Understanding Pan-Sharpening via Generalized Inverse

要約

パンシャープニング アルゴリズムは、パンクロマティック画像とマルチスペクトル画像を利用して、高空間および高スペクトル画像を取得します。
ただし、アルゴリズムの最適化は異なる標準で設計されています。
パンシャープニング問題を説明するために単純な行列方程式を採用します。
溶液の存在条件とスペクトルおよび空間分解能の獲得について議論した。
空間およびスペクトルのダウンサンプリング行列をより適切に取得するために、ダウンサンプリング強化方法が導入されました。
一般化逆行列理論により、パンシャープニング法の 2 つの主要なクラス、つまりコンポーネント置換法と多重解像度分析法に対応できる 2 つの形式の一般逆行列定式化を導出しました。
具体的には、グラム シュミット アダプティブ (GSA) がコンポーネント置換の一般的な逆行列定式化に従うことが証明されました。
スペクトル関数の一般逆行列がレンダリングされる前のモデル。
理論上の誤差が分析されます。
合成実験と実データ実験を実施します。
提案された方法は、合成実験と実際の実験の両方において、他の方法よりも定性的に優れており、鮮明です。
実際の実験では、ダウンサンプル強化効果が定量的および定性的に優れた結果を示しています。
一般化された逆行列理論は、パンシャープニングをより深く理解するのに役立ちます。

要約(オリジナル)

Pan-sharpening algorithm utilizes panchromatic image and multispectral image to obtain a high spatial and high spectral image. However, the optimizations of the algorithms are designed with different standards. We adopt the simple matrix equation to describe the Pan-sharpening problem. The solution existence condition and the acquirement of spectral and spatial resolution are discussed. A down-sampling enhancement method was introduced for better acquiring the spatial and spectral down-sample matrices. By the generalized inverse theory, we derived two forms of general inverse matrix formulations that can correspond to the two prominent classes of Pan-sharpening methods, that is, component substitution and multi-resolution analysis methods. Specifically, the Gram Schmidt Adaptive(GSA) was proved to follow the general inverse matrix formulation of component substitution. A model prior to the general inverse matrix of the spectral function was rendered. The theoretical errors are analyzed. Synthetic experiments and real data experiments are implemented. The proposed methods are better and sharper than other methods qualitatively in both synthetic and real experiments. The down-sample enhancement effect is shown of better results both quantitatively and qualitatively in real experiments. The generalized inverse matrix theory help us better understand the Pan-sharpening.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google