论文部分内容阅读
由于光谱信息丰富,高光谱图像在环境检测、地质勘察和农业等领域都有着极其重要的作用。然而现有的高光谱成像设备无法实现图像在光谱分辨率和空间分辨率上同时高分成像,导致获取的高光谱图像空间分辨率比较低,存在混合像元。这极大地影响了高光谱图像在以上领域的应用。通过改进高光谱成像的硬件设备可以提高光谱图像的空间分辨率,但此方法会使成像成本急剧增加。与高光谱图像相比,同一场景下的RGB图像虽然光谱分辨率比较低,但拥有比较高的空间分辨率。基于此,人们常常通过图像超分辨率的方法来提高高光谱图像的空间分辨率,通过融合低空间分辨率的高光谱图像和同一场景下的高空间分辨率的RGB图像重建得到高空间分辨率的高光谱图像。主要研究内容如下:(1)针对基于空间光谱稀疏表示的高光谱图像超分辨率算法中,对RGB图像的空间信息利用不充分的问题,提出了一种基于超像素分割的融合RGB图像与高光谱图像的超分辨率算法。该算法首先利用在线字典学习法从低空间分辨率的高光谱图像中学习得到光谱字典。然后,通过光谱字典的线性变换,得到与高光谱图像同一场景下的RGB图像字典。之后,对RGB图像进行超像素分割,对分割后的每个小图像块进行稀疏编码。最后,将整个稀疏编码矩阵与高光谱图像谱字典相结合重建得到高空间分辨率的高光谱图像。实验结果表明该算法能充分地利用RGB图像的空间信息,有效地提高了高光谱图像的空间分辨率。(2)针对高光谱成像系统获取的图像空间分辨率比较低,导致存在混合像元的问题,提出了一种基于耦合非负矩阵分解的融合RGB图像与高光谱图像的超分辨率算法。该算法首先利用非负矩阵分解算法对低空间分辨率的高光谱图像和高空间分辨率的RGB图像进行交替分解,求得高光谱图像数据的端元矩阵和RGB图像的丰度矩阵。结合两者最终得到高空间分辨率的高光谱图像。实验结果表明,融合后得到的图像视觉效果有了比较大的提升,图像细节恢复得更好。