基于方向多尺度群低秩分解的全色图像锐化方法

摘要

本发明公开一种基于方向多尺度群低秩分解的全色图像锐化方法，其实现的步骤为：(1)输入源图像；(2)获得LMS和dPan图像；(3)计算多光谱图像MS和下采样全色图像dPan光谱相关系数；(4)非下采样轮廓小波分解；(5)构建数据矩阵；(6)矩阵低秩分解；(7)重构高低频稀疏矩阵；(8)注入高低频稀疏矩阵(9)非下采样轮廓小波反变换；(10)输出高分辨率图像。本发明利用非下采样轮廓小波变化与矩阵低秩分解提取全色图像的轮廓结构信息与细节，并采用新的高低频注入模型，减少了全色图像过度注入而引起的光谱扭曲，最终得到较好保存光谱信息和边缘细节特征更为明显的高分辨率的图像。

主权项

一种基于方向多尺度群低秩分解的全色图像锐化方法，包括以下步骤：(1)输入图像：分别读取待锐化的多光谱图像MS和全色图像Pan；(2)获得上采样多光谱LMS和下采样全色图像dPan：(2a)利用图像缩放imresize函数对多光谱图像MS进行上采样，得到上采样的多光谱图像LMS；(2b)利用图像缩放imresize函数对全色图像Pan进行下采样，得到下采样全色图像dPan；(3)按照下式，计算多光谱图像MS和下采样全色图像dPan的光谱相关系数：$s_k=\frac{\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}[X{(i,j)}_k-{\mu }_{X_k}][P(i,j)-{\mu }_P]}{\sqrt{\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{[X{(i,j)}_k-{\mu }_{X_k}]}^2\underset{i=1}{\overset{M}{\Sigma }}\underset{j=1}{\overset{N}{\Sigma }}{[P(i,j)-{\mu }_P]}^2}}$其中，S_k表示多光谱图像MS中第k个波段图像与下采样全色图像dPan的光谱相关系数，k表示多光谱图像MS的波段数，k的取值为1,2,...4；M和N分别表示多光谱图像MS行和列的像素个数；∑表示求和操作；i和j分别表示多光谱图像MS和下采样全色图像dPan像素的坐标；X(i,j)_k和P(i,j)分别表示多光谱图像MS第k个波段图像与下采样全色图像dPan对应坐标(i,j)值的像素点；μ_Xk和μ_P分别表示多光谱图像MS第k个波段与下采样全色图像dPan的均值，表示开根号操作；(4)非下采样的轮廓小波分解：(4a)应用非下采样的轮廓小波分解函数，对上采样多光谱图像LMS进行分解，得到LMS图像相对应的高频部分与低频部分；(4b)应用非下采样的轮廓小波分解函数，对全色图像Pan进行分解，得到Pan图像相对应的高频部分与低频部分；(5)构建数据矩阵：分别对高低频部分进行重叠取块，利用重塑矩阵reshape函数，将全部图像块分别拉成列向量，构成全色图像的高频部分的数据矩阵与低频部分的数据矩阵；(6)矩阵低秩分解：(6a)利用矩阵低秩稀疏分解方法，对低频数据矩阵进行低秩稀疏分解，得到低频数据的低秩矩阵与稀疏矩阵；(6b)利用矩阵低秩稀疏分解方法，对高频数据矩阵进行低秩稀疏分解，得到每一个方向上的高频数据的低秩矩阵与稀疏矩阵：(7)重构高低频稀疏矩阵：(7a)利用划窗方式，取得低频数据的稀疏矩阵，将低频数据的稀疏矩阵重构成与全色图像Pan尺寸大小相同的低频稀疏矩阵，低频数据稀疏项的重叠部分取平均值；(7b)利用划窗的方式，取得每一个方向上高频数据的稀疏矩阵，分别将高频数据的稀疏矩阵重构成与全色图像Pan尺寸大小相同的高频稀疏矩阵，高频数据稀疏项的重叠部分取平均值；(8)注入高低频稀疏矩阵：(8a)利用低频注入模型，将低频的稀疏矩阵注入到上采样多光谱图像的每个波段的低频部分中，得到注入后的多光谱图像的低频部分；(8b)利用高频注入模型，分别将每个方向上的高频稀疏矩阵注入到上采样多光谱图像的每个波段的高频部分中，得到注入后的多光谱图像的高频部分；(9)非下采样轮廓小波反变换：利用非下采样轮廓小波函数，对多光谱图像高低频部分进行非下采样的轮廓小波反变换，得到最终高分辨率多光谱图像HMS；(10)输出高分辨率多光谱图像HMS。