买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：成都大学

摘要：本发明公开了一种提升高光谱影像空间分辨率的数据化融合算法，基于高光谱与多光谱影像的数据属性结合外部附加数据优化空间系数，利用非负矩阵字典学习方法学习光谱字典，对高光谱与多光谱影像进行算法融合得到具有目标高空间分辨率的高光谱影像。本发明能在有效提升融合质量的基础上保证融合效率，且数据结构和数据处理进程清晰，同时模型具有较好的泛化能力。

主权项：1.提升高光谱影像空间分辨率的数据化融合算法，其特征在于：所述算法基于高光谱与多光谱影像的数据属性结合外部附加数据优化空间系数，利用非负矩阵字典学习方法学习光谱字典，对高光谱与多光谱影像进行算法融合得到具有目标高空间分辨率的高光谱影像；所述算法包括如下数据进程：1低分辨率输入数据的模拟及观测模型的构建；2采用非负结构稀疏字典学习方法从高光谱影像X中学习光谱字典D；3利用高光谱影像X、多光谱影像Y和光谱字典D，构建空间系数优化模型，估计空间系数A；4利用学习得到的光谱字典D和空间系数A进行矩阵相乘，得到目标高分辨率高光谱目标融合影像Z；数据进程3的数据进程包括：3.1首先将初始化迭代次数为1，将待估计的空间系数矩阵A，引入的分裂变量V1、V2、V3、V4、V5，拉格朗日乘子G1、G2、G3、G4、G5都初始化为元素全为0的矩阵，初始化惩罚因子μ；3.2进行k次迭代，利用式1-式8迭代更新模型参数：根据式1更新迭代空间系数矩阵A，根据式2到6更新分裂变量V1、V2、V3、V4、V5，根据式7更新拉格朗日乘子G1、G2、G3、G4、G5，根据式8更新惩罚因子μ； μ＝γμ8上式中，B表示空间模糊矩阵，S表示下采样矩阵，R表示光谱响应函数，||·||F表示F范数，||·||1表示1范数，||·||*表示核范数，η1、η2、η3、λ1表示正则化参数，表示引入的附加先验，γ＞1为更新系数；3.3采用增广拉格朗日收缩算法SALSA对上式1至式8中子问题分别进行迭代优化求解，优化求解时，针对空间系数矩阵A的子问题优化求解模型，采用对上式1求偏导并令偏导为零推导得到优化方程进而更新系数矩阵A；针对变量V1的子问题优化求解模型，通过构建被选中和未被选中下采样像素组成的下采样矩阵作为掩模矩阵，对式2求偏导后得到优化方程求解更新后的变量V1；针对变量V2的子问题优化求解模型，采用对上式3求偏导并令偏导为零推导得到优化方程进而求解更新后的变量V2；针对变量V3的子问题优化求解模型，采用软阈值算子求解更新后的变量V3；针对变量V4的子问题优化求解模型，采用奇异值阈值算法求解核范数优化问题进而求解更新后的变量V4；针对变量V5的子问题优化求解模型，将其视为带有方差为η3μ的高斯噪声的影像A-G5的去噪问题，采用卷积神经网络去噪方法求解更新变量V5，其输入数据为影像A-G5和所述方差η3μ，输出数据为更新后的变量V5；当迭代次数达到阈值时跳出循环，输出空间系数A。

全文数据：

权利要求：

百度查询： 成都大学 提升高光谱影像空间分辨率的数据化融合算法