Hyperspectral Image Super-Resolution via Non-Negative Structured Sparse Representation论文阅读笔记
II. PROBLEM FORMULATION
本文目标:
从一幅LR高光谱图像和一副同样场景的HR RGB图像
中恢复一副HR高光谱图像
。
其中,和
分别表示Z和X的像素总数,L是Z的光谱数(L>>3)。
X和Y都可以表达成希望恢复的HR高光谱图像Z的线性组合:
其中,表示退化矩阵(模糊和下采样),P是一个变换矩阵将Z映射到它的RGB表达Y。因为X和Y的总测量值个数远小于未知Z的总个数,即
,所以从X和Y中恢复Z是一个不适定(ill-posed)问题,常用利用未知Z的先验知识的正则化方法解决。
稀疏先验在高光谱图像重建方面的不适定问题是有效的,其假设目标图像Z的每个像素可以表示为少数不同的谱间特征的线性组合:
其中,是谱间字典,
是稀疏的the fractional abundance vector ,
是估计误差。D的每一列表示该场景覆盖物质的辐射向量。
因为观察到的高光谱图像,所以X中的每个像素
可表示为:
其中,代表位置i处的窗
的加权系数,
是一个稀疏向量。
对于HR RGB图像Y,可以表示为:
由此可看出,给定一个谱间字典D,稀疏向量可以从Y中估计得到。
III.PROPOSED METHOD
根据式(2),我们可以将Z重写为:
其中,系数矩阵,但是,式(5)中谱间字典D和系数矩阵A都未知。本文打算利用X和Y来估计D和A。
A. Spectral Dictionary Learning
因为LR高光谱图像X的每个像素可以表示为少数谱特征的线性组合,我们可以从X中估计D:
式(3)的矩阵形式可以写为:
其中,是系数矩阵,V是估计误差矩阵,假设为加性高斯噪声。B和D都未知。
谱间字典D的估计可通过解决下面的稀疏非负矩阵分解问题得到:
本文中,受启发于K-SVD和ODL(online dictionary learning)算法,我们提出一种高效的非负DL算法,其在每次迭代中通过一个闭解更新每个原子。对于一个固定的D,对于B的子问题变为:
使用ADMM算法解决式(8):
式(8)可写成:
式(9)的增广拉格朗日函数为:
是拉格朗日乘子
。
则解决式(9)包含以下迭代步骤:
其中,j是迭代次数。并且,S,B更新方式分别为:
其中,是软收缩算子,并且
对于固定的B,D通过下式进行更新:
在本文中,与ODL方法类似,我们提出采用block coordinate descent 解决式(14),即在非负约束下,每次迭代中更新D的一列同时保持其他列固定。令表示第t次迭代后的字典,
则
可以通过求解式(15)得到:
其中,
算法描述: