论文部分内容阅读
现今,随着卫星遥感技术的日益发展,遥感图像凭借信息量丰富、覆盖范围广、分辨率高等特点,在气象预测、环境监测、资源勘探、防灾减灾、城市规划等领域中发挥着重要的作用。然而由于受到成像机理的限制,QuickBird、WorldView-2、WorldView-3和IKONOS等常用的遥感卫星不能提供同时具有高空间分辨率和高光谱分辨率的遥感图像。为了克服这一不足,大多数遥感卫星通常会在获得多光谱(Multispectral,MS)图像的同时还会获得一幅高空间分辨率的全色(Panchromatic,PAN)图像。由于多光谱图像具有较高的光谱分辨率,但其空间分辨率较低,而全色图像具有很高的空间分辨率,但其光谱分辨率较低。因而,深入研究Pan-sharpening等信号处理技术以便将全色图像与多光谱图像有机融合,以获得同时具有高光谱分辨率和高空间分辨率的多光谱图像,具有重要的科学与实际应用价值。 目前主流的Pan-sharpening方法在减少融合图像的光谱失真、提高融合图像的空间分辨率和算法运算效率三方面存在矛盾。为此,本文提出一种基于超拉普拉斯约束的多光谱图像Pan-sharpening方法,其能在减少光谱失真的基础上,有效提高融合图像的空间分辨率,且具有较快的计算效率,符合Pan-sharpening实际应用的需求。本文所提出的Pan-sharpening方法的主要创新如下: 1.提出基于l1/2范数的超拉普拉斯约束,以对高分辨率多光谱图像与PAN图像之间的结构相似性进行约束。基于高分辨率多光谱图像与PAN图像的空间结构具有一致性的观察,本文通过对208组多光谱图像与PAN图像的统计实验发现,理想高分辨率多光谱图像各波段线性组合后的差分图像与PAN图像的差分图像的差分近似服从超拉普拉斯分布,相关拟合结果表明l1/2范数可以较好拟合其分布曲线,且l1/2范数存在闭合解,并可以快速求解。为此,本文将其作为高分辨率多光谱图像的结构保真项引入到Pan-sharpening模型中。 2.将各向异性的总体变差模型(TV)引入到Pan-sharpening模型中,以作为待恢复的高分辨率多光谱图像的正则化约束。通过对高分辨率多光谱图像的统计实验发现,各向异性的总体变差相比各向同性的总体变差更稀疏。因而,对于Pan-sharpening这样的反问题求解各向异性总体变差模型更有优势。 3.针对所提的Pan-sharpening模型,本文给出了基于交替方向乘子(Alternating Direction Method of Multipliers,ADMM)算法的快速算法。该算法将目标函数分解为多个子问题,且每个子问题均有解析解。此外,借助快速傅里叶变换(FFT)和阈值算法等,使得各子问题的计算复杂度都很低,从而使得本文所提出的Pan-sharpening方法具有较高的计算效率。 相关仿真和真实数据实验表明,本文所提出的基于超拉普拉斯约束的多光谱图像Pan-sharpening方法,相比经典的和新近提出的state-of-the-art的Pan-sharpening方法,在减少融合图像的光谱失真、增强融合图像的空间分辨率和计算效率这三个方面均具有一定的优势。