基于类解混的高光谱和多光谱图像融合算法
基于解混合的图像融合算法存在的2个问题:(1)用低分辨率高光谱图像(low-resolution hyperspectral image,LR-HSI)的光谱特征重建高分辨率高光谱图像(high-resolution hyperspectral image,HR-HSI),而LR-HSI的空间降质会导致光谱的精度损失;(2)基于非负矩阵解混的算法由于目标函数非凸性,其求解对初始值敏感,导致端元和丰度值不稳定.为解决此问题,提出基于类解混的高光谱图像融合算法.首先,利用模糊c均值算法对图像聚类,以距离聚类中心最近的像素代替解混端元,避开了直接解混导致的解不稳定问题.其次,为每类地物分别学习基于广义回归神经网络(general regression neural network,GRNN)的相同场景HR-HSI和LR-HSI在光谱域的非线性映射关系,弥补由于空间降质导致的端元光谱精度损失.文中借鉴解混合思想,由低分辨率高光谱图像的端元重建高分辨率高光谱图像的端元,将其与高分辨率多光谱图像(high-resolution multispectral image,HR-MSI)的稀疏系数结合得到HR-HSI.在4组数据集上验证本算法性能,与多种融合算法比较.实验表明,Salinas数据的实验结果在SAM,RMSE和ERGAS指标与次优的方法相比,它们的数值分别降低了5.5％,5.5％和1.6％;在Cuprite数据上数值降低了1.3％,3.9％和3.8％;在Indian Pines数据上数值分别降低了1.7％,4.0％和3.9％;在Pavia Center数据上,采用双三次插值时在SAM和ERGAS指标上与次优的方法相比数值分别降低了2.9％和8.5％;采用双线性插值时数值分别降低了3.5％和3.4％.所以,文中算法在有效地提升空间分辨率的同时,很好地保持了光谱信息.
图像融合、类解混、广义回归神经网络、类端元、超分辨率
32
TP391.41(计算技术、计算机技术)
国家自然科学基金;中央高校基本科研业务费专项资金;工业安全与应急技术安徽省重点实验室开放课题;2019年度高校优秀青年人才项目;国家重点研发计划项目
2020-06-12（万方平台首次上网日期，不代表论文的发表时间）
共14页
54-67
