基于双分辨率压缩测量矩阵分析的特征融合用于光谱图像分类

在压缩光谱成像(CSI)框架下,已提出不同架构用于从压缩测量中恢复高分辨率光谱图像。由于CSI架构紧凑地捕获了光谱图像的相关信息,近来提出了多种从压缩样本中提取分类特征的方法。然而,这些技术需要一种利用编码孔径模式中嵌入的信息对测量进行重排序的特征提取过程。本文提出了一种直接从双分辨率压缩测量中融合特征用于光谱图像分类的方法。更准确地说,该融合方法被表述为一个逆问题,从压缩测量中估计高空间分辨率和低维特征带。为此,利用编码孔径模式中嵌入的信息,将压缩测量描述为融合特征的退化版本的解码矩阵进行了数学建模。此外,我们在融合问题中加入了稀疏促进项和全变分(TV)正则化项,以考虑相邻像素间的相关性,从而提高基于像素的分类器精度。为求解该融合问题,我们描述了一种基于加速交替方向乘子法(accelerated-ADMM)的算法。另外,引入了包含所开发融合方法和多层神经网络的分类方案。最后,在三个遥感光谱图像和一组实验室捕获的压缩测量上对所提方法进行了评估。大量仿真表明,所提分类方法在各种性能指标下优于其他方法。