基于PgNet，如何实现高光谱影像数据分布变化下的全色融合？

本文共计546个文字，预计阅读时间需要3分钟。

相关专题内容，请提供具体信息以便进行修改和回答。

简介

高光谱和全色融合(Hyperpansharpening)指融合低空间分辨率、高光谱分辨率的高光谱影像和具有相反分辨率特征的全色影像来获得同时具有高空间、光谱分辨率的高光谱影像。由于两幅输入影像分辨率差异过大，该融合问题非常病态。而现有的融合方法大都关注于小比例融合，缺乏实用性。所以本文关注于大比例融合任务（ratio=16），并通过所设计的网络有效的注入空间细节，极大地缓解了该问题的病态性。

本文的融合方法首次从纠正数据分布的角度出发，即设计具有可解释性的细节注入子网络—PDIN，并利用多层上采样和像素级注意力机制来融合两幅影像。总体融合框架如下所示：

       

通过解混高光谱影像得到的丰度和端元可以以低复杂度和高精度来表达源影像，已经被广泛采用在高光谱处理领域。本文的融合过程是在丰度空间中进行的。采用自编码器的思想，即通过了编码到丰度(Part 1)—融合(Part 2,3)—解码到融合影像(Part 4)的过程。

该变换通过改变绿点像元的标准差来进行，即图中坐标横轴，把每个像元乘以特定的权重来移动到蓝点区域。值得注意的是，纵轴（全色强度）可以看成是一种约束或监督，即在变换过程中其对应的全色强度应保持不变。具体的推导过程篇幅较长故未写出，详细部分可以看论文。下面是所提出的全色细节注入子网络结构（PDIN）：