49、高光谱图像超分辨率及作物精准定位技术研究

高光谱图像超分辨率及作物精准定位技术研究

1. 引言

高光谱图像（HSIs）具有高光谱分辨率，能展现物体光谱维度的细微差异，在遥感、目标分类、产品检测等领域应用广泛。然而，受成像设备、数据存储和传输限制，高光谱分辨率往往会牺牲部分空间分辨率。相比之下，多光谱图像（MSIs）和 RGB 图像具有高空间分辨率和低光谱分辨率。近年来，融合低分辨率高光谱图像（LR - HSI）和高分辨率多光谱图像（HR - MSI）以获得高分辨率高光谱图像（HR - HSI）成为高光谱图像超分辨率的趋势。

同时，在农业领域，基于机器视觉的智能除草机器人面临着定位精度的问题。为提高除草刀具定位数据的准确性，相关研究也在不断推进。

2. 高光谱图像超分辨率方法

2.1 低秩张量 Tucker 分解原理

张量是矩阵的高阶推广，能很好地保持高阶数据的结构完整性。高光谱图像天然具有 3 阶张量结构，Tucker 分解是一种流行的张量分解方法，它将张量分解为核心张量与多个因子矩阵的乘积。与 CP 分解不同，Tucker 分解通过最小化核心张量和因子矩阵的秩来实现低秩约束。

在模型中，使用对数和范数而非常见的低秩范数（如核范数）来约束 Tucker 分解的因子矩阵，因为许多研究表明对数和范数对低秩核范数的松弛是合理且易于计算的。

2.2 加权 3D 总变差（TV）

总变差（TV）被认为能有效保持图像的局部平滑性。由于高光谱图像有长度、宽度和光谱段三个维度，因此采用加权 3D TV 并分别对三个方向进行加权，其定义如下：
[3DTV (A) = \sum_{ijk} w_1 |x_{ijk} - x