空谱张量结构化低秩与高阶几何先验联合驱动的变分Pan-sharpening模型与算法研究

The multispectral image has high spectral resolution, but low spatial resolution, so its applications, such as land feature and mineral classification, object recognition, and anomaly detection, are seriously restricted. Recently, the fusion of multispectral and panchromatic images is an effective approach to improve its spatial resolution. However, the main difficulties of pan-sharpening consist in how to efficiently combine spatial geometric feature transferring and spectral feature preserving. Thus, in this project, we aim to resolve the main difficulties of pan-sharpening. By use of the image tensor modeling and prior modeling theory, we model the imaging degeneration of panchromatic and multispectral images, as well as their tensor models and spatial-spectral feature tensor models, and then propose: 1) the tensor-based spatial-spectral feature jointly preserved higher-order geometry prior models; 2) the spatial-spectral feature tensor-based spatial-spectral structural low-rank prior models; 3) the spatial-spectral tensor structural low-rank and higher-order geometry priors jointly driven variational pan-sharpening models and the efficiently parallel algorithms. The research of this project will have an important guiding significance for the further analysis and applications of multispectral image.

多光谱图像光谱分辨率高，但空间分辨率低，因此严重制约了其在地物分类、目标识别和异常检测中的后续应用。与全色图像进行融合的Pan-sharpening方法是提高多光谱图像空间分辨率的有效途径。然而，Pan-sharpening方法的主要难点是如何有效兼顾空间几何特征迁移和光谱特征保真，实现高效融合。因此，本项目主要解决全色与多光谱图像Pan-sharpening融合的这一技术难点，以图像张量建模和图像先验建模理论为主线，建立全色与多光谱图像成像退化模型，以及全色与多光谱图像的张量模型与空谱特征张量模型，并研究：1）基于张量的空谱特征联合保持的高阶几何先验建模；2）基于空谱特征张量的空谱结构化低秩先验建模；3）空谱张量结构化低秩与高阶几何先验联合驱动的变分Pan-sharpening模型及其高效并行算法。本项目的研究对于多光谱图像后续分析与应用具有重要的指导意义。

多光谱图像光谱分辨率高，但空间分辨率低，因此严重制约了其在地物分类、目标识别和异常检测中的后续应用。与全色图像进行融合的Pan-sharpening技术是目前提高多光谱图像空间分辨率的有效途径。然而，Pan-sharpening方法的主要难点是如何有效兼顾空间几何特征和光谱特征的联合保持，实现高效融合。. 因此，本研究主要解决如何有效兼顾空间几何特征和光谱特征的联合保持并实现高效融合这一技术难点，以图像张量建模、结构化低秩先验与高阶几何先验建模理论为主线，从物理意义分析并建立多光谱与全色图像的退化模型，提出了系列空谱张量结构化低秩与高阶几何先验联合驱动的变分Pan-sharpening模型与算法，主要如下：.（1）基于空谱张量梯度差分非凸稀疏先验的非凸Pan-sharpening模型与算法；.（2）多成分结构一致性稀疏先验驱动的同时分解与Pan-sharpening模型与算法；.（3）高阶Hessian特征与空谱特征一致性先验联合驱动的变分Pan-sharpening模型与算法；.（4）基于抠图模型的变分分数阶梯度特征迁移Pan-sharpening模型与算法；.（5）高阶TGV先验驱动的变分Pan-sharpening模型与算法；.（6）基于GIHS变换域的高阶Hessian特征与梯度特征迁移变分Pan-sharpening模型与算法；.（7）基于空谱各向异性张量TV的自适应Pan-sharpening模型与算法。. 经大量仿真数据和真实数据实验研究表明，本项目所提出的模型和算法能够有效提高多光谱图像的空间分辨率，同时有效兼顾了空间几何特征和光谱特征的联合保持，提高了融合的质量和效率，极大地促进了多光谱图像在地物矿产分类、目标识别和异常检测中的后续应用。