Contexto:

Los sistemas de adquisición de imágenes hiperespectrales (HS) son comúnmente usados en un rango diverso de aplicaciones que involucran tareas de detección y clasificación. Sin embargo, la baja resolución de imágenes hiperespectrales podría limitar el rendimiento de las tareas relacionadas con dichas aplicaciones. En los últimos años, fusionar la información de una imagen HS con imágenes multiespectrales (MS) o pancromáticas (PAN) de alta resolución espacial ha sido ampliamente usado para mejorar la resolución espacial de la imagen HS. La fusión de imágenes ha sido formulada como un problema inverso cuya solución es una imagen HS de alta resolución espacial, la cual se asume escasa en un diccionario analítico o aprendido. Por otra parte, el desmezclado espectral es un procedimiento en donde el espectro medido de un píxel mezclado es descompuesto en una colección de firmas espectrales que hacen referencia a las firmas puras de la imagen y mapas de abundancia que indican la porción de cada firma pura presente en un píxel especifico.

Método:

Este trabajo propone un modelo de representación escasa, centralizado y no local sobre un conjunto de diccionarios aprendidos para regularizar el problema de fusión convencional. Los diccionarios son aprendidos a partir de los mapas de abundancia estimados para explotar la correlación entre mapas de abundancia y la auto-similitud no local sobre el dominio espacial. Luego, condicionalmente sobre los diccionarios aprendidos, el problema de fusión es solucionado por un algoritmo numérico iterativo y alternante.

Resultados:

Después de usar datos reales, los resultados muestran que el método propuesto supera los métodos del estado del arte bajo diferentes métricas cuantitativas.

Conclusiones:

Este modelo permite incluir la redundancia no local en el problema de fusión de imágenes hiperespectral y multiespectral sobre los mapas de abundancia usando desmezclado espectral, mejorando los resultados de los métodos de fusión basados en el modelo de escasez tradicional.

Financiamiento:

Proyecto Vicerrectoría de Investigación y Extensión of Universidad Industrial de Santander (Código VIE 2521).