基于参考影像纹理约束和非凸低秩约束的遥感图像重建方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN105741240A(43)申请公布日2016.07.06(21)申请号201610029634.9(22)申请日2016.01.18(71)申请人中国科学院遥感与数字地球研究所地址100094北京市海淀区邓庄南路9号(72)发明人卢红阳王力哲魏静波(74)专利代理机构北京纽乐康知识产权代理事务所(普通合伙)11210代理人田磊(51)Int.Cl.G06T5/00(2006.01)权利要求书3页说明书6页附图1页(54)发明名称基于参考影像纹理约束和非凸低秩约束的遥感图像重建方法(57)摘要本发明公开了一种基于参考影像纹理约束和广义非凸低秩核范数约束的遥感图像重建方法，包括以下步骤：S1设置目标影像稀疏系数初始值，计算参考影像小波子稀疏系数；S2根据纹理在小波变换域统计特性，计算目标影像和参考影像小波子影像纹理特征向量的Canberra距离，得到相似度；S3用非凸低秩核范数约束目标影像稀疏系数，将相似度加入目标影像的稀疏系数中进行更新，构建目标函数；和S4通过共轭梯度算法、局部最小化泰勒一阶近似和奇异值分解迭代求解带目标影像低秩先验信息的非局部遥感影像重建模型。本发明有益效果：将参考影像小波纹理特征向量作为先验约束，将广义非凸低秩核范数作为目标影像稀疏系数约束，利用二者互补优势建立遥感图像重建模型，提高目标影像的重建精度。CN105741240ACN105741240A权利要求书1/3页1.一种基于参考影像纹理约束和广义非凸低秩核范数约束的遥感图像重建方法，其特征在于，该方法包括以下步骤：步骤S1、设置目标影像稀疏系数初始值，计算参考影像小波子稀疏系数；步骤S2、根据纹理在小波变换域统计特性，计算目标影像和参考影像小波子影像纹理特征向量的Canberra距离，得到相似度；步骤S3、用非凸低秩核范数约束目标影像稀疏系数，将相似度加入目标影像的稀疏系数中进行更新，构建目标函数；和步骤S4、通过共轭梯度算法、局部最小化泰勒一阶近似和奇异值分解迭代求解带目标影像低秩先验信息的非局部遥感影像重建模型。2.根据权利要求1所述的图像重建方法，其特征在于，在步骤S1中，设置的目标影像的稀疏系数设置初始值为全零向量，计算与目标影像相匹配的参考影像小波子影像的稀疏系数。3.根据权利要求1所述的图像重建方法，其特征在于，在步骤S2中，根据纹理在小波变换域的统计特性，计算目标影像的纹理特征向量与参考影像小波子影像的纹理特征向量的Canberra距离，得到两个纹理特征向量的相似度。4.根据权利要求3所述的图像重建方法，其特征在于，在步骤S3中，用非凸低秩核范数约束目标影像稀疏系数，将相似度加入到目标影像的稀疏系数中进行更新，计算更新后的目标影像的纹理特征向量与参考影像的纹理特征向量的相似度，根据相似度得到目标影像基于参考影像的约束度，构建目标函数。5.根据权利要求3所述的图像重建方法，其特征在于，在步骤S2中，所述目标影像的纹理特征向量和参考影像小波变换子影像的纹理特征向量包括能量、标准差、平均绝对偏差以及熵：其中χ表示影像小波系数，Fl1_energy表示能量、Fsd表示标准差、表示平均绝对偏差以及Fentropy表示熵，它们构成的纹理特征向量如下：Fi＝[Fl1_energy(χi),Fsd(χi),Fadd(χi),Fentropy(χi)]其中Fi表示目标影像的纹理特征向量，Fref_i表示参考影像的纹理特征向量。由Canberra距离，得到两个纹理特征向量的相似度：2CN105741240A权利要求书2/3页其中wi表示目标影像和参考影像纹理特征向量的相似度。6.根据权利要求3所述的图像重建方法，其特征在于，在步骤S2中，所述目标影像的纹理特征向量与参考影像的纹理特征向量的相似度与目标影像基于参考影像的约束度成反比关系。7.根据权利要求3所述的图像重建方法，其特征在于，在步骤S3中，在参考影像纹理约n束的基础上，假设在图像中每一块样本块xi∈￡在位置i处，有若干大小为的相似块，在此假设下，设置一个阈值，对每个样本块进行k邻域搜索得到相似图像块组成的低秩矩阵，并基于非局部相似图像块的低秩先验信息构建低秩逼近形式：其中，T为预先设置好的阈值，xi，表示图像块，Hi表示满足这个阈值条件的与图像块xi相似的图像块的索引值，相似块放到一起组成一个数据矩阵将Xi分解成两个部分，即Xi＝Li+Wi，其中Li和Wi分别是低秩矩阵和高斯噪声，重写如下其中rank(Li)表示矩阵Li的的秩，与矩阵Li的非零奇异值数目相同；其中表示Fobenius范数，表示加性高斯噪声的方差。8.根据权利要求7所述的图像重建方法，其特征在于，在步骤3中，当用非凸核函数G近似矩阵秩的凸近似范数，得到以下