CN104346790A - 一种hcs结合小波变换的遥感图像融合方法 - Google Patents
一种hcs结合小波变换的遥感图像融合方法 Download PDFInfo
- Publication number
- CN104346790A CN104346790A CN201410607032.8A CN201410607032A CN104346790A CN 104346790 A CN104346790 A CN 104346790A CN 201410607032 A CN201410607032 A CN 201410607032A CN 104346790 A CN104346790 A CN 104346790A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- signal
- image
- strength component
- hcs
- 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
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 47
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000006243 chemical reaction Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 238000005728 strengthening Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 abstract description 8
- 238000010008 shearing Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 6
- 238000012952 Resampling Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011158 quantitative evaluation Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282693 Cercopithecidae Species 0.000 description 1
- 235000009413 Ratibida columnifera Nutrition 0.000 description 1
- 241000510442 Ratibida peduncularis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Image Processing (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开一种HCS结合小波变换的遥感图像融合方法,对低空间分辨率的多光谱影像和高空间分辨率的全色影像进行影像配准,将多光谱影像重采样至与全色影像相同像元尺寸,裁剪得到相同图幅范围的多光谱影像和全色影像等待融合;对多光谱影像进行HCS变换得到强度分量和若干角度分量;对强度分量和全色影像采用小波基进行多层二维小波分解,得到强度分量信号和全色信号;以权重将强度分量和全色信号在信号级别上加权求和,得到融合信号;采用小波基对融合信号进行多层二维小波重构,得到增强后的强度分量;对增强后的强度分量使用角度分量进行分解得到最终融合影像。本发明在接近完美地保留多光谱数据的光谱信息的同时,增强了融合结果的影像信息质量。
Description
技术领域
本发明涉及遥感影像处理数据融合领域,更具体地,涉及一种基于HCS变换,并结合了小波理论进行增强的遥感影像融合方法。
技术背景
随着空间技术和遥感技术的不断发展,各式各样的资源卫星不停地提供着各种类型的遥感影像数据。而近年来的遥感影像数据大多采用低空间分辨率的多光谱影像配合高空间分辨率的全色影像的数据生产模式,以达到使产品兼顾多光谱和高空间分辨率的目的。为此,采用适当的遥感影像融合技术以得到同时具有多光谱和高空间分辨率实验材料的过程已经基本成为影像预处理的一个环节,这也促使遥感影像融合技术得到了快速发展。
遥感影像融合可分为像素级融合、特征级融合和决策级融合。其中像素级融合方法发展至今已成为使用最为广泛,理论较为成熟的融合方法,其中典型代表有IHS融合、PCA融合、小波融合、滤波融合、比值法、乘积法等等。至近年来HCS变换的引入,影像融合领域开辟了一类新的具有高光谱保持性的融合技术。然而这类融合方法没有考虑影像中的空间信息,对空间细节的增强能力有限。
发明内容
为克服现有的基于HCS变换影像融合的不足,本发明提出一种基于HCS变换并且结合了小波变换的融合方法,该融合方法能够在近乎完美的保留原始数据光谱信息的同时,尽可能增强融合结果的空间信息质量。
为了实现上述目的,本发明的技术方案为:
一种HCS结合小波变换的遥感图像融合方法,包括:
对低空间分辨率的多光谱影像和高空间分辨率的全色影像进行影像配准,并将低空间分辨率的多光谱影像重采样至与高空间分辨率的全色影像相同像元尺寸,裁剪得到相同图幅范围的多光谱影像和全色影像等待融合;
对低空间分辨率的多光谱影像进行HCS变换得到强度分量和若干角度分量;
对强度分量和高空间分辨率的全色影像采用某一小波基进行多层二维小波分解,得到强度分量信号和全色信号;
以一定权重将强度分量信号和全色信号在信号级别上进行加权求和,得到融合信号;
采用对应的小波基对融合信号进行多层二维小波重构,得到增强后的强度分量;
对增强后的强度分量使用之前得到的若干角度分量进行分解得到最终融合影像。
优选地,所述的对低空间分辨率的多光谱影像进行HCS变换得到强度分量的方法为:
{χN}={χ1,χ2,...,χi,...,χn}
式中:I表示强度分量,n表示多光谱数据的波段总数;{χN}表示原始多光谱数据单一波段集,集合内共有n个波段,χi表示第i个波段的原始多光谱数据;
优选地,所述的对低空间分辨率的多光谱影像进行HCS变换得到若干角度分量的方法为:
式中:表示角度分量的集合,集合内共有n-1个角度分量,表示第k个角度分量;k取值范围为1、2、3、…、n-1。
优选地,所述的对强度分量和高空间分辨率的全色影像采用某一小波基进行多层二维小波分解,得到强度分量信号和全色信号的步骤为:采用某一小波基对强度分量和高空间分辨率的全色影像进行一层二维小波分解,分别得到强度分量和高空间分辨率全色影像的高频信号和低频信号;依次采用相同小波基对强度分量的低频信号和全色影像的低频信号进行下一层二维小波分解,分别得到强度分量低频信号和全色影像低频信号的高频信号和低频信号;如上述步骤不断对最底层的强度分量的低频信号和全色影像的低频信号进行下一层二维小波分解,直至分解层数达到指定分解层数要求。
优选地,所述的对强度分量和高空间分辨率的全色影像采用某一小波基进行多层二维小波分解,得到强度分量信号和全色信号之前还包括:根据一定规范、目的或人为选取适当的用于小波分解的小波基和指定分解层数。
优选地,所述的以一定权重将强度分量信号和全色信号在信号级别上进行加权求和,得到融合信号之前还包括:根据强度分量信号与全色信号的信号特性,按一定方法获取融合所需的权重。
优选地,所述的采用对应的小波基对融合信号进行多层二维小波重构,得到增强后的强度分量的步骤为:依次采用对应的小波基对融合信号最底层的高频信号和低频信号进行二维小波重构,得到上一层的低频信号;如上进行逐层信号的重构,直至得到最顶层的增强后的强度分量。
优选地,所述的对增强后的强度分量使用之前得到的若干角度分量进行分解得到最终融合影像的方法为:
式中:Iadj表示增强后的强度分量,n表示多光谱数据的波段总数;表示第1个波段的融合结果,表示第h个波段的融合结果,表示最后一个波段的融合结果;表示第h个角度分量,h取值范围表示2、3、4、…、n-1。
与现有技术相比,本发明的有益效果为:
本发明的HCS结合小波变换融合法中,在HCS变换的基础上,引入小波变换的相关理论,在信号级别上实现融合,在接近完美地保留了多光谱影像的光谱特性和光谱信息的同时,尽可能地增强了融合结果的信息质量和空间细节。这使得其在土地利用分类、道路提取,乃至定量遥感等方面可以发挥巨大的作用,为遥感学科的发展增加助力。
附图说明
图1为实施例1中HCS结合小波变换的遥感融合方法的流程图。
图2为实施例1中的高空间分辨率全色影像图。
图3为实施例1中的低空间分辨率多光谱影像图(真彩色合成)。
图4为实施例1中的最终融合结果图(真彩色合成)。
具体实施方式
实施例1
图1给出了HSC结合小波变换的遥感图像融合方法的流程图,包括以下步骤:
在步骤“影像配准”中,将原始多光谱影像配准到原始全色影像上去。本实施例中,采用二次项式配准,双线性内插法重采样。
在步骤“重采样”中,将多光谱影像重采样到与全色影像相同像元尺寸大小。本实施例中,采用双线性内插法进行重采样。
在步骤“影像裁剪”选取适当区域裁取相同图幅范围,得到待融合的多光谱影像和全色影像。本实施例中,裁取1km*1km范围内的涵括城建区、农田、森林、水体、道路和裸土的实验区域。
在步骤“HCS变换”中,依据如下公式进行强度分量和若干角度分量的提取:
{χN}={χ1,χ2,...,χi,...,χn}
式中:I表示强度分量,n表示多光谱数据的波段总数;{χN}表示原始多光谱数据单一波段集,集合内共有n个波段,χi表示第i个波段的原始多光谱数据;表示角度分量的集合,集合内共有n-1个角度分量,表示第k个角度分量;k取值范围为1、2、3、…、n-1。
在步骤“分解决策”中,根据一定规范、目的或人为选取适当的用于小波分解的小波基,如Haar小波、Daubechies小波系、Biorthogonal小波系、Coiflet小波系、SymletsA小波系、Morlet小波、Mexican Hat小波和Meyer小波等;同时需要指定分解层数,如单层、双层或三层等。
具体地,本实施例中采用依据实验效果人工调试的方法确定小波基和分解层数,经过多次实验调试,最终确定使用SymletsA小波系中sym4小波进行2层小波分解。sym4小波可以通过如下公式获得:
式中:设|m0(ω)|2为z=ejω的W函数,那么通过不同方法分解W(z)为在W(z)的模不为1时,其存在成对的根z和当U使全部根的模严格小于1时可以得到N阶Daubechies小波,选取其他U可以得到Symlets小波。取N=4即得到sym4小波。
在步骤“小波分解”中,将强度分量与全色影像使用指定的小波基按指定的分解层数进行多层二维小波分解。具体公式如下:
{I1,H1}=<D,Ψa,b>
{I2,H2}=<I1,Ψa,b>
……
{In,Hn}=<In-1,Ψa,b>
C={In,Hn,...,H2,H1}
式中:Ψ(t)为小波基,a为伸缩因子,反映频域特性;b为平移因子,反映时域特性。Ii为每层低频信号,Hi为每层高频信号,由于是二维小波分解,Hi包含三部分高频信息,长度为每层对应Ii的三倍。n为分解层数。C为最终总的分解信号。
具体地,在本实施例中,采用sym4小波进行2层小波分解,Ψ(t)为sym4小波,n=2,C={I2,H2,H1}。最终得到强度分量信号CI和全色信号CP。
在步骤“评价权重”中,根据强度分量信号和全色信号的信号特性,按一定方法获取融合所需的归一化融合权重。具体地,本实施例中采用依据实验效果人工调试的方法获得权重,经过多次实验调试,最终确定强度分量信号的归一化权重和全色信号的归一化权重。
在步骤“加权求和”中,将强度分量信号与全色信号对应位置上的信号强度按已经确定的权重求加权平均数,构建融合信号,公式如下:
Cadj=wp·CP+wi·CI
式中:Cadj为融合信号,CP、CI分别为全色信号和强度分量信号,在“小波分解”步骤得到,wp、wi分别为CP、CI的权重,在“评价权重”步骤得到。
在步骤“小波重构”中,采用对应的小波基按指定层数对融合信号进行多层小波重构,具体公式如下:
C={In,Hn,...,H2,H1}
式中:Iadj为重构好的、增强之后的强度分量,C为总的分解信号,n为分解层数,In为最底层的低频信息,Hi+Ii表示重构第i层上的高频信息和低频信息得到上一层的低频信息Ii-1。
具体地,在本实施例中,采用sym4小波进行2层小波重构,n=2。
Iadj=H1+I1=H1+(H2+I2)
在步骤“逆HCS变换”中,使用“HCS变换”中得到的N-1个角度分量将增强后的强度分量Iadj分解,得到最后的融合结果。具体公式如下:
式中:Iadj表示增强后的强度分量,n表示多光谱数据的波段总数;表示第1个波段的融合结果,表示第h个波段的融合结果,表示最后一个波段的融合结果;表示第h个角度分量,h取值范围表示2、3、4、…、n-1。
下面结合一个实施例来阐述HCS结合小波变换的融合方法:该实施例中,原始多光谱数据为WorldView-2多光谱数据(八波段),空间分辨率2.0m,原始全色数据为WorldView-2全色数据,空间分辨率0.5m。经过“影像配准”,“重采样”和“影像裁剪”得到待融合的全色影像,局部示意图如图2所示,以及待融合的多光谱影像,局部示意图如图3所示。对多光谱数据进行HCS变换得到强度分量和角度分量集合对强度分量和全色影像采用sym4小波进行2层小波分解得到强度分量信号和全色信号。采用人工调试的方法经多次实验得到强度分量信号的归一化权重为0.4,全色信号的归一化权重为0.6,加权求和得到融合信号。对融合信号采用sym4小波进行2层小波重构得到增强后的强度分量。最后用对增强后的强度分量进行分解得到最终的融合结果。
对于最终的融合结果,采用均值、标准差、信息熵、平均梯度、偏离程度、相关系数、综合相关系数和光谱角这几个指标进行定量评价;为了方便比较和定位,本申请采用目前基于HCS变换的另外两种已实现的融合模型进行相同的融合处理和定量评价,评价结果如表1:
表1:融合结果定量评价表
由表1的定量评价结果可知,本发明提出的方法除平均梯度的评价结果略差于Smart Mode,其他指标均优于目前已经存在的基于HCS变换的两种融合方法,可见其优良性能。另一方面,基于评价指标的纵向比较,课件该融合结果接近完美地保留了多光谱数据的光谱信息,并尽可能地增强了融合结果的影像信息质量。
上述的HCS结合小波变换融合法中,在HCS变换的基础上,引入小波变换的相关理论,在信号级别上实现融合,在接近完美地保留了多光谱影像的光谱特性和光谱信息的同时,尽可能地增强了融合结果的信息质量和空间细节。这使得其在土地利用分类、道路提取,乃至定量遥感等方面可以发挥巨大的作用,为遥感学科的发展增加助力。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详尽,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种HCS结合小波变换的遥感图像融合方法,其特征在于,包括:
S1.对低空间分辨率的多光谱影像和高空间分辨率的全色影像进行影像配准,并将低空间分辨率的多光谱影像重采样至与高空间分辨率的全色影像相同像元尺寸,裁剪得到相同图幅范围的多光谱影像和全色影像等待融合;
S2.对低空间分辨率的多光谱影像进行HCS变换得到强度分量和若干角度分量;
S3.对强度分量和高空间分辨率的全色影像采用一小波基进行多层二维小波分解,得到强度分量信号和全色信号;
S4.采用权重将强度分量信号和全色信号在信号级别上进行加权求和,得到融合信号;
S5.采用与所述步骤S3中相同的小波基对融合信号进行多层二维小波重构,得到增强后的强度分量;
S6.对增强后的强度分量使用若干角度分量进行分解得到最终融合影像。
2.根据权利要求1所述的HCS结合小波变换的遥感图像融合方法,其特征在于,所述步骤S2中,
对低空间分辨率的多光谱影像进行HCS变换得到强度分量的方法为:
{χN}={χ1,χ2,...,χi,...,χn}
式中:I表示强度分量,n表示多光谱数据的波段总数;{χN}表示原始多光谱数据单一波段集,集合内共有n个波段,χi表示第i个波段的原始多光谱数据;
对低空间分辨率的多光谱影像进行HCS变换得到若干角度分量的方法为:
式中:表示角度分量的集合,集合内共有n-1个角度分量,表示第k个角度分量;k取值范围为1、2、3、…、n-1。
3.根据权利要求1所述的HCS结合小波变换的遥感图像融合方法,其特征在于,所述步骤S3中,对强度分量和高空间分辨率的全色影像采用一小波基进行多层二维小波分解,得到强度分量信号和全色信号的步骤为:
1)采用一小波基对强度分量和高空间分辨率的全色影像进行一层二维小波分解,分别得到强度分量和高空间分辨率全色影像的高频信号和低频信号;
2)依次采用相同小波基对强度分量的低频信号和全色影像的低频信号进行下一层二维小波分解,分别得到强度分量低频信号和全色影像低频信号的高频信号和低频信号;
3)重复步骤2),不断对最底层的强度分量的低频信号和全色影像的低频信号进行下一层二维小波分解,直至分解层数达到指定分解层数要求。
4.根据权利要求3所述的HCS结合小波变换的遥感图像融合方法,其特征在于,对强度分量和高空间分辨率的全色影像采用某一小波基进行多层二维小波分解,得到强度分量信号和全色信号之前还包括:选取用于小波分解的小波基和指定分解层数。
5.根据权利要求3或4所述的HCS结合小波变换的遥感图像融合方法,其特征在于,所述步骤S4,采用权重将强度分量信号和全色信号在信号级别上进行加权求和,得到融合信号之前还包括:
根据强度分量信号与全色信号的信号特性,获取融合所需的权重。
6.根据权利要求5所述的HCS结合小波变换的遥感图像融合方法,其特征在于,采用与所述步骤S3中相同的小波基对融合信号进行多层二维小波重构,得到增强后的强度分量的方式为:
依次采用对应的小波基对融合信号最底层的高频信号和低频信号进行二维小波重构,得到上一层的低频信号;
重复上述步骤,进行逐层信号的重构,直至得到最顶层的增强后的强度分量。
7.根据权利要求6所述的HCS结合小波变换的遥感图像融合方法,其特征在于,所述步骤S6,对增强后的强度分量使用若干角度分量进行分解得到最终融合影像的方法为:
式中:Iadj表示增强后的强度分量,n表示多光谱数据的波段总数;表示第1个波段的融合结果,表示第h个波段的融合结果,表示最后一个波段的融合结果;表示第h个角度分量,h取值范围表示2、3、4、…、n-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410607032.8A CN104346790B (zh) | 2014-10-30 | 2014-10-30 | 一种hcs结合小波变换的遥感图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410607032.8A CN104346790B (zh) | 2014-10-30 | 2014-10-30 | 一种hcs结合小波变换的遥感图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104346790A true CN104346790A (zh) | 2015-02-11 |
CN104346790B CN104346790B (zh) | 2017-06-20 |
Family
ID=52502334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410607032.8A Active CN104346790B (zh) | 2014-10-30 | 2014-10-30 | 一种hcs结合小波变换的遥感图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104346790B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851091A (zh) * | 2015-04-28 | 2015-08-19 | 中山大学 | 一种基于卷积增强和hcs变换的遥感影像融合方法 |
CN106204508A (zh) * | 2016-06-30 | 2016-12-07 | 西北工业大学 | 基于非负稀疏矩阵的WorldView‑2遥感全色与多光谱图像融合方法 |
CN106384332A (zh) * | 2016-09-09 | 2017-02-08 | 中山大学 | 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法 |
CN106875370A (zh) * | 2017-01-24 | 2017-06-20 | 中国科学院空间应用工程与技术中心 | 一种全色图像和多光谱图像的融合方法及装置 |
CN107071482A (zh) * | 2017-03-31 | 2017-08-18 | 东南大学 | 一种基于多层离散小波变换系数的图像压缩及重构方法 |
CN108898569A (zh) * | 2018-05-31 | 2018-11-27 | 安徽大学 | 一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法 |
CN111563866A (zh) * | 2020-05-07 | 2020-08-21 | 重庆三峡学院 | 一种多源遥感图像融合方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063710A (zh) * | 2009-11-13 | 2011-05-18 | 烟台海岸带可持续发展研究所 | 一种遥感图像融合增强的实现方法 |
KR20130023930A (ko) * | 2011-08-30 | 2013-03-08 | 대구대학교 산학협력단 | 은닉물체 탐지용 수동형 밀리미터파 영상과 가시 영상의 정합 및 융합방법 |
-
2014
- 2014-10-30 CN CN201410607032.8A patent/CN104346790B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063710A (zh) * | 2009-11-13 | 2011-05-18 | 烟台海岸带可持续发展研究所 | 一种遥感图像融合增强的实现方法 |
KR20130023930A (ko) * | 2011-08-30 | 2013-03-08 | 대구대학교 산학협력단 | 은닉물체 탐지용 수동형 밀리미터파 영상과 가시 영상의 정합 및 융합방법 |
Non-Patent Citations (2)
Title |
---|
LIU BIN等: "Multi-spectral image fusion method based on two channels non-separable wavelets", 《SCIENCE IN CHINA SERIES F: INFORMATION SCIENCES》 * |
唐焕丽等: "WorldView-2遥感影像融合方法对比研究", 《北京测绘》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104851091A (zh) * | 2015-04-28 | 2015-08-19 | 中山大学 | 一种基于卷积增强和hcs变换的遥感影像融合方法 |
CN106204508A (zh) * | 2016-06-30 | 2016-12-07 | 西北工业大学 | 基于非负稀疏矩阵的WorldView‑2遥感全色与多光谱图像融合方法 |
CN106204508B (zh) * | 2016-06-30 | 2018-12-14 | 西北工业大学 | 基于非负稀疏矩阵的WorldView-2遥感全色与多光谱图像融合方法 |
CN106384332A (zh) * | 2016-09-09 | 2017-02-08 | 中山大学 | 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法 |
CN106384332B (zh) * | 2016-09-09 | 2019-12-03 | 中山大学 | 基于Gram-Schmidt的无人机影像与多光谱影像融合方法 |
CN106875370A (zh) * | 2017-01-24 | 2017-06-20 | 中国科学院空间应用工程与技术中心 | 一种全色图像和多光谱图像的融合方法及装置 |
CN107071482A (zh) * | 2017-03-31 | 2017-08-18 | 东南大学 | 一种基于多层离散小波变换系数的图像压缩及重构方法 |
CN107071482B (zh) * | 2017-03-31 | 2019-12-10 | 东南大学 | 一种基于多层离散小波变换系数的图像压缩及重构方法 |
CN108898569A (zh) * | 2018-05-31 | 2018-11-27 | 安徽大学 | 一种针对于可见光和红外遥感影像的融合方法及其融合结果评价方法 |
CN111563866A (zh) * | 2020-05-07 | 2020-08-21 | 重庆三峡学院 | 一种多源遥感图像融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104346790B (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104346790A (zh) | 一种hcs结合小波变换的遥感图像融合方法 | |
Zhong et al. | Remote sensing image fusion with convolutional neural network | |
CN102722865B (zh) | 一种超分辨率稀疏重建方法 | |
Braun et al. | Mapping imperviousness using NDVI and linear spectral unmixing of ASTER data in the Cologne-Bonn region (Germany) | |
Choi et al. | The curvelet transform for image fusion | |
CN103325096B (zh) | 基于多/高光谱图像融合的宽幅高光谱图像重构方法 | |
CN101504766B (zh) | 基于混合多分辨率分解的图像融合方法 | |
CN106251320B (zh) | 基于联合稀疏与结构字典的遥感图像融合方法 | |
CN103116881A (zh) | 基于PCA与Shearlet变换的遥感图像融合方法 | |
CN109272010A (zh) | 基于卷积神经网络的多尺度遥感图像融合方法 | |
CN101996396A (zh) | 一种基于压缩传感理论的卫星遥感图像融合方法 | |
CN103679661B (zh) | 一种基于显著性分析的自适应遥感图像融合方法 | |
CN106384332A (zh) | 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法 | |
CN106327459A (zh) | 基于udct和pcnn的可见光与红外图像融合算法 | |
CN104794681B (zh) | 基于多冗余字典和稀疏重构的遥感图像融合方法 | |
CN104851091A (zh) | 一种基于卷积增强和hcs变换的遥感影像融合方法 | |
CN104616261A (zh) | 一种基于光谱特性的Shearlet域多光谱与全色图像融合方法 | |
CN106023130B (zh) | 基于梯度滤波和pca的无人机影像与多光谱影像融合方法 | |
Xing et al. | Dual-collaborative fusion model for multispectral and panchromatic image fusion | |
CN105225213A (zh) | 一种基于s-pcnn与拉普拉斯金字塔的彩色图像融合方法 | |
CN102254311A (zh) | 遥感影像融合方法及*** | |
CN103268587A (zh) | 利用仿建筑用地指数获取城市建筑用地信息的方法 | |
Yang et al. | A sparse representation based pansharpening method | |
Chen et al. | Neural classification of SPOT imagery through integration of intensity and fractal information | |
CN105303539A (zh) | 一种基于辐射传输模拟的遥感影像融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |