基于谱矩阵分解和空间稀疏性约束的多光谱图像联合空间谱分辨率增强
摘要
1.简介
1.1. HSI空间分辨率的提高
1.2. 光谱分辨率增强技术
同时提高空间和光谱分辨率,将空间和光谱增强步骤统一在一个框架中,将高分辨率光谱特征和空间信息作为交替求解过程中的相互约束。 据我们所知,这是第一次尝试。 为联合空间和光谱增强问题设计了光谱和空间观测模型。 在光谱和空间观测模型中引入虚拟中间变量LSpaHSpe和HSpaLSpe,以发现输入LR MSI和所需HR HSI之间的光谱/空间关系。 交替求解高光谱分辨率字典和相应的高空间分辨率丰度,以恢复高空间和光谱分辨率HSI。 LSpaHSpe和HSpaLSpe只是虚拟中间变量,不需要在所提出的方法中求解它们。 将提出的联合空间光谱增强算法应用于实际遥感数据,如目标场景的ALI/Hyperion(30 m,9个波段/30 m,242个波段),使用ALI(10 m)的PAN图像提供高空间分辨率特征,而使用之前的Hyperion HSI(30 m、242个频带) 在不同的场景上训练具有高光谱分辨率特征的光谱字典。 因此,目标场景的高空间和光谱分辨率Hyperion数据(10 m,242个波段)是从输入的LR ALI数据(30 m,9个波段)获得的。
2.空间观测模型和光谱观测模型
2.1. 空间观测模型
2.2. 光谱观测模型
3.提出的联合空间谱增强算法
3.1. 建立光谱观测模型求解光谱字典
3.2. 求解丰度的空间观测模型的建立
3.3. 联合空间谱增强算法
3.4. 解算器
3.4.1. 初始谱字典的求解
(1) 求解 关于固定
(2) 更新 关于固定的
3.4.2. 空间稀疏信息的解决方案
(1) 求解空间稀疏系数矩阵
(2) 求解空间稀疏系数矩阵 关于固定
3.4.3. 高空间分辨率丰度的求解
(1) 求解 关于固定 (2) 求解 关于固定
3.4.4. 高分辨率光谱字典的解决方案
(1) 更新 关于固定
(2) 求解 关于固定
4.实验结果
4.1. 模拟数据集实验
4.2. 联合空间和光谱增强框架的有效性
4.3. 真实数据集实验
4.4. 真实数据集上的谱分解
5.结论
作者贡献
基金
利益冲突
工具书类
杨,J。; 赵勇强。; Chan,J.C.W.学习并传输用于高光谱分类的深度联合光谱空间特征。 IEEE传输。 地质科学。 远程传感器。 2017 , 55 , 4729–4742. [ 谷歌学者 ] [ 交叉参考 ] Zhang,Y。; 杜,B。; 张,L。; Liu,T.联合稀疏表示和多任务学习用于高光谱目标检测。 IEEE传输。 地质科学。 远程传感器。 2017 , 55 , 894–906. [ 谷歌学者 ] [ 交叉参考 ] Lorente,D。; 北卡罗来纳州阿莱克索斯。; Gómez-Sanchis,J。; 库贝罗,S。; 加西亚·纳瓦雷特,O.L。; Blasco,J.高光谱成像在水果和蔬菜质量评估中的最新进展和应用。 食品生物工艺技术。 2012 , 5 , 1121–1142. [ 谷歌学者 ] [ 交叉参考 ] 横屋,N。; 陈,J.C.W。; Segl,K.使用模拟EnMAP和Sentinel-2图像进行矿物制图的分辨率增强高光谱数据潜力。 远程传感器。 2016 , 8 , 172. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Yi,C。; 赵勇强。; Chan,J.C.W.基于空间和光谱相关融合的高光谱图像超分辨率。 IEEE传输。 地质科学。 远程传感器。 2018 , 56 , 4165–4177. [ 谷歌学者 ] [ 交叉参考 ] 杨,J。; 赵勇强。; 陈,J.C.W。; Xiao,L.用于高光谱图像超分辨率的多尺度小波3D-CNN。 远程传感器。 2019 , 11 , 1557. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Loncan,L。; De Almeida,L.B.公司。; Bioucas-Dias,J.M。; 布利奥特,X。; 查努索,J。; 北多比根。; Fabre,S。; Liao,W。; 利奇亚迪,G.A。; 西蒙斯,M。; 等。高光谱泛锐化:综述。 IEEE地质科学。 远程传感器磁。 2015 , 三 , 27–46. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Dalla Mura,M。; Vivone,G。; Restaino,R。; Addesso,P。; Chanussot,J.高光谱泛锐化的全球和本地Gram-Schmidt方法。 2015年7月26日至31日,意大利米兰,IEEE国际地球科学和遥感研讨会论文集; 第37-40页。 [ 谷歌学者 ] 利奇亚迪,G.A。; M.M.Khan。; 查努索,J。; Montanvert,A。; 康达特,L。; Jutten,C.使用多分辨率分析和非线性PCA波段缩减融合高光谱和全色图像。 EURASIP J.高级信号处理。 2012 , 1 , 207. [ 谷歌学者 ] [ 交叉参考 ] Yang,S。; 张凯。; Wang,M.学习带空间谱偏移的泛锐化低阶分解。 IEEE传输。 神经网络。 学习。 系统。 2017 , 20 , 3647–3657. [ 谷歌学者 ] Yi,C。; 赵勇强。; 杨,J。; 陈,J.C.W。; Kong,S.G.联合高光谱超分辨率和分解与交互式反馈。 IEEE传输。 地质科学。 远程传感器。 2017 , 55 , 3823–3834. [ 谷歌学者 ] [ 交叉参考 ] 魏毅。; 袁,Q。; 沈,H。; Zhang,L.通过学习深度残差网络提高多光谱图像泛细化的准确性。 IEEE地质科学。 遥感快报。 2017 , 14 , 1795–1799. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 袁,Q。; 魏毅。; X孟。; 沈,H。; Zhang,L.一种用于遥感图像泛锐化的多尺度多深度卷积神经网络。 IEEE J.选择。 顶部。 申请。 地球目标遥感。 2018 , 11 , 978–989. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Chan,R.H。; Chan,T.F。; 沈,L。; Shen,Z.用于高分辨率图像重建的小波算法。 SIAM科学杂志。 计算。 2003 , 24 , 1408–1432. [ 谷歌学者 ] [ 交叉参考 ] M.T.艾斯曼。; Hardie,R.C.使用具有任意响应函数的高分辨率多光谱图像增强高光谱分辨率。 IEEE传输。 地质科学。 远程传感器。 2005 , 43 , 455–465. [ 谷歌学者 ] [ 交叉参考 ] 横屋,N。; Grohnfeldt,C。; Chanussot,J.高光谱和多光谱数据融合:近期文献的比较综述。 IEEE地质科学。 远程传感器磁。 2017 , 5 , 29–56. [ 谷歌学者 ] [ 交叉参考 ] 横屋,N。; Yairi,T。; Iwasaki,A.用于高光谱和多光谱数据融合的耦合非负矩阵分解分解。 IEEE传输。 地质科学。 远程传感器。 2012 , 50 , 528–537. [ 谷歌学者 ] [ 交叉参考 ] 北阿赫塔。; 沙法特,F。; Mian,A.高光谱图像超分辨率的贝叶斯稀疏表示。 2015年IEEE计算机视觉和模式识别会议(CVPR)论文集,美国马萨诸塞州波士顿,2015年6月7-12日; 第3631-3640页。 [ 谷歌学者 ] Dong,W。; Fu,F。; Shi,G。; 曹,X。; 吴杰。; 李·G。; Li,X.基于非负结构稀疏表示的高光谱图像超分辨率。 IEEE传输。 图像处理。 2016 , 25 , 2337–2352. [ 谷歌学者 ] [ 交叉参考 ] Yi,C。; 赵勇强。; Chan,J.C.-W.基于光谱改进策略和空间保留策略的多光谱图像光谱超分辨率。 IEEE传输。 地质科学。 远程传感器。 2019 , 57 , 9010–9024. [ 谷歌学者 ] [ 交叉参考 ] Chi,C。; Yoo,H.等人。; Ben-Ezra,M.优化宽带照明的多光谱成像。 国际期刊计算。 视觉。 2010 , 86 , 140. [ 谷歌学者 ] [ 交叉参考 ] Gat,N.使用可调谐滤波器的成像光谱学:综述。 程序。 SPIE公司 2000 , 4056 , 50–64. [ 谷歌学者 ] 哦,S.W。; 布朗,M.S。; Pollefeys,M。; Kim,S.J.使用日常数码相机进行高光谱成像。 2016年6月27日至30日在美国内华达州拉斯维加斯举行的2016 IEEE计算机视觉和模式识别会议(CVPR)会议记录; 第2461-2469页。 [ 谷歌学者 ] 太阳,X。; 张,L。; Yang,H。; Wu,T。; 岑,Y。; Guo,Y.提高遥感多光谱图像的光谱分辨率。 IEEE J.选择。 顶部。 申请。 地球目标遥感。 2015 , 8 , 2198–2211. [ 谷歌学者 ] [ 交叉参考 ] Arad,B。; Ben-Shahar,O.从自然RGB图像中稀疏恢复高光谱信号。 在 2016年计算机愿景-ECCV ; 施普林格:瑞士查姆,2016年; 第19-34页。 [ 谷歌学者 ] 吴杰。; 伊施巴赫,J。; Timofte,R.为从RGB图像进行浅层学习光谱重建辩护。 2017年10月22日至29日,在意大利威尼斯举行的2017年IEEE国际计算机视觉研讨会(ICCVW)会议记录中; 第471-479页。 [ 谷歌学者 ] 加利亚尼,S。; 拉纳拉斯,C。; Marmanis,D。; 巴尔扎维亚斯,E。; 辛德勒,K.学习了光谱超分辨。 arXiv公司 2017 ,arXiv:1703.09470。 在线可用: https://arxiv.org/abs/1703.09470 (2017年3月28日访问)。 Bioucas-Dias,J.M。; A广场。; 北多比根。; Parent,M。; 杜琪。; Gader,P。; Chanussot,J.高光谱分解概述:基于几何、统计和稀疏回归的方法。 IEEE J.选择。 顶部。 申请。 地球目标遥感。 2012 , 5 , 354–379. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 查克拉巴蒂,A。; Zickler,T.真实高光谱图像的统计。 2011年IEEE视觉模式识别(CVPR)会议记录,2011年6月20日至25日,美国罗得岛州普罗维登斯; 第193–200页。 [ 谷歌学者 ] 朱,X.X。; Bamler,R.稀疏图像融合算法及其在泛锐化中的应用。 IEEE传输。 地质科学。 远程传感器。 2013 , 51 , 2827–2836. [ 谷歌学者 ] [ 交叉参考 ] 薛,J。; Zhao,Y。; Liao,W。; Chan,J.C.W.非局部张量稀疏表示和低阶正则化用于高光谱图像压缩传感重建。 远程传感器。 2019 , 11 , 193. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 北卡罗来纳州凯沙瓦。; 芥末,J.F.光谱分解。 IEEE信号处理。 美格。 2002 , 19 , 44–57. [ 谷歌学者 ] [ 交叉参考 ] 北阿赫塔。; 沙法特,F。; Mian,A.用于高光谱图像超分辨率的稀疏空间光谱表示。 在 计算机视觉 ; 施普林格:瑞士查姆,2014年; 第63-78页。 [ 谷歌学者 ] 赵永清。; Yang,J.基于稀疏表示和低阶约束的高光谱图像去噪。 IEEE传输。 地质科学。 远程传感器。 2014 , 53 , 296–308. [ 谷歌学者 ] [ 交叉参考 ] 朱,X.X。; Grohnfeldt,C。; Bamler,R.利用关节稀疏性进行泛锐化:J-SparseFI算法。 IEEE传输。 地质科学。 远程传感器。 2016 , 54 , 2664–2681. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 亚哈龙,M。; Elad,M。; Bruckstein,A.K-SVD:为稀疏表示设计过完备字典的算法。 IEEE传输。 信号处理。 2006 , 54 , 4311–4322. [ 谷歌学者 ] [ 交叉参考 ] M.V.阿方索。; Bioucas-Dias,J.M。; Figueiredo,M.A.T.成像逆问题约束优化公式的增广拉格朗日方法。 IEEE传输。 图像处理。 2011 , 20 , 681–695. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] [ 绿色版本 ] 博伊德,S。; 北卡罗来纳州帕里赫。; 朱,E。; 佩莱托,B。; Eckstein,J.通过交替方向乘数法进行分布式优化和统计学习。 已找到。 趋势马赫数。 学习。 2011 , 三 , 1–122. [ 谷歌学者 ] [ 交叉参考 ] Daubechies,I。; Defrise,M。; De Mol,C.具有稀疏约束的线性反问题的迭代阈值算法。 Commun公司。 纯应用程序。 数学。 2004 , 57 , 1413–1457. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 弗里德曼,J。; 哈斯蒂,T。; Höfling,H。; Tibshirani,R.路径坐标优化。 附录申请。 统计师。 2007 , 1 , 302–332. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Donoho,D.L.对于大多数大型欠定方程组,最小1-范数近解近似于最稀疏的近解。 Commun公司。 纯应用程序。 数学。 2006 , 59 , 907–934. [ 谷歌学者 ] [ 交叉参考 ] Golub,G.H。; Van Loan,成本加运费。 矩阵计算 ; 约翰·霍普金斯大学出版社:美国马里兰州巴尔的摩,1983年。 [ 谷歌学者 ] Aiazzi,B。; 巴伦蒂,S。; Selva,M.通过MS的多元回归改进成分替代面板 $ + $ 平移数据。 IEEE传输。 地质科学。 远程传感器。 2007 , 45 , 3230–3239. [ 谷歌学者 ] [ 交叉参考 ] M.M.Khan。; 查努索,J。; 康达特,L。; Montanvert,A.Industion:使用感应缩放技术融合多光谱和全色图像。 IEEE地质科学。 遥感快报。 2008 , 5 , 98–102. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 薛,J。; Zhao,Y。; Liao,W。; Chan,J.C.W.用于高光谱图像去噪的非局部低秩正则张量分解。 IEEE传输。 地理位置。 远程传感器。 2019 , 57 , 5174–5189. [ 谷歌学者 ] [ 交叉参考 ] 王,Z。; 博维克,A.C。; 谢赫,H.R。; Simoncelli,E.P.图像质量评估:从错误可见性到结构相似性。 IEEE传输。 图像处理。 2004 , 13 , 600–612. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] 拉纳拉斯,C。; Baltsavias,大肠杆菌。; Schindler,K.K.具有光谱解混约束的超光谱超分辨率。 远程传感器。 2017 , 9 , 1196. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ] Wald,L.数据融合。 在 定义和建筑——不同空间分辨率图像的融合 ; 巴黎矿业大学:巴黎,法国,2002年。 [ 谷歌学者 ] 张,L。; 魏伟(Wei,W.)。; Bai,C。; 高,Y。; Zhang,Y.利用聚类流形结构实现高光谱图像超分辨率。 IEEE传输。 图像处理。 2018 , 27 , 5969–5982. [ 谷歌学者 ] [ 交叉参考 ] 福克曼,文学硕士。; 皮尔曼,J。; Liao,L.B。; Jarecke,P.J.EO-1/hyperion高光谱成像仪的设计、开发、表征和校准。 程序。 SPIE公司 2001 , 4151 , 40–51. [ 谷歌学者 ] 马,W.K。; Bioucas-Dias,J.M。; Chan,T.H。; Gillis,N。; Gader,P。; 新泽西州广场。; Chi,C.Y.高光谱分解的信号处理观点。 IEEE信号处理。 美格。 2014 , 31 , 67–81. [ 谷歌学者 ] [ 交叉参考 ] [ 绿色版本 ]