为位置感知高光谱图像融合构建非均降解模型

科学领域:

• 遥感 遥感 遥感 遥感
• 图像处理 图像处理
• 计算机视觉 计算机视觉

背景情况:

• 超光谱图像融合将低空间分辨率的超光谱图像 (LR-HSI) 与高空间分辨率的多光谱图像 (HR-MSI) 结合起来,以创建高空间分辨率的超光谱图像 (HR-HSI).
• 当前基于学习的融合方法经常使用简化的降解模型,导致不准确的训练和实际数据的性能差.
• 现有的方法无法考虑图像像素的不同降解特征,从而在降解和融合过程之间产生不匹配.

研究的目的:

• 开发更实用,更准确的基于学习的超光谱图像融合方法.
• 在核聚变网络培训中解决预定义或简化降解模型的局限性.
• 通过考虑非均降解,在现实场景中提高超光谱图像的融合性能.

主要方法:

• 提出了一个非统一的降解模型 (NUD) 来模拟LR-HSI和HR-MSI的不同降解.
• 引入了位置感知融合网络 (PAF),该网络使用位置编码来匹配与非均降解的融合过程.
• 设计了聚变网络以特定位置,与不均的降解特征保持一致.

主要成果:

• 实验结果证明了拟议的非均降解模型 (NUD) 的有效性.
• 位置感知融合网络 (PAF) 在超光谱图像融合性能上显示出显著的改进.
• 开发的方法提供了一个更准确的解决方案,用于HSI融合在实际,现实世界的条件下.

结论:

• 精确的降解建模和有效的网络设计对于增强基于学习的HSI融合至关重要.
• 拟议的非均降解模型 (NUD) 和位置感知融合网络 (PAF) 为HSI融合提供了一个实际的解决方案.
• 这些进步带来了更好的融合性能,特别是在不同像素降解的场景中.