关键词:
高光谱和多光谱图像融合
反问题
正则化方法
张量建模
数值算法
摘要:
高光谱图像包含丰富的地物光谱信息,因此在灾害监测等领域得到了广泛的应用。然而,由于高光谱成像传感器的限制,观测的高光谱图像的空间分辨率较低,从而影响其后续应用。高光谱和多光谱图像融合旨在利用观测的低分辨率图像求解出具有高空间分辨率和高光谱分辨率的融合图像,为后续应用提供高质量的输入数据。从数学角度看,高光谱和多光谱图像融合问题通常属于严重病态反问题。基于正则化的优化模型和稳定算法是解决此类问题的有效方法。近年来,基于正则化的张量优化模型在刻画高分辨率高光谱图像先验知识方面取得了快速发展和显著成果。然而,仍然存在一些挑战,如对先验知识挖掘不充分等问题。为了解决这些问题,本文充分挖掘高分辨率高光谱图像固有的先验知识,如空间-光谱低秩性、空间-光谱分片平滑性和非局部自相似性。基于这些先验知识,提出了基于正则化的张量优化模型,并设计了高性能的模型求解算法,同时对算法的理论性质进行了分析。具体研究内容包括:
1.提出了一种基于张量子空间表示的迭代正则化融合模型,解决了现有的基于正则化的张量优化模型无法同时兼顾高分辨率高光谱图像的空间-光谱低秩结构和非局部自相似性的问题。该模型利用新兴的张量子空间表示来刻画空间-光谱低秩结构,并在张量子空间表示中的张量系数上引入张量核范数正则项,以约束非局部自相似性。为了求解该模型,设计了一种基于邻近交替最小化框架的算法。在此基础上,提出了一种迭代正则化算法,以解决现有融合方法中忽略低分辨率图像残差信息的问题,并对算法的计算复杂度进行了分析。数值试验结果表明,提出的方法得到了比对比方法更好的融合结果。
2.针对现有张量分解格式无法同时且精确地刻画高分辨率高光谱图像的二维空间和一维光谱结构特征的不足,提出了张量双因子分解格式。在此基础上,建立了一种耦合张量双因子分解的融合模型,设计了一种基于邻近交替最小化框架的算法来求解该模型,并分析了算法的计算复杂度和收敛性。数值试验结果表明,基于张量双因子分解的方法优于基于其他张量分解的方法。
3.为了解决现有基于正则化的张量优化模型忽略高分辨率高光谱图像空间-光谱分片平滑性的问题,提出了一种基于Tucker分解的单向全变分的融合模型。该模型在Tucker分解的三个因子矩阵上引入单向全变分正则项,以约束空间-光谱分片平滑性。为求解该模型,设计了一种基于邻近交替最小化框架的算法,并分析了其计算复杂度和数值收敛性。数值实验结果表明,所提出的方法在融合性能上优于对比方法。
4.针对现有基于稀疏矩阵分解的融合模型对高分辨率高光谱图像的先验知识挖掘不足的问题,提出了一种基于非局部低秩和非局部联合稀疏的系数矩阵估计模型。该模型将高分辨率高光谱图像的非局部自相似性转换为系数矩阵的非局部低秩性和非局部联合稀疏性,并分别引入了矩阵核范数正则项和加权(?)2,1范数正则项进行约束。提出了一种基于交替方向乘子法的算法来求解该模型,并分析了算法的计算复杂度和数值收敛性。数值试验结果表明,所提出的方法优于对比方法。