Search

L’observation de la Terre à l’échelle locale nécessite de disposer d’images hautement résolues spatialement et spectralement. Les capteurs ne pouvant offrir simultanément de telles résolutions, une solution consiste à exploiter des images acquises par deux instruments optiques différents. Les méthodes de pansharpening hyperspectral, notamment, permettentde combiner une image panchromatique, à haute résolution spatiale, avec une image hyperspectrale, à haute résolution spectrale, afin de générer une nouvelle image hautement résolue spatialement et spectralement. De telles méthodes présentent cependant certaines limitations, en particulier le traitement des pixels mixtes. Cet article présente une nouvelle méthode de pansharpening hyperspectral appelée Spatially Organized Spectral Unmixing (SOSU) et adaptée au traitement de tels pixels. Les performances de cette méthode sont mesurées sur des données synthétiques puis réelles (simulées à partir d’acquisitions aéroportées), à l’aide de critères spatiaux, spectraux et globaux, afin d’évaluer l’apport du traitement des pixels mixtes. En particulier, cet apport est confirmé dans le cas d’un paysage périurbain par une augmentation de près de dix pourcents du taux de pixels mixtes améliorés avec SOSU, par rapport à la méthode utilisée comme référence.

International audience; Hyperspectral images (HSIs) are of crucial importance in order to better understand features from a large number of spectral channels. Restricted by its inner imaging mechanism, the spatial resolution is often limited for HSIs. To alleviate this issue, in this work, we propose a simple and efficient architecture of deep convolutional neural networks to fuse a low-resolution HSI (LR-HSI) and a high-resolution multispectral image (HR-MSI), yielding a high-resolution HSI (HR-HSI). The network is designed to preserve both spatial and spectral information thanks to a new architecture based on: 1) the use of the LR-HSI at the HR-MSI’s scale to get an output with satisfied spectral preservation and 2) the application of the attention and pixelShuffle modules to extract information, aiming to output high-quality spatial details. Finally, a plain mean squared error loss function is used to measure the performance during the training. Extensive experiments demonstrate that the proposed network architecture achieves the best performance (both qualitatively and quantitatively) compared with recent state-of-the-art HSI super-resolution approaches. Moreover, other significant advantages can be pointed out by the use of the proposed approach, such as a better network generalization ability, a limited computational burden, and the robustness with respect to the number of training samples. Please find the source code and pretrained models from https://liangjiandeng.github.io/Projects_Res/HSRnet_2021tnnls.html .