一种基于梯度场的优化融合遥感图像处理方法

摘要

本发明公开了一种基于梯度场的优化融合遥感图像处理方法，包括以下步骤：利用图像预处理器将多光谱图像h的每个波段均取样为与高分辨率图像g相同的地域范围；并将多光谱图像和高分辨率图像进行几何精确校正处理；进而，对两种图像分别进行对比度处理。然后，将预处理后的图像分别定义梯度约束和光谱约束，使得欲融合图像的梯度趋近于高分辨率图像g，而融合图像的颜色信息趋近于多光谱合成图像h；根据梯度约束和光谱约束可建立融合图像求解方程；通过以两类图像分辨率的比例差异选择融合图像的核半径，并以调整α2因子的大小，使算法经若干次迭代达到收敛解，最终，使图像融合优化方程可获得最优解。

主权项

1.一种基于梯度场的优化融合遥感图像处理方法，其特征在于包括以下步骤：a.利用图像预处理器将多光谱图像h的每个波段均取样为与高分辨率图像g相同的地域范围，进行几何精确校正处理，并视高分辨率图像质量对其进行对比度增强处理；b.按预处理后的高分辨率图像的梯度特征定义融合图像的梯度约束，使得融合图像的梯度趋近于高分辨率图像g，并满足以下方程：q∈N_p：f_cp-f_cq＝g_p-g_q    (1)其中，N_p表示融合图像S上每个像素点p上的四邻域点或者八邻域点，而f_cp是第c波段在该点的像素值，其中，c∈{1，2，Λ C}，C是光谱段数目，f_cq是第c波段融合图像在该点的像素值；c.再将经梯度约束后的融合图像按多光谱图像特征进行光谱约束，以便使融合图像的光谱信息趋近于多光谱图像h，并满足以下方程：$\forall c,p:\underset{q}{\Sigma }{f}_{\mathrm{cq}}k\left(\right|p-q\left|\right)=h_{\mathrm{cp}}---\left(2\right)$k是高斯密度低通滤波核函数；而其中，c∈{1，2，ΛC}，C是光谱段数目；d.建立融合优化求解方程：在定义了融合图像S的梯度约束和光谱约束后，建立融合图像的求解方程，利用方程(1)和(2)两个函数，转换为优化公式(3)用于求解优化融合图像$\underset{f}{\min }\underset{p}{\Sigma }\underset{q\in N_p}{\Sigma }{(f_p-f_q-g_p+g_q)}^2+{\alpha }^2\underset{p}{\Sigma }{(\underset{r}{\Sigma }{f}_r{K}_m(p,r)-{h^{\prime }}_p)}^2---\left(3\right)$α²是正则化因子，K_M(p，r)为高斯密度函数，h’_p由原多光谱图像重采样得到；e.据两类图像比例差选择融合图像的核半径：根据高、低分辨率图像的比例差异，选择出图像融合优化处理的核半径，其中选择方案为K_W(p，q)的非零范围，取稍大于图像高、低分辨率比值的两倍的矩形窗口，则(3)式的解可满足以下方程(4)：$\forall p\in S,\left|N_p^{\prime }\right|f_p-\underset{q\ne p}{\Sigma }{K}_{\mathrm{pq}}{f}_q=\frac{{\alpha }^2}{h}{h^{\prime }}_p+\underset{q\in N_p}{\Sigma }(g_p-g_q)---\left(4\right)$h’是原多光谱图像重采样得到，k选取高斯密度函数，N_p表示融合图像S上每个像素点p上的四邻域点或八邻域点，则|N_p|表示邻域上的点的数目，|N’_p|＝|N_p|+(α²/2)K_W(p，q)，$K_{\mathrm{pq}}=K_N(p,q)-\frac{{\alpha }^2}{2}{K}_W(p,q),$$K_N(p,q)=\left\{\begin{array}{cc}1,& q\in N_p\\ 0,& \mathrm{otherwise}\end{array}\right.;$f.调整α²因子的大小，再采用简单迭代算法经过若干次迭代则达到收敛解，并合成图像像素值。