基于多重变量模型的遥感高光谱图像空间分辨率提高新方法研究

以"高分辨对地观测"国家重大专项为研究背景，在项目组已有的科研积累基础之上，本项目拟针对现有技术中所存在的不足（光谱畸变、噪声放大等），对遥感高光谱图像空间分辨率提高问题开展进一步的深入探讨与研究：通过对高光谱图像数据分布特性的深入分析，建立其在空间域和多分辨分析变换域的多重变量统计模型；以成像模型为基础，结合多重变量统计模型中的统计参数，开发具有辅助信息（相对高空间分辨率的多光谱/全色图像）的以提高高光谱图像空间分辨率为目标的图像恢复新方法，并设计其逆卷积问题中大矩阵的可行性运算方案，以及噪声和光谱畸变抑制方案；将已研究和应用成熟的图像融合技术与本项目开发的高性能图像恢复技术相结合，探索并开发兼备两者之优点的高性能广普适度的高光谱图像空间分辨率提高新方法。本项目的研究成果将有助于遥感遥测领域内多项实际应用（图像分类、目标检测、识别及跟踪等）的精准度提高，具有重要的学术意义和广阔应用前景。

国内外最新研究动向均标志着高光谱遥感图像处理已成为信号与信息处理学科、遥感学科的前沿热点。由于器件及数据传输等实际因素的限制，遥感图像往往并不能同时具备高的空间和光谱分辨率，而很多实际应用却有着保证空间和光谱域处理精度的需求。于是，如何有效提高高光谱图像空间分辨率并保持其原有的光谱特征随之成为遥感信息获取与处理领域内一项重要的研究内容。本项目针对多重变量模型下的高光谱图像空间分辨率提高新技术开展了相关研究，其研究内容与结果具有重要的学术意义和应用前景。..首先，针对高光谱图像数据分布的特点，研究了具有对称性、零均值、长拖尾特点的多重变量模型在高光谱图像数据分布建模中的应用，特别深入研究了高斯混合尺度（GSM）模型，其优势在于能够更精确的描述高光谱图像数据分布，从而保证后续处理的精度。并在此基础之上提出了GSM先验概率下的小波域贝叶斯融合算法。实验结果表明，该算法能够获得具有更高质量的融合结果（信噪比提高0.1-0.5dB），在噪声和光谱畸变抑制方面有着显著优势。..其次，以高光谱图像成像模型中的点扩展函数为基础，有效利用同一观测场景较高空间分辨率的全色或多光谱图像作为辅助信息，通过对成像模型的求逆运算提高高光谱观测图像的空间分辨率。并将图像融合技术与图像恢复技术相结合，提出了一种基于贝叶斯架构的估计算法，采用EM算法通过循环迭代的方式获得（近似）最优解。实验结果表明该算法能够在保留图像融合与恢复技术优点的同时从一定程度上克服其各自的缺点，从而获得更优的结果图像。为了能够合理并有效利用两组观测模型所提供的相关信息，又提出了基于EM算法的完整图像恢复架构，相邻两次迭代交替进行空间与光谱域恢复，实验结果表明，恢复结果的质量有了显著的提高（信噪比提高0.7dB左右）。..最后，项目组还开展了一些原定研究计划之外的探索性研究工作。采用线性混合模型并结合高/多光谱观测图像端元和丰度矩阵之间的退化关系，提出基于无约束最小二乘估计解混的高光谱图像空间分辨率提高算法，算法通过VCA端元提取、最小二乘法估计、端元和丰度矩阵耦合等步骤，最终获得目标图像。为了克服该算法对于端元数目的限制，项目组对观测图像数据的稀疏性开展了进一步的研究，并提出了基于稀疏约束解混的高光谱图像空间分辨率提高算法，在混合像元分解的过程中加入了稀疏约束，突破端元数目限制的同时还保证了图像结果的空间质量。