Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Gia Tăng Độ Phân Giải Mở Rộng Của Hình Ảnh Siêu Phổ Thông Qua Mã Hóa Thưa Không Âm Tính
Tóm tắt
Các hình ảnh RGB độ phân giải cao (HR) thường được tạo ra bằng cách lấy mẫu thưa thớt phổ nhìn thấy, nhưng không tạo ra được các chế độ phân biệt cho các tác vụ thị giác máy tính. Do đó, các tác vụ thị giác máy tính phải dựa vào các cấu trúc lớn trong hình ảnh như góc cạnh, cạnh, v.v. thay vì chỉ dựa vào độ phản xạ ghi lại của các đối tượng hoặc vật liệu tại mỗi pixel trong một cảnh. So với RGB, hình ảnh siêu phổ cho phép các pixel ghi lại độ phản xạ của cảnh qua nhiều băng tần liên tục, dẫn đến các chế độ phân biệt phong phú. Tuy nhiên, mặc dù hình ảnh siêu phổ có ngày càng nhiều ứng dụng từ nông nghiệp, giám sát, khoáng vật học, chế biến thực phẩm đến chăm sóc mắt, nhưng vẫn bị hạn chế bởi độ phân giải không gian thấp do các giới hạn về phần cứng cảm biến. Trong bài báo này, chúng tôi đề xuất một kỹ thuật siêu phân giải siêu phổ nhằm tạo ra hình ảnh siêu phổ độ phân giải cao (HR) với hỗ trợ phổ từ 400 đến 1020 nm từ một hình ảnh siêu phổ độ phân giải thấp (LR) có hỗ trợ phổ giống như vậy và một hình ảnh đa phổ độ phân giải cao (RGB) với hỗ trợ phổ bị giảm từ 400 đến 700 nm. Ở bước đầu tiên, chúng tôi tạo ra một ưu thế siêu phổ HR bằng cách ước lượng các hình ảnh băng tần siêu phổ HR trong hỗ trợ phổ từ 400 đến 700 nm thông qua việc chuyển chi tiết và tối thiểu hóa luân phiên. Ở bước tiếp theo, chúng tôi sử dụng ưu thế HR đã tạo ra để tiếp tục ước lượng các hình ảnh siêu phổ HR cho các băng tần 710–1020 nm bằng cách học một từ điển không âm về các dấu hiệu quang phản xạ của tất cả các vật liệu có trong cảnh từ hình ảnh siêu phổ LR với hỗ trợ phổ 400–1020 nm. Với ưu thế siêu phổ HR đã ước lượng và từ điển đã học, chúng tôi dự đoán các mã thưa không âm cho các hình ảnh băng tần siêu phổ HR trong băng tần 710–1020 nm.
Từ khóa
#siêu phổ; siêu phân giải; thị giác máy tính; mã hóa thưa không âm; phản xạ quangTài liệu tham khảo
Aharon, M., Elad, M., & Bruckstein, A. (2006). K-svd: An algorithm for designing overcomplete dictionaries for sparse representation. IEEE Transactions on signal processing, 54(11), 4311–4322.
Aiazzi, B., Alparone, L., Baronti, S., & Garzelli, A. (2002). Context-driven fusion of high spatial and spectral resolution images based on oversampled multiresolution analysis. IEEE Transactions on Geoscience and Remote Sensing, 40(10), 2300–2312.
Akhtar, N., Shafait, F., & Mian, A. (2015). Bayesian sparse representation for hyperspectral image super resolution. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 3631–3640).
Alparone, L., Wald, L., Chanussot, J., Thomas, C., Gamba, P., & Bruce, L. M. (2007). Comparison of pansharpening algorithms: Outcome of the 2006 GRS-S data-fusion contest. IEEE Transactions on Geoscience and Remote Sensing, 45(10), 3012–3021.
Arad, B., & Ben-Shahar, O. (2016). Sparse recovery of hyperspectral signal from natural rgb images. In European conference on computer vision (pp. 19–34). Springer.
Bioucas-Dias, J. M., & Figueiredo, M. A. T. (2010). Alternating direction algorithms for constrained sparse regression: Application to hyperspectral unmixing. In 2010 2nd workshop on hyperspectral image and signal processing: Evolution in remote sensing (WHISPERS) (pp. 1–4). IEEE.
Bolte, J., Sabach, S., & Teboulle, M. (2014). Proximal alternating linearized minimization for nonconvex and nonsmooth problems. Mathematical Programming, 146(1–2), 459–494.
Boyd, S., Parikh, N., Chu, E., Peleato, B., & Eckstein, J. (2011). Distributed optimization and statistical learning via the alternating direction method of multipliers. Foundations and Trends® in Machine Learning, 3(1), 1–122.
Burt, P., & Adelson, E. (1983). The laplacian pyramid as a compact image code. IEEE Transactions on communications, 31(4), 532–540.
Carper, W. J. (1990). The use of intensity-hue-saturation transformations for merging spot panchromatic and multispectral image data. Photogrammetric Engineering and Remote Sensing, 56(4), 457–467.
Chavez, P., Sides, S. C., Anderson, J. A., et al. (1991). Comparison of three different methods to merge multiresolution and multispectral data- landsat tm and spot panchromatic. Photogrammetric Engineering and Remote Sensing, 57(3), 295–303.
Dong, W., Fazuo, F., Shi, G., Cao, X., Jinjian, W., Li, G., et al. (2016). Hyperspectral image super-resolution via non-negative structured sparse representation. IEEE Transactions on Image Processing, 25(5), 2337–2352.
Du, Q., Younan, N. H., King, R., & Shah, V. P. (2007). On the performance evaluation of pan-sharpening techniques. IEEE Geoscience and Remote Sensing Letters, 4(4), 518–522.
Elad, M. (2010). Pursuit algorithms. Sparse and redundant representations from theory to applications in signal and image processing (pp. 55–77). New York: Springer.
Gonzalez, E. F., & Zhang, Y. (2005). Accelerating the Lee-Seung algorithm for nonnegative matrix factorization. Technical report.
Hu, J., & Li, S. (2011). Fusion of panchromatic and multispectral images using multiscale dual bilateral filter. In 2011 18th IEEE international conference on image processing (ICIP) (pp. 1489–1492). IEEE.
Hu, J., & Li, S. (2012). The multiscale directional bilateral filter and its application to multisensor image fusion. Information Fusion, 13(3), 196–206.
Imai, F. H., & Berns, R. S. (1998). High-resolution multi-spectral image archives: a hybrid approach. In Color and imaging conference (Vol. 1998, pp. 224–227). Society for Imaging Science and Technology.
Kawakami, R., Matsushita, Y., Wright, J., Ben-Ezra, M., Tai, Y.-W., & Ikeuchi, K. (2011). High-resolution hyperspectral imaging via matrix factorization. In 2011 IEEE conference on computer vision and pattern recognition (CVPR) (pp. 2329–2336). IEEE.
Keshava, N., & Mustard, J. F. (2002). Spectral unmixing. IEEE Signal Processing Magazine, 19(1), 44–57.
Lanaras, C., Baltsavias, E., & Schindler, K. (2015). Hyperspectral super-resolution by coupled spectral unmixing. In Proceedings of the IEEE international conference on computer vision (pp. 3586–3594).
Lee, D. D., & Seung, H. S. (2001). Algorithms for non-negative matrix factorization. In Advances in neural information processing systems (pp. 556–562).
Mairal, J., Bach, F., Ponce, J., & Sapiro, G. (2009). Online dictionary learning for sparse coding. In Proceedings of the 26th annual international conference on machine learning (pp. 689–696). ACM.
Manolakis, D., Marden, D., & Shaw, G. A. (2003). Hyperspectral image processing for automatic target detection applications. Lincoln Laboratory Journal, 14(1), 79–116.
Nascimento, J. M. P., & Dias, J. M. B. (2005). Vertex component analysis: A fast algorithm to unmix hyperspectral data. IEEE Transactions on Geoscience and Remote Sensing, 43(4), 898–910.
Paatero, P., & Tapper, U. (1994). Positive matrix factorization: A non-negative factor model with optimal utilization of error estimates of data values. Environmetrics, 5(2), 111–126.
Pan, Z., Healey, G., Prasad, M., & Tromberg, B. (2003). Face recognition in hyperspectral images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 25(12), 1552–1560.
Petschnigg, G., Szeliski, R., Agrawala, M., Cohen, M., Hoppe, H., & Toyama, K. (2004). Digital photography with flash and no-flash image pairs. ACM Transactions on Graphics (TOG), 23(3), 664–672.
Resmini, R. G., Kappus, M. E., Aldrich, W. S., Harsanyi, J. C., & Anderson, M. (1997). Mineral mapping with hyperspectral digital imagery collection experiment (hydice) sensor data at cuprite, Nevada, USA. International Journal of Remote Sensing, 18(7), 1553–1570.
Sun, D. L., & Fevotte, C. (2014). Alternating direction method of multipliers for non-negative matrix factorization with the beta-divergence. In 2014 IEEE international conference on acoustics, speech and signal processing (ICASSP) (pp. 6201–6205). IEEE.
Van Nguyen, H., Banerjee, A., & Chellappa, R. (2010). Tracking via object reflectance using a hyperspectral video camera. In 2010 IEEE computer society conference on computer vision and pattern recognition workshops (CVPRW) (pp. 44–51). IEEE.
Wald, L. (2000). Quality of high resolution synthesised images: Is there a simple criterion? In Third conference “Fusion of Earth data: Merging point measurements, raster maps and remotely sensed images” (pp. 99–103). SEE/URISCA.
Wang, Z., Ziou, D., Armenakis, C., Li, D., & Li, Q. (2005). A comparative analysis of image fusion methods. IEEE Transactions on Geoscience and Remote Sensing, 43(6), 1391–1402.
Wei, Q., Bioucas-Dias, J., Dobigeon, N., & Tourneret, J.-Y. (2015). Hyperspectral and multispectral image fusion based on a sparse representation. IEEE Transactions on Geoscience and Remote Sensing, 53(7), 3658–3668.
Wycoff, E., Chan, T.-H., Jia, K., Ma, W.-K., & Ma, Y. (2013). A non-negative sparse promoting algorithm for high resolution hyperspectral imaging. In 2013 IEEE international conference on acoustics, speech and signal processing (ICASSP) (pp. 1409–1413). IEEE.
Yasuma, F., Mitsunaga, T., Iso, D., & Nayar, S. K. (2010). Generalized assorted pixel camera: Postcapture control of resolution, dynamic range, and spectrum. IEEE Transactions on Image Processing, 19(9), 2241–2253.
Yokoya, N., Yairi, T., & Iwasaki, A. (2012). Coupled nonnegative matrix factorization unmixing for hyperspectral and multispectral data fusion. IEEE Transactions on Geoscience and Remote Sensing, 50(2), 528–537.
Yuhas, R. H., Goetz, A. F. H., & Boardman, J. W. (1992). Discrimination among semi-arid landscape endmembers using the spectral angle mapper (sam) algorithm. JPL, Summaries of the third annual JPL airborne geoscience workshop (Vol. 1, pp. 147–149).