Modellbasierte Fusion von Multi- und Hyperspektralbildern unter Verwendung von PCA und Wavelets

In der Fernerkundung haben multispektrale (MS) und hyperspektrale (HS) Sensoren aufgrund von Kosten- und Komplexitätsfragen eine signifikant geringere räumliche Auflösung als panchromatische (PAN) Bilder. Kürzlich hat das Problem der Fusion von coregistrierten MS- und HS-Bildern an Bedeutung gewonnen. In diesem Papier schlagen wir eine neuartige Methode zur Fusion von MS/HS- und PAN-Bildern sowie von MS- und HS-Bildern vor. MS- und, noch mehr, HS-Bilder enthalten spektrale Redundanz, die eine Dimensionsreduktion der Daten durch Hauptkomponentenanalysen (PCA) sehr effizient macht. Die Fusion erfolgt im niederdimensionalen PCA-Unterraum; somit müssen wir nur die ersten paar Hauptkomponenten schätzen, anstatt jedes spektrale Reflexionsband, und ohne die spektrale und räumliche Qualität zu beeinträchtigen. Die Vorteile des Ansatzes sind deutlich geringere Rechenanforderungen und eine sehr hohe Toleranz gegenüber Rauschen in den beobachteten Daten. Es werden Beispiele präsentiert, die auf WorldView 2-Daten und einem simulierten Datensatz basieren, der auf einem realen HS-Bild mit und ohne hinzugefügtes Rauschen beruht.