融合光谱子空间和模型导向的高光谱图像超分辨率研究.pdfVIP

小型微型计算机系统2025年2月第2期

DOI:10.20009/j.cnki,21-1106/TP.2024-0022

JournalofChineseComputerSystemsVol.46No.22025

融合光谱子空间和模型导向的高光谱图像超分辨率研究

刘丛,梅海闽

（上海理工大学光电信息与计算机工程学院，上海200093）

E-mail:congl2014@usst.edu.cn

摘要：针对现有的基于深度学习的高光谱图像超分辨率重建方法无法通用于不同波段的高光谱图像以及缺乏可解释性等问

题.提出一种融合光谱子空间映射和模型引导的高光谱图像超分辨辩率算法.首先，使用光谱子空间分解将原始图像映射到低维

空间中，既可以增加光谱间的相关性又可以去除不同波段高光谱图像对网络的限制.其次，使用小波变换将稀疏矩阵分解为高

频特征和低频特征，挖掘图像中的纹理和结构等高频信息.再者，以超分辨率重建模型为指导，将ADMM分解后的子模型优化

展开为深度网络的形式，增加了深度网络设计的可解释性.最终，使用逆小波变换后将重建的系数矩阵映射到原始的全谱空间

中.实验表明，提出的方法在定量指标和主观视觉方面均表现优异.

关键词：高光谱图像；超分辨率；模型引导；光谱子空间；小波变换

中图分类号：TP391文献标识码：A文章编号：1000-1220(2025)02-0373-08

ResearchonHyperspectralImageSuper-resolutionReconstructionIntegratingSpectralSub-

spaceandModelGuided

LIUCong,MEIHaimin

(SchoolofOptical-ElectricalandComputerEngineering,UniversityofShanghaiforScienceandTechnology,Shanghai200093,China)

Abstract:Existingdeeplearningbasedhyperspectralimagesuper-resolutionreconstructionmethodsusuallycannotcommonbeapplied

invarioushyperspectralimageswithdifferentspectralbandsandalsolackofinterpretability.Thispaperintroducesaspectralsubspace

mappingandmodel-guidedsuper-resolutionapproachforhyperspectralimages.Initially,theoriginalhyperspectralimageismappedin-

toalow-dimensionalspacebyusingthespectralsubspacedecomposition,whichcannotonlyincreasethespectralcorrelationbutalso

removethelimitationofdifferentspectralbandsindifferenthyperspectralimages.Subsequently,thesparsematrixisdecomposedinto

thelow-frequencyandhigh-frequencybyusingthewavelettransformtocapturethehigh-frequencyinformationsuchasthetextureand

structureinformationintheimage.Furthermore,weapplythesuper-resolutionreconstructionmodelastheguidan