研究目的
利用非局部块张量稀疏表示，将低分辨率高光谱图像（LR-HSI）与高分辨率多光谱图像（HR-MSI）融合，以获得高分辨率高光谱图像（HR-HSI）。
研究成果
所提出的非局部块张量稀疏表示（NPTSR）方法能有效融合低分辨率高光谱图像（LR-HSI）与高分辨率多光谱图像（HR-MSI），生成具有优异空间和光谱保持度的高分辨率高光谱图像（HR-HSI）。该方法在多个数据集的定量指标和视觉质量上均优于现有最先进方法，展现出在实际场景中的鲁棒性和实用价值。
研究不足
该方法需要对真实数据进行光谱响应和模糊核的估计，这可能会引入误差。由于迭代处理和NPT分解，其计算时间比某些方法更高。性能取决于参数选择（如λ、β、r、Nk），需要进行调优。深度学习方法需要大量训练样本，在数据稀缺时适用性受限。
1：实验设计与方法选择：
该方法通过提取非局部相似图像块构建非局部图像块张量（NPTs），采用基于张量-张量积（t-product）的张量稀疏表示对这些NPTs进行建模，并设计融合非局部相似性、张量字典学习与张量稀疏编码的统一目标函数，使用交替方向乘子法（ADMM）求解优化问题。
2：样本选择与数据来源：
使用合成数据集（帕维亚大学、华盛顿特区购物中心、圣地亚哥）和真实数据集（内华达州杯岩区）。合成数据集依据Wald协议生成，通过参考高光谱图像（HSI）的下采样、模糊处理及噪声添加构建低分辨率高光谱图像（LR-HSI）与高分辨率多光谱图像（HR-MSI）。
3：实验设备与材料清单：
高光谱传感器（ROSIS、HYDICE、AVIRIS、Hyperion）、多光谱传感器（IKONOS、WorldView-3）及计算工具（用于离散傅里叶变换计算的Matlab软件）。
4：实验流程与操作步骤：
将高分辨率多光谱图像（HR-MSI）分割为重叠立方体，采用旅行商问题方法对非局部相似立方体分组形成NPTs，融合过程包含张量稀疏表示与ADMM优化，并通过迭代更新变量实现。
5：数据分析方法：
质量评估指标包括峰值信噪比（PSNR）、平均光谱角制图仪（SAM）、合成相对无量纲全局误差（ERGAS）及互相关系数（CC）。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
ROSIS
Reflective Optics System Imaging Spectrometer
Acquiring hyperspectral images
-
HYDICE
Hyperspectral Digital Imagery Collection Experiment
Acquiring hyperspectral images
-
AVIRIS
Airborne Visible/Infrared Imaging Spectrometer
Acquiring hyperspectral images
-
Hyperion
EO-1 Hyperion
Acquiring hyperspectral images
-
IKONOS
IKONOS
Acquiring multispectral images
-
WorldView-3
WorldView-3
Acquiring multispectral images
-
Matlab
MathWorks
Computational tool for DFT and other processing
-
登录查看剩余5件设备及参数对照表
查看全部
