压缩感知启发式字典学习和空间光谱正则化的高光谱图像超分辨率

由于仪器和成像光学的局限性,很难获得高空间分辨率的高光谱图像(HSI)。 超分辨率(SR)图像旨在从同一场景的降级版本中推断出给定场景的高质量图像。 通过字典学习和空间光谱正则化,提出了一种新的高光谱图像超分辨率(HSI-SR)方法。 本文的主要贡献是双重的。 首先,受压缩感测(CS)框架的启发,为了学习高分辨率词典,我们鼓励在图像块上增强稀疏性,并提高所学习的词典和感测矩阵之间的连贯性。 因此,提出了一种稀疏性和不连贯性受限的字典学习方法,以实现更高效率的稀疏表示。 其次,提出了结合空间稀疏性正则项和新的局部频谱相似性保留项的变分正则化模型,以整合HSI的频谱信息和空间上下文信息。 实验结果表明,该方法可以有效地恢复空间信息,更好地保留光谱信息。 在客观测量和视觉评估方面,通过提出的方法重建的高空间分辨率HSI优于通过其他众所周知的方法重建的结果。