Super-résolution hyperspectrale d'images localement de faible rang à partir de données multisources complémentaires

Les images hyperspectrales de télédétection (HSI) sont souvent de faible rang, dans le sens où les données appartiennent à un sous-espace/manifold de basse dimension. Cela a été récemment exploité pour la fusion d'HSI à faible résolution spatiale avec des images multispectrales à haute résolution spatiale afin d'obtenir une HSI de super-résolution. La plupart des approches adoptent une perspective de désassemblage ou de factorisation de matrice. Les méthodes dérivées ont conduit à des résultats à la pointe de la technologie lorsque l'information spectrale se trouve dans un sous-espace/manifold de faible dimension. Cependant, si la dimensionnalité du sous-espace/manifold couverte par l'ensemble de données complet est grande, c'est-à-dire plus grande que le nombre de bandes multispectrales, la performance de ces méthodes diminue principalement parce que le problème de régression parcimonieuse sous-jacent est sévèrement mal posé. Dans cet article, nous proposons une approche locale pour faire face à cette difficulté. Fondamentalement, nous exploitons le fait que les HSI du monde réel sont localement de faible rang, c'est-à-dire que les pixels acquis d'un voisinage spatial donné couvrent un sous-espace/manifold de très faible dimension, c'est-à-dire inférieur ou égal au nombre de bandes multispectrales. Ainsi, nous proposons de partitionner l'image en patches et de résoudre le problème de fusion de données indépendamment pour chaque patch. De cette façon, dans chaque patch, la dimensionnalité du sous-espace/manifold est suffisamment basse, telle que le problème n'est plus mal posé. Nous proposons deux approches alternatives pour définir la super-résolution hyperspectrale à travers l'apprentissage de dictionnaires locaux utilisant des algorithmes d'induction d'endmembers. Nous explorons également deux alternatives pour définir les régions locales, en utilisant des fenêtres glissantes et des arbres de partition binaire. L'efficacité des approches proposées est illustrée par des données synthétiques et semi-réelles.