一种基于稀疏表示的多光谱遥感图像去云方法

摘要

本发明涉及一种基于稀疏表示的多光谱遥感图像去云方法，利用多时像方法的同时，利用SAR影像和不同时相的低分辨多光谱影像分别和高分辨多光谱影像的对应图像块建立稀疏字典对，然后利用稀疏编码重建云区部分信息。其中，低分辨光学影像字典提供主要的低频信息，SAR图像字典提供主要的高频信息。本发明相对与传统的仅利用SAR图像去云的方法能得到更接近真实场景的重建图像，在确保低频信息完整的同时更好的保留了图像的高频信息。该方法同时适用于小区域云和大区域云的去除，均能得到较理想的结果。

主权项

一种基于稀疏表示的多光谱遥感图像去云方法，其特征在于步骤如下：步骤1：根据Landsat‑5TM影像的特点，利用基于阈值的方法检测给定目标图像I中的像素点，确定像素点的像素值大于阈值TH＝230的像素点为云区的候选点；然后将像素值低于50，且按照光照方向在云区附近大小为原图像尺寸25％的区域内的点为云的阴影点；标记云区的候选点和阴影点为1，其它为0，得到云区标记图像F；步骤2：提取多个无云的高分辨率多光谱影像HRI、低分辨率多光谱影像LRI和SAR图像的特征得到对应的特征图像，分别得到HRI特征块H＝{x₁,x₂,…，x_N}、LRI特征快L＝{y₁,y₂,…,y_N}和SAR特征块S＝{z₁,z₂,…,z_N}；其中，LRI通过双线性差值的方法放大到与HRI具有相同大小，N表示图像块的数量，x_i、y_i和z_i，分别表示三种图像中大小的图像块拉直后的列向量，i＝1,2,…,N；利用HRI和LRI特征块学习得到稀疏字典D_HL${D_{\mathrm{HL}}}^{*}=\underset{D_{\mathrm{HL}},}{\arg }\underset{A_{\mathrm{HL}}}{\min }\{{\left|\right|X_{\mathrm{HL}}-D_{\mathrm{HL}}{A}_{\mathrm{HL}}\left|\right|}_2^2+\lambda {\left|\right|A_{\mathrm{HL}}\left|\right|}_1\}$利用HRI和SAR特征块学习得到稀疏字典D_HS${D_{\mathrm{HS}}}^{*}=\underset{D_{\mathrm{HS}},}{\arg }\underset{A_{\mathrm{HS}}}{\min }\{{\left|\right|X_{\mathrm{HS}}-D_{\mathrm{HS}}{A}_{\mathrm{HS}}\left|\right|}_2^2+\lambda {\left|\right|A_{\mathrm{HS}}\left|\right|}_1\}$其中：X_HL＝[H；L]，D_HL＝[D_H1；D_L]，A_HL＝[A_H；A_L]是X_HL的稀疏表示系数，X_HS＝[H；S]，D_HS＝[D_H2；D_S]，A_HS＝[A_H；A_S]是X_HS的稀疏表示系数；步骤3：将云区标识图F中各个云区以最小矩形标识，对每个标识矩形从外向内按顺时针方向依次取相同大小的图像块并拉直后的图像为待求图像块x，同时在对应的LRI和SAR中取相应位置的图像特征块并拉直，记为y，z；计算y，z分别在D_HL和D_HS下的稀疏表示系数：${\alpha }_1=\underset{{\alpha }_1}{\min }{\left|\right|y-D_L{\alpha }_1\left|\right|}_2^2+\lambda {\left|\right|{\alpha }_1\left|\right|}_1$${\alpha }_2=\underset{{\alpha }_2}{\min }{\left|\right|y-D_S{\alpha }_2\left|\right|}_2^2+\lambda {\left|\right|{\alpha }_2\left|\right|}_1$利用LRI预测得到的图像块x₁＝D_H1·α₁利用SAR预测得到的图像块x₂＝D_H2·α₂继而得到待求图像块x^*＝x₁+x₂＝D_H1·α₁+D_H2·α₂；步骤4：依次用重建后的图像块替换图像I中对应的图像块，得到去云后的图像I′。