Pansharpening von multispektralen Bildern basierend auf nicht lokalen Parameteroptimierungen

Hochwertige panscharpente multispektrale (MS) Bilder werden selten von schnellen, effizienten und robusten Algorithmen erhalten. In den meisten Fällen haben effektive Pansharpening-Methoden eine enorme rechnerische Komplexität, wie im Fall von variationalen Methoden oder Algorithmen, die auf sparsamen Darstellungen basieren. Darüber hinaus sind Injektionsmodelle oft anwendungsspezifisch, nicht ausreichend allgemein, um auf verschiedene Szenarien angewendet zu werden, und die resultierenden Algorithmus-Implementierungen können keine großen Bilder verarbeiten. Die vorgeschlagene Pansharpening-Methode ist genau und schnell und kann erfolgreich auf große Bilder angewendet werden. Sie löst auch das Problem von kontextadaptiven Schema, die die räumlichen Injektionsparameter auf lokalen Statistiken abstimmen: Instabilitäten und blockartige Artefakte können durch Pansharpening-Methoden erzeugt werden, deren Parameter auf lokalen Fenstern berechnet werden. Die vorgeschlagene Methode ist eine Erweiterung der klassischen Komponenten-Ersatz-Algorithmen: Ein optimales Detailbild (im mmse-Sinn), das aus dem panchromatischen Band extrahiert wurde, wird für jedes MS-Band berechnet, indem bandabhängige generalisierte Intensitäten evaluiert werden. Es überwindet die fensterbasierte lokale Schätzung der Parameter, indem es eine nicht lokale Parameteroptimierung durch K-means-Clustering anwendet. Sehr hohe Qualitätsscores, sowohl bei degraded als auch bei vollständigem Maßstab, und hervorragende visuelle Qualität der fusionierten Bilder zeigen die Gültigkeit der Methode.