基于非负稀疏表示的高光谱图像超分辨率提升方法

0 下载量 107 浏览量 更新于2024-08-28 收藏 320KB PDF 举报
本文主要探讨的是高光谱图像超分辨率(Hyperspectral Image Super-resolution, HISR)领域的研究,特别是在解决传统非负矩阵分解方法在效率上的局限性方面。非因子化稀疏表示(Non-factorization Sparse Representation, NFSR)和字典学习(Dictionary Learning)被结合到这一问题中,提出了一种名为NFSRDL(Non-negative Factorization-based Spectral Dictionary Learning)的方法。 首先,NFSRDL的关键步骤是构建一个高效的光谱字典。通过对具有相同或相似空间分辨率的低光谱分辨率图像进行分析,利用字典学习技术,特别是针对高光谱图像的数据特性,生成能够捕捉光谱特征的光谱字典。这种方法有助于提高表示的灵活性和准确性,从而更好地重建高光谱图像。 接着,通过采用非负约束的交替方向方法(Alternating Direction Method of Multipliers, ADMM)算法,NFSRDL能够在保持非负性的前提下,估计高分辨率图像与预学习字典之间的稀疏表示。非负约束确保了重建图像的物理合理性,而稀疏编码则降低了冗余信息,提高了重建的精度。 实验结果显示,相比于当前最新的超分辨率技术,NFSRDL在处理高光谱图像时表现出显著的优势。在相同的场景下,NFSRDL能够提升平均峰值信噪比(Peak Signal-to-Noise Ratio, PSNR)大约1.3282分贝,并降低结构相似度指数(Structural Similarity Index, SSIM)或相似度平均绝对误差(Mean Absolute Error, MAE)约0.0476。在相似场景中,提升更为明显,PSNR超过3.1207分贝,而SAM(Structural Dissimilarity, SD)减小了0.4344。 NFSRDL通过非因子化稀疏表示和字典学习的有效融合,为高光谱图像超分辨率提供了一个新颖且性能优越的解决方案,尤其在处理复杂场景和有限计算资源的异构系统中展现出其价值。这项研究不仅推动了高光谱图像处理技术的发展,也为其他领域,如遥感和地球观测,提供了有益的启示。