基于聯(lián)合稀疏分析模型的遙感圖像融合研究.pdf

1、一般而言，地球遙感衛(wèi)星是由高分辨的全色通道和幾個(gè)具有較低分辨率的多光譜通道組成的。遙感影像空譜融合作為一種利用多光譜圖像和全色圖像互補(bǔ)信息來(lái)獲得高分辨率多光譜圖像的有效手段，在過(guò)去的幾十年里得到了快速的發(fā)展。
　　傳統(tǒng)的圖像融合算法，通常存在色譜畸變和空間信息丟失等現(xiàn)象，因此，在實(shí)際應(yīng)用中遠(yuǎn)未達(dá)到有效合成原始高分辨率多光譜圖像的程度。近幾年來(lái)，由于綜合型稀疏表達(dá)理論的興起，國(guó)際上出現(xiàn)了一系列基于稀疏表達(dá)理論的圖像融合算法。這類算法

2、在光譜信息保持和空間分辨率提高等方面都取得了不錯(cuò)的效果。然而，字典學(xué)習(xí)需要花費(fèi)大量的運(yùn)算時(shí)間，這就導(dǎo)致基于綜合型稀疏表達(dá)的空譜融合算法的計(jì)算效率非常低。分析型稀疏表達(dá)作為綜合型稀疏表達(dá)的孿生兄弟，是近兩年才發(fā)展起來(lái)的新型信號(hào)處理方法。已經(jīng)在自然圖像和醫(yī)學(xué)圖像的處理中得到了成功應(yīng)用。與綜合型稀疏表達(dá)相比較，分析型稀疏表達(dá)具有效果好、運(yùn)算速度快等特點(diǎn)。
　　首先，本文在聯(lián)合稀疏分析模型的理論框架下，基于多光譜圖像的觀測(cè)模型，首次提出了

3、基于分析型稀疏表達(dá)的遙感影像圖像融合算法。采用分析算子學(xué)習(xí)算法GOAL(GeOmetric Analysis operator Learning)，通過(guò)對(duì)全色圖像和低分辨率多光譜圖像的一個(gè)波段的圖像塊組成的訓(xùn)練樣本進(jìn)行訓(xùn)練、學(xué)習(xí)，分別得到每個(gè)波段的分析字典。把遙感影像圖像融合問(wèn)題轉(zhuǎn)化為基于分析稀疏先驗(yàn)的逆問(wèn)題，采用共軛梯度的方法進(jìn)行優(yōu)化求解。實(shí)驗(yàn)結(jié)果表明基于分析型稀疏表達(dá)的圖像融合模型是有效的和穩(wěn)定的。
　　其次，雖然這種分波段訓(xùn)

4、練字典的方式有助于提高每個(gè)波段分析算子的能力，提高圖像融合的質(zhì)量。但是這種方式?jīng)]有考慮多光譜圖像波段之間的相關(guān)性，也明顯增加了算法復(fù)雜度，延長(zhǎng)了算法運(yùn)行時(shí)間。為了解決這個(gè)問(wèn)題，本文從稀疏分析正則化角度出發(fā)，采用圖像塊矢量化矩陣的運(yùn)算方法和訓(xùn)練多波段分析算子的方式來(lái)提高計(jì)算效率。同時(shí)，采用立體晶包化的訓(xùn)練樣本取樣方式，充分考慮了訓(xùn)練樣本的波段相關(guān)性，提高了分析算子的解析能力。同時(shí)采用ADMM的優(yōu)化方法，進(jìn)一步降低了算法的計(jì)算復(fù)雜度。

5、>　　再次，基于梯度傳遞的思想，提出了基于梯度一致性約束的遙感影像稀疏分析先驗(yàn)的圖像融合算法。梯度使圖像的顯著性特征得以增強(qiáng)，全色圖像的重要空間細(xì)節(jié)信息可以通過(guò)梯度的方法被傳遞到多光譜圖像的每個(gè)波段。本文根據(jù)多光譜圖像和全色圖像之間的線性退化模型得到最終的梯度傳遞關(guān)系；最后，通過(guò)稀疏分析正則化的方法得到最終的圖像融合結(jié)果。
　　最后，為了解決全色圖像和多光譜圖像之間傳感器波段響應(yīng)不匹配問(wèn)題。本文充分利用全色圖像與多光譜圖像之間以及