सुपरसंपंजन के लिए समतल रूपरेखा: उप-क्षेत्र-आधारित नियमितीकरण के माध्यम से हाइपरस्पेक्ट्रल छवि

हाइपरस्पेक्ट्रल रिमोट सेंसिंग चित्र (HSIs) आमतौर पर उच्च स्पेक्ट्रल संकल्प और निम्न स्थानिक संकल्प रखते हैं। इसके विपरीत, मल्टीस्पेक्ट्रल चित्र (MSIs) आमतौर पर निम्न स्पेक्ट्रल और उच्च स्थानिक संकल्प रखते हैं। HSIs और MSIs के उच्च स्पेक्ट्रल और उच्च स्थानिक संकल्पों को जोड़ने वाली छवियों का अनुमान लगाने की समस्या एक डेटा फ्यूजन समस्या है, जो हाल की सक्रिय अनुसंधान का केंद्र रही है, क्योंकि एक ही भौगोलिक क्षेत्र से निकाली गई HSIs और MSIs की उपलब्धता बढ़ रही है। हम इस समस्या को एक समतल उद्देश्य कार्य के घटाव के रूप में तैयार करते हैं जिसमें दो द्विघात डेटा-फिटिंग शर्तें और एक किनारे-रखने वाला नियमितीकरण होता है। डेटा-फिटिंग शर्तें धुंधला, विभिन्न संकल्प और अनुप्रविता शोर को ध्यान में रखती हैं। नियमितीकरण, एक रूपांकित कुल परिवर्तन, खंड-दर-खंड चिकनी समाधान को बढ़ावा देता है जिनमें हाइपरस्पेक्ट्रल बैंड के साथ संरेखित अव्यवस्थाएँ होती हैं। विभिन्न स्थानिक संकल्पों के लिए डाउनसैंप्लिंग ऑपरेटर, नियमितीकरण की गैर-द्विघात और असमर्थ प्रकृति, और अनुमानित HSI का बहुत बड़ा आकार एक कठिन अनुकूलन समस्या में योगदान करते हैं। हम इन कठिनाइयों का सामना करते हैं कि HSIs आमतौर पर एक निम्न-आयामी उप-क्षेत्र में “जीवित” होती हैं और विभाजित संवर्धित लाग्रेंज संकुचन एल्गोरिदम (SALSA) को इस अनुकूलन समस्या के लिए तैयार करते हैं, जो बहुविधि दिशा पदों के नियामक (ADMM) का एक उदाहरण है, एक सुविधाजनक परिवर्तनीय विभाजन के माध्यम से। स्थानिक धुंधला और स्पेक्ट्रल रेखीय ऑपरेटरों को भी, क्रमशः, HSI और MSI अधिग्रहण प्रक्रियाओं से जुड़ा हुआ है, का अनुमान लगाया जाता है, और हम एक प्रभावी एल्गोरिदम प्राप्त करते हैं जो सर्वोत्तम तकनीक की तुलना में बेहतर प्रदर्शन करता है, जैसा कि अनुकरण और वास्तविक जीवन डेटा के साथ एक श्रृंखला के प्रयोगों में दिखाया गया है।