三步融合方法
Three-Step Fusion Method
结合图像去噪、光谱特征增强、空间特征增强的高光谱图像超分辨率融合方法。
图像去噪
不同标准差的高斯模糊核处理，有效减少噪声
特征增强
通道注意力+空间注意力，增强关键信息
特征聚合
利用增强的相关性，重建高分辨率图像
步骤① 图像去噪
通过使用不同标准差的高斯模糊核对高光谱与多光谱图像进行处理，有效减少噪声。
高斯模糊核
- 不同标准差参数
- 针对不同模态图像
- 抑制高频噪声
去噪效果
- 有效减少噪声干扰
- 保留关键特征信息
- 提升融合质量
步骤② 特征增强
引入通道注意力和空间注意力，增强图像关键信息，获得更好的空间和光谱相关性。
通道注意力机制
核心功能
自适应校准通道权重，增强关键光谱特征
实现方式
全局平均池化+全连接层+激活函数
应用效果
强化有用特征，抑制冗余信息
空间注意力机制
核心功能
增强关键区域特征响应，捕获空间上下文
实现方式
跨通道池化+卷积层+激活函数
应用效果
保持空间细节，建模长距离依赖
步骤③ 特征聚合与重建
利用增强的空间和光谱相关性，将映射得到的高分辨率图像特征聚合起来，重建出高空间分辨率的高光谱图像。
特征映射
将低分辨率特征映射到高分辨率空间
特征融合
聚合多模态增强特征
图像重建
生成高分辨率高光谱图像
实验结果
在ZY-m和Chikusei数据集上进行验证，显著优于现有方法。
PSNR指标
较次优方法SMGU-Net提升 2.8%
较次优方法DDIF提升 1.70%
SAM指标
较次优方法SMGU-Net降低 14.28%
较次优方法DDIF降低 5.26%
深度学习融合方法分类
基于CNN的融合方法
单分支网络
3D-CNN、残差网络、密集连接网络
多分支网络
异构处理、多尺度融合、双分支结构
基于注意力机制的融合方法
通道注意力
SENet、通道权重校准
空间注意力
CBAM、关键区域增强
非局部注意力
长距离依赖建模
基于扩散模型的融合方法
利用扩散过程生成高质量图像，DDIF等方法
方法优势
有效去噪
高斯模糊核处理，减少噪声干扰
特征增强
双重注意力机制，强化关键信息
性能卓越
光谱保真度高，空间细节丰富