

1.一種基于壓縮感知的多光譜與全色圖像超分辨融合方法，包括以下步驟：

(1)分別輸入低分辨率多光譜圖像和高分辨率全色圖像；

(2)獲得高分辨率聯合采樣值矩陣；

2a)對低分辨率多光譜圖像和高分辨率全色圖像進行分塊列向量化；

2b)將分塊列向量化的高分辨率全色圖像矩陣連接到分塊列向量化的低分辨率多光譜圖像矩陣后，得到高分辨率聯合采樣值矩陣；

(3)對高分辨率的多光譜圖像和低分辨率的多光譜圖像構造觀測矩陣，獲得高-低觀測矩陣；

(4)對高分辨率的多光譜圖像和高分辨率的全色圖像構造觀測矩陣，獲得高-高觀測矩陣；

(5)將高-低觀測矩陣連接到高-高觀測矩陣后，得到高分辨率聯合觀測矩陣；

(6)利用KSVD方法對高分辨率多光譜圖像進行字典學習，得到高分辨率過完備字典；

(7)利用基追蹤算法求解高分辨率過完備字典下的高分辨率稀疏系數；

(8)重構高分辨率多光譜圖像；

8a)將高分辨率過完備字典與高分辨率稀疏系數相乘，得到列向量化的多光譜圖像；

8b)將列向量化的多光譜圖像轉化為圖像塊，恢復到原圖像的位置，得到超分辨率的多光譜圖像。

2.根據權利要求1所述的基于壓縮感知的多光譜與全色圖像超分辨融合方法，其特征在于：步驟(3)所述構造高-低觀測矩陣的方法具體步驟如下：

第一步，對低分辨率的多光譜圖像和高分辨率的多光譜圖像進行分塊列向量化；

第二步，對高分辨率多光譜圖像8∶1下采樣，得到低分辨率的多光譜圖像；

第三步，由高分辨率的多光譜圖像和低分辨率的多光譜圖像構造高-低觀測矩陣。

3.根據權利要求1所述的基于壓縮感知的多光譜與全色圖像超分辨融合方法，其特征在于：步驟(4)所述構造高-高觀測矩陣的方法具體步驟如下：

第一步，對高分辨率的多光譜圖像、高分辨率的全色圖像、低分辨率的全色圖像進行分塊列向量化；

第二步，對高分辨率多光譜圖像的每一譜段求權值之和，得到高分辨率全色圖像；

第三步，對高分辨率全色圖像2∶1下采樣，得到低分辨率的全色圖像；

第四步，由高分辨率的多光譜圖像和高分辨率的全色圖像構造高-高觀測矩陣。

4.根據權利要求1所述的基于壓縮感知的多光譜與全色圖像超分辨融合方法，其特征在于：步驟(6)所述KSVD方法訓練字典的具體步驟如下：

第一步，對輸入的與待融合圖像統計特性相近且比全色圖像高一倍分辨率的多幅高分辨率多光譜圖像進行分塊列向量化，隨機抽取高分辨率多光譜圖像的25000個圖像塊進行字典訓練；

第二步，按照下式求解訓練字典D：

min{||Y-DX||22}]]>Subject?to∀i,||Xi||0≤T0]]>

其中，min{}為最小化，為求解Y-DX的二范數，Y為輸入的初始的離散余弦字典，D為待求解的高分辨率訓練字典，X為隨機抽取高分辨率多光譜圖像塊，Subject?to表示‖X_i‖₀為求解的限制條件，為任意第i列，‖X_i‖₀為X_i的0范數，T₀為稀疏度控制系數。

5.根據權利要求1所述的基于壓縮感知的多光譜與全色圖像超分辨融合方法，其特征在于：步驟(7)所述的基追蹤算法如下：

min‖α‖₁?Subject?to||y-Φα||22≤ϵ]]>

其中，min‖α‖₁為最小化α的一范數，α為待求解的高分辨率稀疏系數，Subject?to表示為求解min‖α‖₁的限制條件，為求解y-Φα的二范數，y為高分辨率聯合采樣值矩陣，Φ為高分辨率聯合觀測矩陣與高分辨率訓練字典的乘積，ε為重構誤差。