發(fā)布時間：2021-01-25 04:52

　　由于光譜信息豐富,高光譜圖像在環(huán)境檢測、地質(zhì)勘察和農(nóng)業(yè)等領域都有著極其重要的作用。然而現(xiàn)有的高光譜成像設備無法實現(xiàn)圖像在光譜分辨率和空間分辨率上同時高分成像,導致獲取的高光譜圖像空間分辨率比較低,存在混合像元。這極大地影響了高光譜圖像在以上領域的應用。通過改進高光譜成像的硬件設備可以提高光譜圖像的空間分辨率,但此方法會使成像成本急劇增加。與高光譜圖像相比,同一場景下的RGB圖像雖然光譜分辨率比較低,但擁有比較高的空間分辨率。基于此,人們常常通過圖像超分辨率的方法來提高高光譜圖像的空間分辨率,通過融合低空間分辨率的高光譜圖像和同一場景下的高空間分辨率的RGB圖像重建得到高空間分辨率的高光譜圖像。主要研究內(nèi)容如下:（1）針對基于空間光譜稀疏表示的高光譜圖像超分辨率算法中,對RGB圖像的空間信息利用不充分的問題,提出了一種基于超像素分割的融合RGB圖像與高光譜圖像的超分辨率算法。該算法首先利用在線字典學習法從低空間分辨率的高光譜圖像中學習得到光譜字典。然后,通過光譜字典的線性變換,得到與高光譜圖像同一場景下的RGB圖像字典。之后,對RGB圖像進行超像素分割,對分割后的每個小圖像塊進行稀疏編碼... 

【文章來源】：南華大學湖南省

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

信號的稀疏表示示意圖

南華大學碩士學位論文20率的高光譜圖像譜字典進行結(jié)合。流程圖如圖3.1所示。圖3.1超像素分割RGB的高光譜圖像超分辨率重建流程圖3.1.1在線字典學習法如第2章所述，為獲得高空間分辨率的高光譜圖像，首先需要求解公式(2.18)中的光譜字典D，將公式(2.18)轉(zhuǎn)化為如下的最小化目標函數(shù)：12,||||||||21minFDyD·····························(3.1)在處理的數(shù)據(jù)量比較大的時候，一般的字典學習算法在進行學習時算法運行時間會變得更加長，大數(shù)據(jù)量導致計算復雜度偏高。與一般的字典學習算法不同的是，在線字典學習算法每一次只有少量的樣本被處理，由于其使用隨機近似的方法。這樣當處理大數(shù)據(jù)樣本的時候，運行時間就會縮短很多，算法的計算復雜度降低了。在這里從訓練樣本集RnLY隨機切割t個樣本，定義為tLtRY，關于字典D和稀疏系數(shù)i的優(yōu)化問題目標函數(shù)式為)||||||||21(1min1221,iiititiDyD··············(3.2)從上式可以看出，有兩個未知的變量需要求解。解決此類問題的方法就是首先將其中一個變量固定，代入公式去求解另一個變量。在這個時候?qū)τ诖蠼獾淖兞縼碚f，目標函數(shù)是凸的，因此該變量的最優(yōu)解可以很容易的通過優(yōu)化算法來獲齲之后將已求取的變量固定，接下來去求另一個變量，將這種求解方式交替地進行，最后兩個變量的最優(yōu)解就被得到了。在線字典學習算法中，每次迭代只有一個字典原子被更新，接下來我們簡單對其基本的更新迭代步驟做一個說明與介紹。首先對字典矩陣D中第k列進行更新，而求解dk的目標優(yōu)化函數(shù)為

南華大學碩士學位論文22的效果。由于RGB圖像含有3個波段，所以對RGB圖像進行超像素分割不能與單波段圖像進行分割一樣。假如對RGB圖像的每個波段直接進行超像素分割，對于運算量的增加是指數(shù)增長的。并且3個波段成像波長是不一樣的，單獨對每個波段進行分割會使分割后的圖像有偏差，不能很好地對應每個圖像分割的位置。因此，本文首先利用稀疏主成分分析[58]對RGB圖像進行降維，然后對降維得到的第一主成分圖像進行基于熵率的超像素分割，這樣超像素分割指導圖就被我們所獲得。接下來根據(jù)超像素分割指導圖所指導的分割位置對其余波段的圖像進行分割，最終得到分割后的圖像塊。超像素分割RGB圖像步驟如圖3.2所示，圖3.2(a)是輸入的RGB圖像，圖3.2(b)是降維后的第一主成分，圖3.2(c)是超像素分割得到的標簽圖。(a)(b)(c)圖3.2超像素分割RGB圖像:(a)RGB圖像;(b)第一主成分;(c)標簽圖3.1.3稀疏編碼求解在對RGB圖像進行基于熵率的超像素分割之后，對分割后的圖像塊進行稀疏分解。被分割后的RGB圖像塊，將其表示為SPiZ。結(jié)合RGB圖像字典D，利用同步正交匹配追蹤算法來求解RGB圖像的稀疏系數(shù)矩陣，將求解稀疏系數(shù)問題轉(zhuǎn)化為求下列目標函數(shù)優(yōu)化問題：0||-||..||||min,3SPiSPiSPiSPitsSPiAADZAA............(3.8)在這里，SPiA是經(jīng)過分割后的小圖像塊相對應的稀疏系數(shù)矩陣，i代表圖像塊的順序編號。η3為誤差。公式(3.8)可以由同步正交匹配追蹤算法來進行求解。該算法首先將對輸入的經(jīng)過熵率的超像素分割后的圖像塊選擇與之最匹配的原子，然后將圖像塊中的像素用所匹配的原子進行線性表示，得到了稀疏系數(shù)之后，對殘差進行更新，等到將所有分割后的圖像塊稀疏編碼結(jié)束。最后結(jié)合每個分割

【參考文獻】：
期刊論文
[1]高光譜圖像和葉綠素含量的水稻紋枯病早期檢測識別[J]. 朱夢遠,楊紅兵,李志偉.  光譜學與光譜分析. 2019(06)
[2]海面溢油無人機高光譜遙感檢測與厚度估算方法[J]. 任廣波,過杰,馬毅,羅旭東.  海洋學報. 2019(05)
[3]基于空譜一體化的農(nóng)田高光譜圖像分類[J]. 苗榮慧,黃鋒華,楊華,鄧雪峰,陳曉倩.  江蘇農(nóng)業(yè)學報. 2018(04)
[4]基于約束非負矩陣分解的高光譜圖像解混快速算法[J]. 劉建軍,吳澤彬,韋志輝,肖亮,孫樂.  電子學報. 2013(03)
[5]基于Sobel算子的自適應圖像縮放算法[J]. 江雯,陳更生,楊帆,趙文慶,尹文波.  計算機工程. 2010(07)
[6]基于局部梯度特征的自適應多結(jié)點樣條圖像插值[J]. 趙前進,胡敏,檀結(jié)慶.  計算機研究與發(fā)展. 2006(09)

碩士論文
[1]基于非負矩陣分解的高光譜圖像混合像元分解方法研究[D]. 李登剛.湖南大學 2016
[2]非負矩陣分解理論及其在高光譜解混中的應用[D]. 余肖玲.成都理工大學 2015
[3]基于非負矩陣分解的高光譜圖像解混技術研究[D]. 黃春海.西安電子科技大學 2014



本文編號：2998606