Fusion von multispektralen und hyperspektralen Bildern basierend auf Subraumdarstellung und nicht lokalen Low-Rank-Regularisierung

Die Fusion von multispektralen Bildern (MSI) und hyperspektralen Bildern (HSI) ist eine beliebte Methode zur Super-Resolution-Rekonstruktion von HSI (HSI-SR). Das MSI-HSI-Fusionsproblem ist schlecht definiert und erfordert mehrere Bildpriorisierungen oder Regularisierungstermine, um genau gelöst zu werden, was eine herausfordernde Aufgabe darstellt. In diesem Papier schlagen wir ein MSI-HSI-Fusionsmodell über Subraumdarstellung und nicht lokale Low-Rank-Regularisierung (SRNLRR) vor. Das SRNLRR-Modell integriert die globalen spektralen Korrelationen und räumlichen nicht lokalen Ähnlichkeiten von HSI, um die Fusionsresultate zu verbessern, wobei die Priorisierungen sich gegenseitig ergänzen. Zuerst verwenden wir das Tensor-Matrix-Produkt der n-ten Stufe, um latentes hochräumliches HSI (HR-HSI) in den spektralen Subraum zu projizieren, um die spektrale Low-Rankheit zu erfassen und die rechnerische Komplexität zu reduzieren. Dann entwerfen wir, basierend auf der Low-Rank-Darstellung (LRR) und der nicht lokalen Verarbeitungsstrategie, eine räumliche nicht lokale LRR-Regularisierung (spa-NLRR) und eine spektrale globale LRR-Regularisierung (spe-GLRR). Diese beiden Regularisierungen analysieren die räumlichen nicht lokalen Ähnlichkeiten und die spektralen globalen Korrelationen aus einer intermedialen Sicht. Schließlich nutzen wir das Residual-Regularisierungsprogramm, um mehr Bildinformationen zu erhalten und in das Fusionsmodell einzuspeisen. Wir verwenden alternierende Minimierung (AM) Methoden zur Optimierung des SRNLRR-Modells und beschäftigen die Methode der alternierenden Richtungen (ADM) beim räumlichen/spektralen LRR-Lernen. Vergleichsexperimente zwischen der SRNLRR-Methode und sechs fortgeschrittenen Methoden auf drei HSI-Datensätzen zeigen die Überlegenheit unserer Methode.