基于非负稀疏表示的高光谱图像超分辨率提升方法

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。