CN102842124A - 基于矩阵低秩分解的多光谱图像与全色图像融合方法 - Google Patents
基于矩阵低秩分解的多光谱图像与全色图像融合方法 Download PDFInfo
- Publication number
- CN102842124A CN102842124A CN2012102455055A CN201210245505A CN102842124A CN 102842124 A CN102842124 A CN 102842124A CN 2012102455055 A CN2012102455055 A CN 2012102455055A CN 201210245505 A CN201210245505 A CN 201210245505A CN 102842124 A CN102842124 A CN 102842124A
- Authority
- CN
- China
- Prior art keywords
- matrix
- image
- low
- multispectral
- rank
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种基于矩阵低秩分解的多光谱图像和全色图像融合方法,主要解决现有多光谱图像和全色图像融合中高光谱分辨率信息丢失的问题。其实现步骤为:(1)对输入已配准的4幅多光谱图像进行插值使其与全色图像具有相同的像素;(2)将插值后多光谱图像全部拉成列按照顺序依次堆叠构成大数据矩阵;(3)利用矩阵低秩分解算法对大数据矩阵分解得到低秩矩阵和稀疏矩阵;(4)利用标准主成分分析融合算法对低秩矩阵和全色图像进行融合得到初步的粗略融合结果;(5)将稀疏矩阵加至粗略融合结果得到最终的多光谱融合图像。本发明能有效解决高光谱分辨率信息丢失的问题,获取清晰的图像,可用于多光谱图像的预处理。
Description
技术领域
本发明属于图像处理技术领域,涉及图像融合技术,具体地说是一种结合了矩阵低秩分解理论的多光谱图像和全色图像融合方法,可用于多光谱图像的预处理。
背景技术
多光谱图像与全色图像的融合是利用它们在时空上的相关性及信息上的互补性把具有低空间分辨率、高光谱分辨率的多光谱图像和具有高空间分辨率、低光谱分辨率的全色图像进行综合,使融合后多光谱图像具有较高空间分辨率,又同时保留高光谱分辨率,从而得到对景物更全面、清晰的描述。
传统的多光谱图像与全色图像融合算法包括格拉姆-施密特正交化方法、亮度-色调-色饱和度方法等。这些方法计算量小,原理简单,已经被广泛地应用到多光谱图像与全色图像融合上,但是这些方法没有利用多光谱图像自身特点,无法有效保留高光谱分辨率信息。
针对上述传统的多光谱图像与全色图像融合算法效果较差,在实际应用中不能很好地实现的问题,目前国际上提出了一些改进上述缺点的算法。如,P.S.Chavez,J.S.Sides和J.A.Anderson提出一种主成分分析的方法,是多光谱图像与全色图像融合中非常经典的算法,具体参见《Comparison of Three Different Methods to MergeMultiresolution and Multispectral Data:Landsat TM and SPOT Panchromatic》PHOTOGRAMMETRIC ENGINEERING & REMOTE SENSING,Vol.57,No.3,March1991,pp.295-303。这种方法将全色图像直接替换掉多光谱图像的低空间分辨率信息从而得到融合的多光谱图像。这种方法速度快,比较灵活,但由于缺乏自适应性,而会造成高光谱分辨率信息的丢失;此后,T.M.Tu等人提出一种广义亮度-色调-色饱和度的方法,具体参见《A Fast Intensity-Hue–Saturation Fusion Technique With SpectralAdjustment for IKONOS Imagery》IEEE GEOSCIENCE AND REMOTE SENSINGLETTERS,VOL.1,NO.4,pp.309-312.OCTOBER2004.这种方法将传统只适用于三波段多光谱图像的亮度-色调-色饱和度方法推广到多波段的多光谱图像上,并采用固定的模型参数,由于模型参数被固定而造成光谱信息失真。
发明内容
本发明的目的在于针对上述已有技术的不足,提出了一种基于矩阵低秩分解的多光谱图像与全色图像融合方法,以保留较多的高光谱分辨率信息,提高融合图像的效果。
实现本发明目的的技术方案包括如下步骤:
(1)输入已配准的大小为m×n的4幅多光谱图像MSl1,MSl2,MSl3,MSl4,输入1幅大小为4m×4n全色图像PAN;
(2)利用matlab软件中的imresize函数对4幅多光谱图像MSl1,MSl2,MSl3,MSl4进行插值,得到与全色图像PAN相同像素的多光谱图像MSl1′,MSl2′,MSl3′,MSl4′;
(3)将插值后的4幅多光谱图像MSl1′,MSl2′,MSl3′,MSl4′全部拉成列,按顺序依次排列构成大数据矩阵X∈R(4m×4n)×4,其中R(4m×4n)×4表示行数为4m×4n,列数为4的2维整数型矩阵;
(4)通过低秩分解算法对大数据矩阵X进行低秩分解,得到低秩矩阵L∈R(4m×4n)×4和稀疏矩阵SG∈R(4m×4n)×4,其中低秩矩阵L表示4幅多光谱图像中的低空间分辨率信息,稀疏矩阵SG表示4幅多光谱图像中的高光谱分辨率信息;
(5)利用标准主成分分析融合算法对低秩矩阵L和全色图像PAN进行融合,得到4幅初步的粗略融合结果MSh1′,MSh2′,MSh3′,MSh4′;
(6)利用matlab软件中的reshape函数,将步骤(4)得到的稀疏矩阵SG的每一列还原成大小为4m×4n的图像,得到4幅高光谱分辨率图像sgi,i=1,2,...,4;
(7)将步骤(6)得到的4幅高光谱分辨率图像sgi,i=1,2,...,4,与步骤(5)得到的粗略融合结果MSh1′,MSh2′,MSh3′,MSh4′进行相加,得到最终的4幅融合多光谱图像MSh1,MSh2,MSh3,MSh4。
本发明与现有的技术相比具有以下优点:
本发明由于在标准主成分分析融合方法的基础上引入了矩阵低秩分解,与传统的融合方法相比,充分利用了多光谱图像时空上的相关性及信息上的互补性,保留了更多的高光谱分辨率信息。仿真实验表明,本发明能有效保留多光谱图像中的高光谱分辨率信息,同时获得较好的视觉效果。
附图说明
图1是本发明的流程图;
图2是本发明在仿真试验中应用的4幅多光谱图像;
图3是本发明在仿真试验中应用的1幅全色图像;
图4是本发明在仿真试验中应用的4幅参考多光谱图像;
图5是用本发明对图2和图3进行融合的结果图;
图6是用现有的广义亮度-色调-色饱和度方法对图2和图3进行融合的结果图;
图7是用现有的标准主成分分析方法对图2和图3进行融合的结果图。
具体实施方式
参照图1,本发明的具体实施步骤如下:
步骤1、利用matlab软件中的imresize命令对输入已配准的4幅多光谱图像MSl1,MSl2,MSl3,MSl4进行插值,得到与全色图像PAN相同像素的多光谱图像MSl1′,MSl2′,MSl3′,MSl4′。
上述输入已配准的4幅多光谱图像MSl1,MSl2,MSl3,MSl4对应多光谱图像4个不同的波段,其中,图像MSl1对应多光谱图像的红色波段,图像MSl2对应多光谱图像的绿色波段,图像MSl3对应多光谱图像的蓝色波段,图像MSl4对应多光谱图像的近红外波段。
步骤2、将插值后多光谱图像MSl1′,MSl2′,MSl3′,MSl4′全部拉成列并按顺序依次排列构成大数据矩阵X∈R(4m×4n)×4,其中R(4m×4n)×4表示行数为4m×4n,列数为4的2维整数型矩阵。
步骤3、通过低秩分解算法对大数据矩阵X进行低秩分解,得到低秩矩阵L∈R(4m×4n)×4和稀疏矩阵SG∈R(4m×4n)×4。
上述的低秩分解方法,是由T.Y.Zhou和D.C.Tao提出的,参见文献《GoDec:Randomized Low-rank & Sparse Matrix Decomposition in Noisy Case》Proceedingsof the 28th International Conference on Machine Learning,2011,具体操作如下:
3a)初始化迭代次数t=0,迭代误差ε为0.0001;
3b)设t=t+1,利用matlab软件中的randn函数生成随机高斯矩阵A,按照如下公式得到3个中间变量矩阵:
P1=X×A,
P2=XT×P1,
P3=X×P2,
其中,(·)T操作表示矩阵转置操作;
3c)计算第t次迭代中的低秩矩阵Lt和中间变量矩阵St:
Lt=P3×(P1 T×P3)-1P2 T,
St=PΩ|X-Lt|,
其中,(·)-1表示矩阵求逆操作,PΩ(·)表示取(·)中最大的前Ω个数值,Ω取值为262144;
3e)将分解误差ω与迭代误差ε进行比较,如果ω<ε,则停止迭代,并将矩阵Lt设为所求的低秩矩阵L,大数据矩阵X与低秩矩阵L的差设为所求的稀疏矩阵SG,否则返回步骤3b),其中低秩矩阵L表示4幅多光谱图像中的低分辨空间信息,稀疏矩阵SG表示4幅多光谱图像中的高光谱分辨率信息。
步骤4、利用标准主成分分析融合算法对低秩矩阵L和全色图像PAN进行融合得到4幅初步的粗略融合结果MSh1′,MSh2′,MSh3′,MSh4′。
上述标准主成分分析融合算法,是由P.S.Chavez,J.S.Sides和J.A.Anderson提出的,参见文献《Comparison of Three Different Methods to Merge Multiresolution andMultispectral Data:Landsat TM and SPOT Panchromatic》PHOTOGRAMMETRICENGINEERING & REMOTE SENSING,Vol.57,No.3,March 1991,pp.295-303,具体操作如下:
4a)按照如下公式计算低秩矩阵L的相关矩阵C:
4b)求相关矩阵C满足如下条件的特征值λ:
|C-λ×I|=0,
其中,|·|表示求矩阵的特征多项式,I是单位矩阵;
4c)求相关矩阵C满足如下条件的特征向量矩阵V:
(C-λ×I)×V=0,
其中,λ是步骤4b)中得到的特征值;
4d)按照如下公式计算中间变量矩阵PC和Y:
PC=L×V,
其中,μPAN表示利用matlab软件的mean命令求出的全色图像PAN的平均值,表示利用matlab软件的mean命令求出的中间变量矩阵PC第4列pc4的平均值,DPAN表示利用matlab软件的std命令求出的全色图像PAN的标准方差,表示利用matlab软件的std命令求出的中间变量矩阵PC第4列pc4的标准方差;
4e)将中间变量矩阵PC的第4列pc4用中间变量矩阵Y代替,得到新的中间变量矩阵PC'=[pc1,pc2,pc3,Y],并按照如下公式计算粗略融合结果矩阵MS′h:
MS′h=PC'×VT,
其中,(·)T表示矩阵转置操作;
4f)利用matlab软件的reshape命令将粗略融合结果矩阵MS′h变成4幅大小为4m×4n的粗略融合多光谱图像MSh1′,MSh2′,MSh3′,MSh4′。
步骤5、利用matlab软件中的reshape函数,将步骤(3)得到的稀疏矩阵SG的每一列还原成大小为4m×4n的图像,得到4幅高光谱分辨率图像sgi,i=1,2,...,4。
步骤6、将步骤5得到的4幅高光谱分辨率图像sgi,i=1,2,...,4,与步骤4得到的粗略融合结果MSh1′,MSh2′,MSh3′,MSh4′进行相加,得到最终的4幅融合多光谱图像MSh1,MSh2,MSh3,MSh4。其中,图像MSh1对应融合多光谱图像的红色波段,图像MSh2对应融合多光谱图像的绿色波段,图像MSh3对应融合多光谱图像的蓝色波段,图像MSh4对应融合多光谱图像的近红外波段。
本发明的效果可以通过仿真实验具体说明:
1.实验条件
实验所用微机CPU为Intel Core(TM)2Duo 3GHz内存2GB,编程平台是MatlabR2012a。实验采用4波段QuickBird卫星已配准多光谱图像和一幅全色图像和4幅参考多光谱图像,图像来源于图像融合网站http://www.glcf.umd.edu/data/。4幅已配准多光谱图像其大小均为64×64,如图2所示,每幅多光谱图像对应一个波段,其中图2(a)为多光谱图像的红色波段,图2(b)为多光谱图像的绿色波段,图2(c)为多光谱图像的蓝色波段,图2(d)为多光谱图像的近红外波段;1幅全色图像大小为256×256,如图3所示;图4为4幅参考多光谱图像其大小均为256×256,其中图4(a)为参考多光谱图像的红色波段,图4(b)为参考多光谱图像的绿色波段,图4(c)为参考多光谱图像的蓝色波段,图4(d)为参考多光谱图像的近红外波段。
2.实验内容与结果
实验一:利用本发明对图2和图3进行融合,结果如图5所示,其中图5(a)为融合多光谱图像的红色波段,图5(b)为融合多光谱图像的绿色波段,图5(c)为融合多光谱图像的蓝色波段,图5(d)为融合多光谱图像的近红外波段。
从图5可以看出,本发明得到的融合多光谱图像边缘清晰,具有较好的视觉效果。
实验二:利用现有的广义亮度-色调-色饱和度方法对图2和图3进行融合,结果如图6所示,其中图6(a)为融合多光谱图像的红色波段,图6(b)为融合多光谱图像的绿色波段,图6(c)为融合多光谱图像的蓝色波段,图6(d)为融合多光谱图像的近红外波段。
从图6可以看出,现有的基于广义亮度-色调-色饱和度方法得到的融合多光谱图像过于明亮,没有很好保持原有多光谱图像的高光谱分辨率信息。
实验三:利用现有的标准主成分分析方法对图2和图3进行融合,结果如图7所示,其中图7(a)为融合多光谱图像的红色波段,图7(b)为融合多光谱图像的绿色波段,图7(c)为融合多光谱图像的蓝色波段,图7(d)为融合多光谱图像的近红外波段。
从图7可以看出,现有的基于标准主成分分析方法得到的融合多光谱图像平滑,图像较模糊。
仿真实验中,应用相关系数CC和光谱角映射SAM指标来评价融合多光谱图像光谱保持度的优劣。其中,相关系数CC的定义如下:
相关系数CC越接近1表明高光谱分辨率信息保持的越多。
光谱角映射SAM指标的定义如下:
其中,arccos(·)表示求反余弦操作,<·,·>表示向量的点乘操作,||·||2表示矩阵2范数,uX表示参考4波段多光谱图像X中对应像素点构成的谱向量,uF表示融合4波段多光谱图像F中对应像素点构成的谱向量。
光谱角映射SAM指标越小表明高光谱分辨率信息保持的越多。
三种融合方法对实验所用多光谱图像和全色图像融合结果的定性评价指标如表1所示,其中,GIHS表示现有的广义亮度-色调-色饱和度融合方法,PCA表示现有的标准主成分分析融合方法。R表示参考多光谱图像与融合多光谱图像红色波段间的相关系数,G表示参考多光谱图像与融合多光谱图像绿色波段间的相关系数,B表示参考多光谱图像与融合多光谱图像蓝色波段间的相关系数,N表示参考多光谱图像与融合多光谱图像近红外波段间的相关系数,avg表示4个波段相关系数的平均值。
表1、多光谱图像和全色图像融合定性评价指标
从表1可以看出,本发明融合结果得到的相关系数CC更接近于1,光谱角映射SAM指标最小,因此,本发明能有效保持高光谱分辨率信息。
综上,本发明提出的基于矩阵低秩分解的多光谱图像和全色图像融合方法对多光谱图像和全色图像融合问题能有效保持高光谱分辨率信息并取得较好的视觉效果。
Claims (4)
1.一种基于矩阵低秩分解的多光谱图像和全色图像融合方法,包括如下步骤:
(1)输入已配准的大小为m×n的4幅多光谱图像MSl1,MSl2,MSl3,MSl4,输入1幅大小为4m×4n全色图像PAN;
(2)利用matlab软件中的imresize函数对4幅多光谱图像MSl1,MSl2,MSl3,MSl4进行插值,得到与全色图像PAN相同像素的多光谱图像MSl1′,MSl2′,MSl3′,MSl4′;
(3)将插值后的4幅多光谱图像MSl1′,MSl2′,MSl3′,MSl4′全部拉成列,按顺序依次排列构成大数据矩阵X∈R(4m×4n)×4,其中R(4m×4n)×4表示行数为4m×4n,列数为4的2维整数型矩阵;
(4)通过低秩分解算法对大数据矩阵X进行低秩分解,得到低秩矩阵L∈R(4m×4n)×4和稀疏矩阵SG∈R(4m×4n)×4,其中低秩矩阵L表示4幅多光谱图像中的低空间分辨率信息,稀疏矩阵SG表示4幅多光谱图像中的高光谱分辨率信息;
(5)利用标准主成分分析融合算法对低秩矩阵L和全色图像PAN进行融合,得到4幅初步的粗略融合结果MSh1′,MSh2′,MSh3′,MSh4′;
(6)利用matlab软件中的reshape函数,将步骤(4)得到的稀疏矩阵SG的每一列还原成大小为4m×4n的图像,得到4幅高光谱分辨率图像sgi,i=1,2,...,4;
(7)将步骤(6)得到的4幅高光谱分辨率图像sgi,i=1,2,...,4,与步骤(5)得到的粗略融合结果MSh1′,MSh2′,MSh3′,MSh4′进行相加,得到最终的4幅融合多光谱图像MSh1,MSh2,MSh3,MSh4。
2.根据权利要求1所述的基于矩阵低秩分解的多光谱图像和全色图像融合方法,其中所述步骤(1)中输入的已配准的大小为m×n的4幅多光谱图像MSl1,MSl2,MSl3,MSl4,对应不同的波段,即MSl1对应多光谱图像的红色波段,MSl2对应多光谱图像的绿色波段,MSl3对应多光谱图像的蓝色波段,MSl4对应多光谱图像的近红外波段。
3.根据权利要求1所述的基于矩阵低秩分解的多光谱图像和全色图像融合方法,其中步骤(4)所述通过低秩分解算法对大数据矩阵X进行低秩分解,得到低秩矩阵L和稀疏矩阵SG,具体步骤如下:
4a)初始化迭代次数t=0,迭代误差ε为0.0001;
4b)设t=t+1,利用matlab软件中的randn函数生成随机高斯矩阵A,按照如下公式得到3个中间变量矩阵:
P1=X×A,
P2=XT×P1,
P3=X×P2,
其中,(·)T操作表示矩阵转置操作;
4c)计算第t次迭代中的低秩矩阵Lt和中间变量矩阵St:
Lt=P3×(P1 T×P3)-1P2 T,
St=PΩ|X-Lt|,
其中,(·)-1表示矩阵求逆操作,PΩ(·)表示取(·)中最大的前Ω个数值,Ω取值为262144;
4e)将分解误差ω与迭代误差ε进行比较,如果ω<ε,则停止迭代,并将矩阵Lt设为所求的低秩矩阵L,矩阵X与低秩矩阵L的差设为所求的稀疏矩阵SG,否则返回步骤4b)。
4.根据权利要求1所述的基于矩阵低秩分解的多光谱图像和全色图像融合方法,其中步骤(5)所述利用标准主成分分析融合算法对低秩矩阵L和全色图像PAN进行融合,具体步骤如下:
5a)按照如下公式计算低秩矩阵L的相关矩阵C:
5b)求相关矩阵C满足如下条件的特征值λ:
|C-λ×I|=0,
其中,|·|表示求矩阵的特征多项式,I是单位矩阵;
5c)求相关矩阵C满足如下条件的特征向量矩阵V:
(C-λ×I)×V=0,
其中,λ是步骤5b)中得到的特征值;
5d)按照如下公式计算中间变量矩阵PC和Y:
PC=L×V,
其中,μPAN表示利用matlab软件的mean命令求出的全色图像PAN的平均值,表示利用matlab软件的mean命令求出的中间变量矩阵PC第4列pc4的平均值,DPAN表示利用matlab软件的std命令求出的全色图像PAN的标准方差,表示利用matlab软件的std命令求出的中间变量矩阵PC第4列pc4的标准方差;
5e)将中间变量矩阵PC的第4列pc4用中间变量矩阵Y代替,得到新的中间变量矩阵PC'=[pc1,pc2,pc3,Y],按照如下公式计算粗略融合结果矩阵MS′h:
MS′h=PC'×VT,
其中,(·)T表示矩阵转置操作;
5f)利用matlab软件的reshape命令将粗略融合结果矩阵MS′h变成4幅大小为4m×4n的粗略融合多光谱图像MSh1′,MSh2′,MSh3′,MSh4′。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210245505.5A CN102842124B (zh) | 2012-07-16 | 2012-07-16 | 基于矩阵低秩分解的多光谱图像与全色图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210245505.5A CN102842124B (zh) | 2012-07-16 | 2012-07-16 | 基于矩阵低秩分解的多光谱图像与全色图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102842124A true CN102842124A (zh) | 2012-12-26 |
CN102842124B CN102842124B (zh) | 2014-10-01 |
Family
ID=47369449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210245505.5A Active CN102842124B (zh) | 2012-07-16 | 2012-07-16 | 基于矩阵低秩分解的多光谱图像与全色图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102842124B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093430A (zh) * | 2013-01-25 | 2013-05-08 | 西安电子科技大学 | 基于稀疏低秩与字典学习的心脏mri图像去模糊方法 |
CN103198483A (zh) * | 2013-04-07 | 2013-07-10 | 西安电子科技大学 | 基于边缘和光谱反射率曲线的多时相遥感图像配准方法 |
CN105574902A (zh) * | 2015-12-15 | 2016-05-11 | 西安电子科技大学 | 基于分块策略和遗传进化的视频图像压缩感知重构方法 |
CN106157269A (zh) * | 2016-07-29 | 2016-11-23 | 西安电子科技大学 | 基于方向多尺度群低秩分解的全色图像锐化方法 |
CN106373105A (zh) * | 2016-09-12 | 2017-02-01 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于低秩矩阵恢复的多曝光图像去伪影融合方法 |
CN109064435A (zh) * | 2018-07-06 | 2018-12-21 | 航天星图科技(北京)有限公司 | 一种Gram-Schmdit融合快速处理算法 |
CN109859153A (zh) * | 2019-01-18 | 2019-06-07 | 武汉大学 | 一种基于自适应光谱-空间梯度稀疏正则化的多光谱图像融合方法 |
WO2019184709A1 (zh) * | 2018-03-29 | 2019-10-03 | 上海智瞳通科技有限公司 | 多传感器融合的数据处理方法、装置与多传感器融合方法 |
CN110428387A (zh) * | 2018-11-16 | 2019-11-08 | 西安电子科技大学 | 基于深度学习与矩阵分解的高光谱与全色图像融合方法 |
CN110533620A (zh) * | 2019-07-19 | 2019-12-03 | 西安电子科技大学 | 基于aae提取空间特征的高光谱和全色图像融合方法 |
CN112330581A (zh) * | 2020-11-02 | 2021-02-05 | 燕山大学 | 一种sar和多光谱影像的融合方法及*** |
CN113205453A (zh) * | 2021-04-06 | 2021-08-03 | 武汉大学 | 一种基于空间-光谱全变分正则化的高光谱融合方法 |
CN116245779A (zh) * | 2023-05-11 | 2023-06-09 | 四川工程职业技术学院 | 一种图像融合方法、装置、存储介质及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010005920A1 (en) * | 2008-07-07 | 2010-01-14 | Harris Corporation | Spectral calibration of image pairs using atmospheric characterization |
CN102542549A (zh) * | 2012-01-04 | 2012-07-04 | 西安电子科技大学 | 基于压缩感知的多光谱与全色图像超分辨融合方法 |
-
2012
- 2012-07-16 CN CN201210245505.5A patent/CN102842124B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010005920A1 (en) * | 2008-07-07 | 2010-01-14 | Harris Corporation | Spectral calibration of image pairs using atmospheric characterization |
CN102542549A (zh) * | 2012-01-04 | 2012-07-04 | 西安电子科技大学 | 基于压缩感知的多光谱与全色图像超分辨融合方法 |
Non-Patent Citations (3)
Title |
---|
P.S.CHAVEZ等: "Comparison of Three Different Methods to Merge Multiresolution and Multispectral Data:Landsat TM and SPOT Panchromatic", 《PHOTOGRAMMETRIC ENGINEERING AND REMOTE SENSING》 * |
TIANYI ZHOU等: "GoDec: Randomized Low-rank & Sparse Matrix Decomposition in Noisy Case", 《PROCEEDINGS OF THE 28TH INTERNATIONAL CONFERENCE ON MACHINE LEARNING (ICML-11)》 * |
王仲妮等: "基于受限的非负矩阵分解的多光谱和全色遥感影像融合", 《北京师范大学学报(自然科学版)》 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093430A (zh) * | 2013-01-25 | 2013-05-08 | 西安电子科技大学 | 基于稀疏低秩与字典学习的心脏mri图像去模糊方法 |
CN103093430B (zh) * | 2013-01-25 | 2015-07-15 | 西安电子科技大学 | 基于稀疏低秩与字典学习的心脏mri图像去模糊方法 |
CN103198483A (zh) * | 2013-04-07 | 2013-07-10 | 西安电子科技大学 | 基于边缘和光谱反射率曲线的多时相遥感图像配准方法 |
CN103198483B (zh) * | 2013-04-07 | 2015-09-30 | 西安电子科技大学 | 基于边缘和光谱反射率曲线的多时相遥感图像配准方法 |
CN105574902A (zh) * | 2015-12-15 | 2016-05-11 | 西安电子科技大学 | 基于分块策略和遗传进化的视频图像压缩感知重构方法 |
CN106157269A (zh) * | 2016-07-29 | 2016-11-23 | 西安电子科技大学 | 基于方向多尺度群低秩分解的全色图像锐化方法 |
CN106157269B (zh) * | 2016-07-29 | 2018-12-14 | 西安电子科技大学 | 基于方向多尺度群低秩分解的全色图像锐化方法 |
CN106373105A (zh) * | 2016-09-12 | 2017-02-01 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于低秩矩阵恢复的多曝光图像去伪影融合方法 |
CN106373105B (zh) * | 2016-09-12 | 2020-03-24 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 基于低秩矩阵恢复的多曝光图像去伪影融合方法 |
WO2019184709A1 (zh) * | 2018-03-29 | 2019-10-03 | 上海智瞳通科技有限公司 | 多传感器融合的数据处理方法、装置与多传感器融合方法 |
US11675068B2 (en) | 2018-03-29 | 2023-06-13 | Shanghai YuGan Microelectronics Co., Ltd | Data processing method and device based on multi-sensor fusion, and multi-sensor fusion method |
CN109064435A (zh) * | 2018-07-06 | 2018-12-21 | 航天星图科技(北京)有限公司 | 一种Gram-Schmdit融合快速处理算法 |
CN109064435B (zh) * | 2018-07-06 | 2021-09-07 | 中科星图股份有限公司 | 一种基于多光谱影像的Gram-Schmdit融合快速处理方法 |
CN110428387A (zh) * | 2018-11-16 | 2019-11-08 | 西安电子科技大学 | 基于深度学习与矩阵分解的高光谱与全色图像融合方法 |
CN110428387B (zh) * | 2018-11-16 | 2022-03-04 | 西安电子科技大学 | 基于深度学习与矩阵分解的高光谱与全色图像融合方法 |
CN109859153A (zh) * | 2019-01-18 | 2019-06-07 | 武汉大学 | 一种基于自适应光谱-空间梯度稀疏正则化的多光谱图像融合方法 |
CN109859153B (zh) * | 2019-01-18 | 2020-10-30 | 武汉大学 | 一种基于自适应光谱-空间梯度稀疏正则化的多光谱图像融合方法 |
CN110533620A (zh) * | 2019-07-19 | 2019-12-03 | 西安电子科技大学 | 基于aae提取空间特征的高光谱和全色图像融合方法 |
CN110533620B (zh) * | 2019-07-19 | 2021-09-10 | 西安电子科技大学 | 基于aae提取空间特征的高光谱和全色图像融合方法 |
CN112330581B (zh) * | 2020-11-02 | 2022-07-12 | 燕山大学 | 一种sar和多光谱影像的融合方法及*** |
CN112330581A (zh) * | 2020-11-02 | 2021-02-05 | 燕山大学 | 一种sar和多光谱影像的融合方法及*** |
CN113205453A (zh) * | 2021-04-06 | 2021-08-03 | 武汉大学 | 一种基于空间-光谱全变分正则化的高光谱融合方法 |
CN113205453B (zh) * | 2021-04-06 | 2022-03-15 | 武汉大学 | 一种基于空间-光谱全变分正则化的高光谱融合方法 |
CN116245779A (zh) * | 2023-05-11 | 2023-06-09 | 四川工程职业技术学院 | 一种图像融合方法、装置、存储介质及电子设备 |
CN116245779B (zh) * | 2023-05-11 | 2023-08-22 | 四川工程职业技术学院 | 一种图像融合方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN102842124B (zh) | 2014-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102842124B (zh) | 基于矩阵低秩分解的多光谱图像与全色图像融合方法 | |
Liu et al. | A variational pan-sharpening method based on spatial fractional-order geometry and spectral–spatial low-rank priors | |
Chen et al. | Denoising hyperspectral image with non-iid noise structure | |
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
Liu et al. | A spectral grouping and attention-driven residual dense network for hyperspectral image super-resolution | |
CN105069825B (zh) | 基于深度置信网络的图像超分辨率重建方法 | |
Dong et al. | Generative dual-adversarial network with spectral fidelity and spatial enhancement for hyperspectral pansharpening | |
Dong et al. | Laplacian pyramid dense network for hyperspectral pansharpening | |
CN105469360A (zh) | 基于非局部联合稀疏表示的高光谱图像超分辨率重建方法 | |
CN102842115B (zh) | 基于双重字典学习的压缩感知图像超分辨率重建方法 | |
CN101615290B (zh) | 一种基于典型相关分析的人脸图像超分辨率重建方法 | |
Fu et al. | Hyperspectral image super-resolution with a mosaic RGB image | |
CN103150713A (zh) | 利用图像块分类稀疏表示与自适应聚合的图像超分辨方法 | |
CN107977951B (zh) | 基于耦合张量分解的多光谱与高光谱图像融合方法 | |
CN102982517B (zh) | 基于光谱与空间局部相关的遥感影像融合方法 | |
CN111127374A (zh) | 一种基于多尺度密集网络的Pan-sharpening方法 | |
CN103871041A (zh) | 基于认知正则化参数构建的图像超分辨率重构方法 | |
CN102968766A (zh) | 基于字典数据库的自适应图像超分辨率重构方法 | |
CN112819737A (zh) | 基于3d卷积的多尺度注意力深度卷积网络的遥感图像融合方法 | |
CN103971354A (zh) | 低分辨率红外图像重建高分辨率红外图像的方法 | |
Mahmood et al. | Human visual enhancement using multi scale Retinex | |
Serifoglu Yilmaz et al. | On the use of the SOS metaheuristic algorithm in hybrid image fusion methods to achieve optimum spectral fidelity | |
CN115760814A (zh) | 一种基于双耦合深度神经网络的遥感图像融合方法及*** | |
CN104504672A (zh) | 基于NormLV特征的低秩稀疏邻域嵌入超分辨方法 | |
CN117252936A (zh) | 一种适配多种训练策略的红外图像彩色化方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |