Hyperspectral Super-Resolution via Interpretable Block-Term Tensor Modeling
Hyperspectral Super-Resolution via Interpretable Block-Term Tensor Modeling
复制标题
通过可解释的块项张量建模实现高光谱超分辨率
DOI：
10.1109/jstsp.2020.3045965
复制
发表时间：
2020-06
影响因子：
7.5
通讯作者：
Xi-Le Zhao
中科院分区：
文献类型：
--
作者：
Meng Ding;Xiao Fu;Ting-Zhu Huang;Jun Wang;Xi-Le Zhao
高光谱超分辨率（HSR）是将一对高光谱图像和多光谱图像进行融合，得到一幅超分辨率图像（SRI）。这项工作重温耦合张量分解（CTD）的HSR。绝大多数的HSR方法采取低秩矩阵恢复的观点。挑战在于，使用低秩矩阵模型恢复SRI的理论保证要么是难以捉摸的，要么是在严格的条件下得出的。最近的几个CTD为基础的方法，确保可恢复性的SRI在相对温和的条件下，利用代数性质的<italic>规范polyadic分解</italic>（CPD）和<italic>塔克</italic>分解模型，分别。然而，CPD和Tucker模型的潜在因素在光谱图像分析的背景下没有物理解释，这使得将先验信息的挑战，但使用先验往往是必不可少的，以提高在嘈杂的环境中的性能。这项工作采用了一种思想，即将光谱图像建模为张量，遵循具有多线性秩<inline-formula><tex-math notation="LaTeX">$（L_r，L_r，1）$</tex-math></inline-formula>项的块项分解模型（即，$<inline-formula><tex-math notation="LaTeX">{\mathsf {LL 1}}$</tex-math></inline-formula>模型），并将HSR问题公式化为耦合的<inline-formula><tex-math notation="LaTeX">${\mathsf {LL 1}}$</tex-math></inline-formula>张量分解问题。类似于现有的CTD方法，在温和条件下显示SRI的可恢复性。更重要的是，<inline-formula><tex-math notation="LaTeX">${\mathsf {LL 1}}$</tex-math></inline-formula>模型的潜在因素可以被解释为光谱图像的关键组成部分，即，端元的光谱特征和丰度图这种联系使我们能够将先前的信息用于性能增强。一个灵活的算法框架，可以与一系列的结构信息，提出了利用模型的可解释性。使用模拟和真实的数据显示的有效性。
Hyperspectral super-resolution (HSR) aims at fusing a pair of hyperspectral and multispectral images to recover a super-resolution image (SRI). This work revisits coupled tensor decomposition (CTD)-based HSR. The vast majority of the HSR approaches take a low-rank matrix recovery perspective. The challenge is that theoretical guarantees for recovering the SRI using low-rank matrix models are either elusive or derived under stringent conditions. A couple of recent CTD-based methods ensure recoverability for the SRI under relatively mild conditions, leveraging algebraic properties of the <italic>canonical polyadic decomposition</italic> (CPD) and the <italic>Tucker</italic> decomposition models, respectively. However, the latent factors of both the CPD and Tucker models have no physical interpretations in the context of spectral image analysis, which makes incorporating prior information challenging—but using priors is often essential for enhancing performance in noisy environments. This work employs an idea that models spectral images as tensors following the block-term decomposition model with multilinear rank-<inline-formula><tex-math notation="LaTeX">$(L_r,L_r,1)$</tex-math></inline-formula> terms (i.e., the <inline-formula><tex-math notation="LaTeX">${\mathsf {LL1}}$</tex-math></inline-formula> model) and formulates the HSR problem as a coupled <inline-formula><tex-math notation="LaTeX">${\mathsf {LL1}}$</tex-math></inline-formula> tensor decomposition problem. Similar to the existing CTD approaches, recoverability of the SRI is shown under mild conditions. More importantly, the latent factors of the <inline-formula><tex-math notation="LaTeX">${\mathsf {LL1}}$</tex-math></inline-formula> model can be interpreted as the key constituents of spectral images, i.e., the endmembers’ spectral signatures and abundance maps. This connection allows us to incorporate prior information for performance enhancement. A flexible algorithmic framework that can work with a series of structural information is proposed to take advantages of the model interpretability. The effectiveness is showcased using simulated and real data.
登录
查看更多内容
DOI：
10.1109/jstars.2012.2194696
发表时间：
2012-04-01
影响因子：
5.5
作者：
Bioucas-Dias, Jose M.;Plaza, Antonio;Chanussot, Jocelyn
通讯作者：
Chanussot, Jocelyn
DOI：
10.3390/rs10050800
发表时间：
2018-05
期刊：
Remote. Sens.
影响因子：
--
作者：
Jingxiang Yang;Yongqiang Zhao;J. Chan
通讯作者：
Jingxiang Yang;Yongqiang Zhao;J. Chan
影响因子：
10.6
作者：
Feiyun Zhu;Ying Wang;Bin Fan;Shiming Xiang;Gaofeng Meng;Chunhong Pan
通讯作者：
Feiyun Zhu;Ying Wang;Bin Fan;Shiming Xiang;Gaofeng Meng;Chunhong Pan
DOI：
10.1109/jstars.2016.2521898
发表时间：
2016-09-01
影响因子：
5.5
作者：
Aggarwal, Hemant Kumar;Majumdar, Angshul
通讯作者：
Majumdar, Angshul
影响因子：
1.5
作者：
De Lathauwer, Lieven
通讯作者：
De Lathauwer, Lieven