摘要: 随着遥感技术的不断发展，我们可以获取各种具有不同光谱和空间分辨率的图像数据，而这些图像通常包含了互补的信息，即，高光谱图像虽然拥有数百个连续波段，具有很高的光谱分辨率，但其空间分辨率相对于只有几十个波段的多光谱图像而言比较低。多光... 展开 随着遥感技术的不断发展，我们可以获取各种具有不同光谱和空间分辨率的图像数据，而这些图像通常包含了互补的信息，即，高光谱图像虽然拥有数百个连续波段，具有很高的光谱分辨率，但其空间分辨率相对于只有几十个波段的多光谱图像而言比较低。多光谱与高光谱图像的融合技术可以获取一幅同时具有较高的光谱分辨率和空间分辨率的图像，可以提高对植被、矿物以及人造材料等的进行识别和分类的精度，是过去十年里的一个研究热点。本文提出了三种基于光谱解混理论的高光谱图像与多光谱图像的融合算法，旨在利用多光谱图像提高高光谱图像的空间分辨率。本文的主要工作与创新点如下: (1)为了增强高光谱图像的空间分辨率，本文提出了一种新的基于混合像元分解技术的快速算法来实现低空间分辨率的高光谱图像和高空间分辨率的多光谱图像的融合算法。该算法从高光谱图像中提取端元来表征高光谱图像中的高光谱分辨信息，从多光谱图像中估计出的端元表征多光谱图像中的高空间分辨率信息，据此本文设计了一种新的基于混合像元分解的融合算法其中，端元提取在高光谱图像上进行，丰度估计在多光谱图像上进行，而这两幅图像的混合像元分解过程则是通过光谱响应矩阵以及模型中观测到的点扩展传输矩阵来实现匹配的。最后，利用基于HYDICE数据的实验来验证了该算法的有效性。 (2)为了解决真实遥感环境中光谱响应函数未知的问题，本文提出一种改进的基于光谱混合理论的高光谱图像空间分辨率增强算法。截止目前为止，仅MAP-SMM算法可以实现光谱响应函数未知时的多光谱和高光谱图像融合。因此，我们对前面提取出的基于光谱混合理论的高光谱图像空间增强算法进行改进，在光谱响应函数未知的情况下仍然可以获取高分辨融合图像。在该算法中，我们首先对多光谱图像进行混合像元分解，然后依据传感器的空间点扩展传输矩阵获取对应的高光谱图像的丰度矩阵，并据此获取其端元光谱矩阵，最后，依据高光谱图像的端元矩阵和多光谱图像的丰度矩阵生成高空间分辨率的高光谱图像。实际的HYDICE数据实验证明我们提出的改进算法的有效性 (3)前面两种算法仅仅关心图像空间分辨率的增强，并没有考虑光谱失真率，可能会影响目标识别和地物分类的精度。为了降低光谱失真率，我们提出了一种基于光谱混合理论和图像分块处理的低光谱失真率的高光谱图像增强算法。在该算法中，我们将原始图像分割成多个子图像，然后在子图像中使用我们提出的基于光谱混合理论的图像增强算法以提高其性能。由于不同层次的分解可以获取不同的增强结果，我们使用最小均方误差准则从中选择最好的增强结果。基于HYDICE和AVIRIS数据的实验证明，无论是否具有光谱响应函数，本文提出的高光谱图像增强算法可以处理不同的遥感图像，综合考虑空间增强结果，光谱失真率，图像的结构相似性以及计算时间，本文提出的算法性能优于现有的NSP-SMM和CNMF算法。 收起