Key points are not available for this paper at this time.
Bien que les images hyperspectrales (HS) jouent un rôle significatif dans de nombreuses applications, elles souffrent souvent de problèmes tels qu'une faible résolution spatiale, une faible résolution temporelle, et certaines des bandes spectrales acquises ont soit un faible rapport signal sur bruit (SNR), soit sont invalides en raison d'un niveau de bruit très élevé. Pour résoudre ce problème, une méthode de super-résolution spectrale est proposée dans cet article pour récupérer une image HS à haute résolution spectrale à partir d'images multispectrales (MS). L'image HS reconstruite aura la même résolution spatiale et la même couverture que l'image MS d'entrée. La méthode proposée implique une stratégie d'amélioration spectrale et une stratégie de préservation spatiale. Pour la stratégie d'amélioration spectrale, des paires d'images MS/HS auxiliaires de différents paysages sont exploitées pour estimer la relation de réponse spectrale afin qu'une image HS soit obtenue comme résultat intermédiaire. Ensuite, un apprentissage de dictionnaire spectral est exploité pour récupérer un résultat de reconstruction spectrale plus précis. La stratégie de préservation spatiale est utilisée comme contrainte spatiale pour garantir la cohérence spatiale. De plus, la propriété de faible rang de l'image HS est également introduite pour tirer parti de la cohérence spectrale globale parmi les bandes HS. Des expériences sont réalisées sur des ensembles de données simulés et réels, y compris l'amélioration spectrale de l'image RGB et l'image MS générée par les données AVIRIS et les données MS/HS réelles (ALI et Hyperion) capturées par le satellite Earth Observing-1 (EO-1). Les résultats expérimentaux démontrent la supériorité de notre méthode proposée par rapport à d'autres méthodes à la pointe de la technologie.
Yi et al. (Jeu,) ont étudié cette question.