基于超像素分割和耦合非负矩阵分解的高光谱图像超分辨率重建
发布时间：2021-01-25 04:52
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...
【文章来源】：南华大学湖南省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
信号的稀疏表示示意图
南华大学硕士学位论文20率的高光谱图像谱字典进行结合。流程图如图3.1所示。图3.1超像素分割RGB的高光谱图像超分辨率重建流程图3.1.1在线字典学习法如第2章所述，为获得高空间分辨率的高光谱图像，首先需要求解公式(2.18)中的光谱字典D，将公式(2.18)转化为如下的最小化目标函数：12,||||||||21minFDyD·····························(3.1)在处理的数据量比较大的时候，一般的字典学习算法在进行学习时算法运行时间会变得更加长，大数据量导致计算复杂度偏高。与一般的字典学习算法不同的是，在线字典学习算法每一次只有少量的样本被处理，由于其使用随机近似的方法。这样当处理大数据样本的时候，运行时间就会缩短很多，算法的计算复杂度降低了。在这里从训练样本集RnLY随机切割t个样本，定义为tLtRY，关于字典D和稀疏系数i的优化问题目标函数式为)||||||||21(1min1221,iiititiDyD··············(3.2)从上式可以看出，有两个未知的变量需要求解。解决此类问题的方法就是首先将其中一个变量固定，代入公式去求解另一个变量。在这个时候对于待求解的变量来说，目标函数是凸的，因此该变量的最优解可以很容易的通过优化算法来获龋之后将已求取的变量固定，接下来去求另一个变量，将这种求解方式交替地进行，最后两个变量的最优解就被得到了。在线字典学习算法中，每次迭代只有一个字典原子被更新，接下来我们简单对其基本的更新迭代步骤做一个说明与介绍。首先对字典矩阵D中第k列进行更新，而求解dk的目标优化函数为
南华大学硕士学位论文22的效果。由于RGB图像含有3个波段，所以对RGB图像进行超像素分割不能与单波段图像进行分割一样。假如对RGB图像的每个波段直接进行超像素分割，对于运算量的增加是指数增长的。并且3个波段成像波长是不一样的，单独对每个波段进行分割会使分割后的图像有偏差，不能很好地对应每个图像分割的位置。因此，本文首先利用稀疏主成分分析[58]对RGB图像进行降维，然后对降维得到的第一主成分图像进行基于熵率的超像素分割，这样超像素分割指导图就被我们所获得。接下来根据超像素分割指导图所指导的分割位置对其余波段的图像进行分割，最终得到分割后的图像块。超像素分割RGB图像步骤如图3.2所示，图3.2(a)是输入的RGB图像，图3.2(b)是降维后的第一主成分，图3.2(c)是超像素分割得到的标签图。(a)(b)(c)图3.2超像素分割RGB图像:(a)RGB图像;(b)第一主成分;(c)标签图3.1.3稀疏编码求解在对RGB图像进行基于熵率的超像素分割之后，对分割后的图像块进行稀疏分解。被分割后的RGB图像块，将其表示为SPiZ。结合RGB图像字典D，利用同步正交匹配追踪算法来求解RGB图像的稀疏系数矩阵，将求解稀疏系数问题转化为求下列目标函数优化问题：0||-||..||||min,3SPiSPiSPiSPitsSPiAADZAA............(3.8)在这里，SPiA是经过分割后的小图像块相对应的稀疏系数矩阵，i代表图像块的顺序编号。η3为误差。公式(3.8)可以由同步正交匹配追踪算法来进行求解。该算法首先将对输入的经过熵率的超像素分割后的图像块选择与之最匹配的原子，然后将图像块中的像素用所匹配的原子进行线性表示，得到了稀疏系数之后，对残差进行更新，等到将所有分割后的图像块稀疏编码结束。最后结合每个分割
【参考文献】：
期刊论文
[1]高光谱图像和叶绿素含量的水稻纹枯病早期检测识别[J]. 朱梦远,杨红兵,李志伟. 光谱学与光谱分析. 2019(06)
[2]海面溢油无人机高光谱遥感检测与厚度估算方法[J]. 任广波,过杰,马毅,罗旭东. 海洋学报. 2019(05)
[3]基于空谱一体化的农田高光谱图像分类[J]. 苗荣慧,黄锋华,杨华,邓雪峰,陈晓倩. 江苏农业学报. 2018(04)
[4]基于约束非负矩阵分解的高光谱图像解混快速算法[J]. 刘建军,吴泽彬,韦志辉,肖亮,孙乐. 电子学报. 2013(03)
[5]基于Sobel算子的自适应图像缩放算法[J]. 江雯,陈更生,杨帆,赵文庆,尹文波. 计算机工程. 2010(07)
[6]基于局部梯度特征的自适应多结点样条图像插值[J]. 赵前进,胡敏,檀结庆. 计算机研究与发展. 2006(09)
硕士论文
[1]基于非负矩阵分解的高光谱图像混合像元分解方法研究[D]. 李登刚.湖南大学 2016
[2]非负矩阵分解理论及其在高光谱解混中的应用[D]. 余肖玲.成都理工大学 2015
[3]基于非负矩阵分解的高光谱图像解混技术研究[D]. 黄春海.西安电子科技大学 2014
本文编号：2998606
【文章来源】：南华大学湖南省
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
信号的稀疏表示示意图
南华大学硕士学位论文20率的高光谱图像谱字典进行结合。流程图如图3.1所示。图3.1超像素分割RGB的高光谱图像超分辨率重建流程图3.1.1在线字典学习法如第2章所述，为获得高空间分辨率的高光谱图像，首先需要求解公式(2.18)中的光谱字典D，将公式(2.18)转化为如下的最小化目标函数：12,||||||||21minFDyD·····························(3.1)在处理的数据量比较大的时候，一般的字典学习算法在进行学习时算法运行时间会变得更加长，大数据量导致计算复杂度偏高。与一般的字典学习算法不同的是，在线字典学习算法每一次只有少量的样本被处理，由于其使用随机近似的方法。这样当处理大数据样本的时候，运行时间就会缩短很多，算法的计算复杂度降低了。在这里从训练样本集RnLY随机切割t个样本，定义为tLtRY，关于字典D和稀疏系数i的优化问题目标函数式为)||||||||21(1min1221,iiititiDyD··············(3.2)从上式可以看出，有两个未知的变量需要求解。解决此类问题的方法就是首先将其中一个变量固定，代入公式去求解另一个变量。在这个时候对于待求解的变量来说，目标函数是凸的，因此该变量的最优解可以很容易的通过优化算法来获龋之后将已求取的变量固定，接下来去求另一个变量，将这种求解方式交替地进行，最后两个变量的最优解就被得到了。在线字典学习算法中，每次迭代只有一个字典原子被更新，接下来我们简单对其基本的更新迭代步骤做一个说明与介绍。首先对字典矩阵D中第k列进行更新，而求解dk的目标优化函数为
南华大学硕士学位论文22的效果。由于RGB图像含有3个波段，所以对RGB图像进行超像素分割不能与单波段图像进行分割一样。假如对RGB图像的每个波段直接进行超像素分割，对于运算量的增加是指数增长的。并且3个波段成像波长是不一样的，单独对每个波段进行分割会使分割后的图像有偏差，不能很好地对应每个图像分割的位置。因此，本文首先利用稀疏主成分分析[58]对RGB图像进行降维，然后对降维得到的第一主成分图像进行基于熵率的超像素分割，这样超像素分割指导图就被我们所获得。接下来根据超像素分割指导图所指导的分割位置对其余波段的图像进行分割，最终得到分割后的图像块。超像素分割RGB图像步骤如图3.2所示，图3.2(a)是输入的RGB图像，图3.2(b)是降维后的第一主成分，图3.2(c)是超像素分割得到的标签图。(a)(b)(c)图3.2超像素分割RGB图像:(a)RGB图像;(b)第一主成分;(c)标签图3.1.3稀疏编码求解在对RGB图像进行基于熵率的超像素分割之后，对分割后的图像块进行稀疏分解。被分割后的RGB图像块，将其表示为SPiZ。结合RGB图像字典D，利用同步正交匹配追踪算法来求解RGB图像的稀疏系数矩阵，将求解稀疏系数问题转化为求下列目标函数优化问题：0||-||..||||min,3SPiSPiSPiSPitsSPiAADZAA............(3.8)在这里，SPiA是经过分割后的小图像块相对应的稀疏系数矩阵，i代表图像块的顺序编号。η3为误差。公式(3.8)可以由同步正交匹配追踪算法来进行求解。该算法首先将对输入的经过熵率的超像素分割后的图像块选择与之最匹配的原子，然后将图像块中的像素用所匹配的原子进行线性表示，得到了稀疏系数之后，对残差进行更新，等到将所有分割后的图像块稀疏编码结束。最后结合每个分割
【参考文献】：
期刊论文
[1]高光谱图像和叶绿素含量的水稻纹枯病早期检测识别[J]. 朱梦远,杨红兵,李志伟. 光谱学与光谱分析. 2019(06)
[2]海面溢油无人机高光谱遥感检测与厚度估算方法[J]. 任广波,过杰,马毅,罗旭东. 海洋学报. 2019(05)
[3]基于空谱一体化的农田高光谱图像分类[J]. 苗荣慧,黄锋华,杨华,邓雪峰,陈晓倩. 江苏农业学报. 2018(04)
[4]基于约束非负矩阵分解的高光谱图像解混快速算法[J]. 刘建军,吴泽彬,韦志辉,肖亮,孙乐. 电子学报. 2013(03)
[5]基于Sobel算子的自适应图像缩放算法[J]. 江雯,陈更生,杨帆,赵文庆,尹文波. 计算机工程. 2010(07)
[6]基于局部梯度特征的自适应多结点样条图像插值[J]. 赵前进,胡敏,檀结庆. 计算机研究与发展. 2006(09)
硕士论文
[1]基于非负矩阵分解的高光谱图像混合像元分解方法研究[D]. 李登刚.湖南大学 2016
[2]非负矩阵分解理论及其在高光谱解混中的应用[D]. 余肖玲.成都理工大学 2015
[3]基于非负矩阵分解的高光谱图像解混技术研究[D]. 黄春海.西安电子科技大学 2014
本文编号：2998606
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2998606.html
