基于类解混的高光谱和多光谱图像融合算法

• 作者: 方帅 曹风云 朱向东
• 来源期刊: 计算机辅助设计与图形学学报
• 学科: 工学
• 关键词: 图像融合 类解混 广义回归神经网络 类端元 超分辨率
• 年，卷（期）: 2020,（1）
• 所属期刊栏目: 图像与视觉
• 页码范围: 54-67
• 页数: 14页
• 分类号: TP391.41
• 字数: 7872字
• 语种: 中文
• DOI: 10.3724/SP.J.1089.2020.17887

摘要

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	方帅	合肥工业大学计算机与信息学院	63	1182	20.0	32.0
3	曹风云	合肥师范学院计算机学院	19	66	5.0	7.0
7	朱向东	合肥工业大学计算机与信息学院	1	0	0.0	0.0