CN105160647A - 一种全色多光谱影像融合方法 - Google Patents
一种全色多光谱影像融合方法 Download PDFInfo
- Publication number
- CN105160647A CN105160647A CN201510710213.8A CN201510710213A CN105160647A CN 105160647 A CN105160647 A CN 105160647A CN 201510710213 A CN201510710213 A CN 201510710213A CN 105160647 A CN105160647 A CN 105160647A
- Authority
- CN
- China
- Prior art keywords
- panchromatic
- image
- pan
- multispectral image
- fusion
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明提供了一种全色多光谱影像融合方法,对全色影像Pan降质,将原始多光谱影像MS重采样,确定模拟全色影像Pan*中各像素的基础融合系数,根据多光谱影像判断模拟全色影像Pan*中各像素的地物类型,根据地物类型对基础融合系数进行区别性拉伸,得到最终融合系数,最后根据最终融合系数进行融合。本发明的一种全色多光谱影像融合方法,能够减小融合影像颜色失真程度;消除云雾、图幅大小等因素对融合质量的影响;平衡不同地物对色彩保真度和清晰度的要求。
Description
技术领域
本发明涉及一种全色多光谱影像融合方法,属于遥感影像信息处理技术领域。
背景技术
当前,很多卫星遥感***都能够同时获取地面同一场景的全色影像和多光谱影像。全色影像的空间分辨率高但光谱分辨率低,多光谱影像虽然具有多个波段,但空间分辨率往往不能满足应用需求。因此,利用影像融合技术可以充分利用多源影像中互补信息,获取一个高空间分辨率的多光谱影像,具有重要的研究意义和应用价值。
当前的影像融合方法主要分为如下几类:第一类是基于算术运算的方法,利用内插后的多光谱影像与全色影像进行某种算术运算得到融合影像,如相加法、相乘法、Brovey方法等;第二类是基于成分替换的方法,通过对多光谱影像进行某种空间变换,然后利用直方图匹配后的全色影像对某成分进行替换,再进行反变换得到融合影像,其中HIS方法和PCA方法是最为常用的两种方法,另外还有快速光谱函数法、UNB方法、Gram-Schmidt方法等;第三类方法是基于多分辨率分析的方法,把影像转换到不同的分辨率层次,通过多分辨率分析实现融合处理,如Laplacian和小波金字塔分析;第四类方法是基于滤波的方法,如高通滤波融合法是先对全色影像进行高通滤波,然后把滤波后的高频信息叠加在多光谱影像上,提高其空间分辨率;第五类方法是混合分析方法,将光谱混合分解技术引入到了融合框架之中,典型的方法包括线性混合模型和统计混合模型方法。
上述融合方法都可以在一定程度上提高多光谱遥感影像的空间分辨率。然而,现有算法的融合准则存在不足,导致融合结果中依旧存在有一定程度的光谱畸变,同时现有算法没有考虑图幅大小及地物类型等因素对于拟合系数产生的影响,导致部分融合结果存在偏色,部分细节信息丢失等情况,对高分辨率影像的处理效果不佳,在云雾的影响下容易色彩失真;同时基于统计的融合方法对大图幅的处理会在局部区域无法做到最佳。
发明内容
为了解决现有技术的不足,本发明提供了一种全色多光谱影像融合方法,应用均值滤波来产生模拟全色影像,可以在现有算法的基础上更好地抑制光谱畸变;同时对系数进行拉伸等方法来增强融合影像的细节信息;此外通过判断地物类型来自适应地设置权重以平衡色彩保真度与清晰度。
本发明为解决其技术问题所采用的技术方案是:提供了一种全色多光谱影像融合方法,包括以下步骤:
(1)对全色影像Pan降质,得到模拟全色影像Pan*;
(2)将原始多光谱影像MS重采样,得到多光谱影像MS′,使得多光谱影像MS′在长和宽具有和全色影像Pan相同数量的采样点;
(3)确定模拟全色影像Pan*中各像素的基础融合系数;
(4)根据多光谱影像判断模拟全色影像Pan*中各像素的地物类型;
(5)根据地物类型对基础融合系数进行区别性拉伸,得到最终融合系数;
(6)根据最终融合系数进行融合。
步骤(1)中,通过以下公式对全色影像Pan降质,得到模拟全色影像Pan*:
其中,m和n分别表示全色影像Pan的长度和宽度,表示经过均值滤波后位于模拟全色影像Pan*的(x,y)处的灰度值,f(i,j)表示全色影像Pan的(i,j)处的灰度值。
步骤(2)中,使用双线性内插法对原始多光谱影像MS进行重采样,以得到多光谱影像MS′:
首先,通过以下公式计算重采样后位于多光谱影像MS′中(dstY,dstX)处的像素在原始多光谱影像MS中的位置(srcY,srcX):
srcX=dstX*(srcWidth/dstWidth)
srcY=dstY*(srcHeight/dstHeight)
其中srcHeight和srcWidth分别表示原始多光谱影像MS的长与宽,dstHeight和dstWidth分别表示重采样后的多光谱影像MS′的长与宽;
然后,将srcY分为整数部分i2与小数部分u,将srcX分为整数部分j2与小数部分v,通过以下公式对重采样进行描述:
其中,表示重采样得到的多光谱影像MS′在(dstY,dstX)处的像素灰度值,f(srcY,srcX)表示原始多光谱影像MS中(dstY,dstX)的位置。
步骤(3)中,通过以下公式确定基础融合系数:
其中,μ1和μ2为设置的系数,0<μ1<3,1<μ2<3,λbasic(i,j)表示融合影像在(i,j)处的基础融合系数,pan(i,j)表示全色影像Pan在(i,j)处的灰度值,pan*(i,j)表示模拟全色影像Pan*在(i,j)处的灰度值。
μ1和μ2均设置为2。
步骤(4)中,地物分为植被、水体和建筑用地三类;利用归一化植被指数NDVI检测植被:
其中,G是绿光波段,NIR是近红外波段,δ1是设置的阈值,当NDVI大于δ1则判断为植被;
利用归一化水体指数NDWI检测水体:
其中,R是红光波段,δ2是设置的阈值,当NDWI大于δ2则判断为水体;
植被与水体之外的地物判断为建筑用地。
δ1设置为0.3,δ2设置为0.05。
步骤(5)中,通过以下公式对基础融合系数进行区别性拉伸,得到最终融合系数:
λ(i,j)=ωλbasic(i,j)+1-ω
其中,λ(i,j)表示融合影像上(i,j)处的最终融合系数,ω为根据地物设置的权重值,若地物类型为建筑用地则ω设置为ωbuilding,若地物类型为植被则ω设置为ωvegetation,若地物类型为水体则ω设置为ωwater,ωbuilding>ωvegetation>ωwater。
ωbuilding=0.8,ωvegetation=0.64,ωwater=0.4。
步骤(6)中,通过以下公式进行融合:
其中,表示融合影像在(i,j)处的灰度值,MS′band(i,j)表示重采样得到的多光谱影像MS′在(i,j)处的灰度值。
本发明基于其技术方案所具有的有益效果在于:本文算法应用均值滤波来产生模拟全色影像,可以在现有算法的基础上更好地抑制光谱畸变;同时对系数进行拉伸等方法来增强融合影像的细节信息;此外通过判断地物类型来自适应地设置权重以平衡色彩保真度与清晰度。据多次实验,该方法实现的融合影像的相关系数平均可达95.20%,平均梯度可达13.84。作为对比,应用PCIGeomatics软件中的Pansharp融合模块所做的融合影像其相关系数平均为94.57%,平均梯度为9.02;应用ENVI软件中的Gram-Schmidt融合模块所做的融合影像其相关系数平均为94.44%,平均梯度为7.57。注:相关系数为评价色彩保真度的指标,系数越大说明色彩保持能力越好;平均梯度为评价清晰度指标,系数越大说明图像清晰度越好。
附图说明
图1是本发明的流程框图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明提供了一种全色多光谱影像融合方法,包括以下步骤:
(1)对全色影像Pan降质,得到模拟全色影像Pan*:
通过以下公式对全色影像Pan降质,得到模拟全色影像Pan*:
其中,m和n分别表示全色影像Pan的长度和宽度,表示经过均值滤波后位于模拟全色影像Pan*的(x,y)处的灰度值,f(i,j)表示全色影像Pan的(i,j)处的灰度值。
(2)将原始多光谱影像MS重采样,得到多光谱影像MS′,使得多光谱影像MS′在长和宽具有和全色影像Pan相同数量的采样点:
使用双线性内插法对原始多光谱影像MS进行重采样,以得到多光谱影像MS′:
首先,通过以下公式计算重采样后位于多光谱影像MS′中(dstY,dstX)处的像素在原始多光谱影像MS中的位置(srcY,srcX):
srcX=dstX*(srcWidth/dstWidth)
srcY=dstY*(srcHeight/dstHeight)
其中srcHeight和srcWidth分别表示原始多光谱影像MS的长与宽,dstHeight和dstWidth分别表示重采样后的多光谱影像MS′的长与宽;
然后,将srcY分为整数部分i2与小数部分u,将srcX分为整数部分j2与小数部分v,通过以下公式对重采样进行描述:
其中,表示重采样得到的多光谱影像MS′在(dstY,dstX)处的像素灰度值,f(srcY,srcX)表示原始多光谱影像MS中(dstY,dstX)的位置。
(3)确定模拟全色影像Pan*中各像素的基础融合系数:
通过以下公式确定基础融合系数:
其中,μ1和μ2为设置的系数,0<μ1<3,1<μ2<3,μ1和μ2可以均设置为2,λbasic(i,j)表示融合影像在(i,j)处的基础融合系数,pan(i,j)表示全色影像Pan在(i,j)处的灰度值,pan*(i,j)表示模拟全色影像Pan*在(i,j)处的灰度值。
(4)根据多光谱影像判断模拟全色影像Pan*中各像素的地物类型:
地物分为植被、水体和建筑用地三类;利用归一化植被指数NDVI检测植被:
其中,G是绿光波段,NIR是近红外波段,δ1是设置的阈值,可以设置为0.3,当NDVI大于δ1则判断为植被;
利用归一化水体指数NDWI检测水体:
其中,R是红光波段,δ2是设置的阈值,可以设置为0.05,当NDWI大于δ2则判断为水体;
植被与水体之外的地物判断为建筑用地。
(5)根据地物类型对基础融合系数进行区别性拉伸,得到最终融合系数:
通过以下公式对基础融合系数进行区别性拉伸,得到最终融合系数:
λ(i,j)=ωλbasic(i,j)+1-ω
其中,λ(i,j)表示融合影像上(i,j)处的最终融合系数,ω为根据地物设置的权重值,若地物类型为建筑用地则ω设置为ωbuilding,若地物类型为植被则ω设置为ωvegetation,若地物类型为水体则ω设置为ωwater,ωbuilding>ωvegetation>ωwater,ωbuilding=0.8,ωvegetation=0.64,ωwater=0.4。
(6)根据最终融合系数进行融合:
通过以下公式进行融合:
其中,表示融合影像在(i,j)处的灰度值,MS′band(i,j)表示重采样得到的多光谱影像MS′在(i,j)处的灰度值。
本发明的一种全色多光谱影像融合方法,能够减小融合影像颜色失真程度;消除云雾、图幅大小等因素对融合质量的影响;平衡不同地物对色彩保真度和清晰度的要求。
Claims (10)
1.一种全色多光谱影像融合方法,其特征在于包括以下步骤:
(1)对全色影像Pan降质,得到模拟全色影像Pan*;
(2)将原始多光谱影像MS重采样,得到多光谱影像MS′,使得多光谱影像MS′在长和宽具有和全色影像Pan相同数量的采样点;
(3)确定模拟全色影像Pan*中各像素的基础融合系数;
(4)根据多光谱影像判断模拟全色影像Pan*中各像素的地物类型;
(5)根据地物类型对基础融合系数进行区别性拉伸,得到最终融合系数;
(6)根据最终融合系数进行融合。
2.根据权利要求1所述的全色多光谱影像融合方法,其特征在于:步骤(1)中,通过以下公式对全色影像Pan降质,得到模拟全色影像Pan*:
其中,m和n分别表示全色影像Pan的长度和宽度,表示经过均值滤波后位于模拟全色影像Pan*的(x,y)处的灰度值,f(i,j)表示全色影像Pan的(i,j)处的灰度值。
3.根据权利要求1所述的全色多光谱影像融合方法,其特征在于:步骤(2)中,使用双线性内插法对原始多光谱影像MS进行重采样,以得到多光谱影像MS′:
首先,通过以下公式计算重采样后位于多光谱影像MS′中(dstY,dstX)处的像素在原始多光谱影像MS中的位置(srcY,srcX):
srcX=dstX*(srcWidth/dstWidth)
srcY=dstY*(srcHeight/dstHeight)
其中srcHeight和srcWidth分别表示原始多光谱影像MS的长与宽,dstHeight和dstWidth分别表示重采样后的多光谱影像MS′的长与宽;
然后,将srcY分为整数部分i2与小数部分u,将srcX分为整数部分j2与小数部分v,通过以下公式对重采样进行描述:
其中,表示重采样得到的多光谱影像MS′在(dstY,dstX)处的像素灰度值,f(srcY,srcX)表示原始多光谱影像MS中(dstY,dstX)的位置。
4.根据权利要求1所述的全色多光谱影像融合方法,其特征在于:步骤(3)中,通过以下公式确定基础融合系数:
其中,μ1和μ2为设置的系数,0<μ1<3,1<μ2<3,λbasic(i,j)表示融合影像在(i,j)处的基础融合系数,pan(i,j)表示全色影像Pan在(i,j)处的灰度值,pan*(i,j)表示模拟全色影像Pan*在(i,j)处的灰度值。
5.根据权利要求4所述的全色多光谱影像融合方法,其特征在于:μ1和μ2均设置为2。
6.根据权利要求1所述的全色多光谱影像融合方法,其特征在于:步骤(4)中,地物分为植被、水体和建筑用地三类;利用归一化植被指数NDVI检测植被:
其中,G是绿光波段,NIR是近红外波段,δ1是设置的阈值,当NDVI大于δ1则判断为植被;
利用归一化水体指数NDWI检测水体:
其中,R是红光波段,δ2是设置的阈值,当NDWI大于δ2则判断为水体;
植被与水体之外的地物判断为建筑用地。
7.根据权利要求6所述的全色多光谱影像融合方法,其特征在于:δ1设置为0.3,δ2设置为0.05。
8.根据权利要求1所述的全色多光谱影像融合方法,其特征在于:步骤(5)中,通过以下公式对基础融合系数进行区别性拉伸,得到最终融合系数:
λ(i,j)=ωλbasic(i,j)+1-ω
其中,λ(i,j)表示融合影像上(i,j)处的最终融合系数,ω为根据地物设置的权重值,若地物类型为建筑用地则ω设置为ωbuilding,若地物类型为植被则ω设置为ωvegetation,若地物类型为水体则ω设置为ωwater,ωbuilding>ωvegetation>ωwater。
9.根据权利要求8所述的全色多光谱影像融合方法,其特征在于:ωbuilding=0.8,ωvegetation=0.64,ωwater=0.4。
10.根据权利要求1所述的全色多光谱影像融合方法,其特征在于:步骤(6)中,通过以下公式进行融合:
其中,表示融合影像在(i,j)处的灰度值,MS′band(i,j)表示重采样得到的多光谱影像MS′在(i,j)处的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510710213.8A CN105160647B (zh) | 2015-10-28 | 2015-10-28 | 一种全色多光谱影像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510710213.8A CN105160647B (zh) | 2015-10-28 | 2015-10-28 | 一种全色多光谱影像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105160647A true CN105160647A (zh) | 2015-12-16 |
CN105160647B CN105160647B (zh) | 2018-10-19 |
Family
ID=54801489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510710213.8A Active CN105160647B (zh) | 2015-10-28 | 2015-10-28 | 一种全色多光谱影像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105160647B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958450A (zh) * | 2017-12-15 | 2018-04-24 | 武汉大学 | 基于自适应高斯滤波的全色多光谱影像融合方法及*** |
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 |
CN109118462A (zh) * | 2018-07-16 | 2019-01-01 | 中国科学院东北地理与农业生态研究所 | 一种遥感影像融合方法 |
CN109447922A (zh) * | 2018-07-10 | 2019-03-08 | 中国资源卫星应用中心 | 一种改进的ihs变换遥感影像融合方法及*** |
CN111383203A (zh) * | 2019-11-07 | 2020-07-07 | 北京航空航天大学 | 基于分区域拟合的全色与多光谱遥感图像融合方法 |
CN111507454A (zh) * | 2019-01-30 | 2020-08-07 | 兰州交通大学 | 一种用于遥感影像融合的改进交叉皮质神经网络模型 |
CN112154646A (zh) * | 2019-03-26 | 2020-12-29 | 深圳市大疆创新科技有限公司 | 确定装置、摄像***及移动体 |
CN113393499A (zh) * | 2021-07-12 | 2021-09-14 | 自然资源部国土卫星遥感应用中心 | 一种高分七号卫星全色影像和多光谱影像自动配准方法 |
CN113570536A (zh) * | 2021-07-31 | 2021-10-29 | 中国人民解放军61646部队 | 基于cpu和gpu协同处理的全色和多光谱影像实时融合方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1877636A (zh) * | 2006-07-03 | 2006-12-13 | 中国科学院遥感应用研究所 | 一种融合生成高分辨率多光谱图像的方法 |
CN101930604A (zh) * | 2010-09-08 | 2010-12-29 | 中国科学院自动化研究所 | 基于低频相关性分析的全色图像与多光谱图像融合方法 |
CN102034229A (zh) * | 2010-11-03 | 2011-04-27 | 中国科学院长春光学精密机械与物理研究所 | 高分辨多光谱空间光学遥感器的实时图像融合方法 |
-
2015
- 2015-10-28 CN CN201510710213.8A patent/CN105160647B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1877636A (zh) * | 2006-07-03 | 2006-12-13 | 中国科学院遥感应用研究所 | 一种融合生成高分辨率多光谱图像的方法 |
CN101930604A (zh) * | 2010-09-08 | 2010-12-29 | 中国科学院自动化研究所 | 基于低频相关性分析的全色图像与多光谱图像融合方法 |
CN102034229A (zh) * | 2010-11-03 | 2011-04-27 | 中国科学院长春光学精密机械与物理研究所 | 高分辨多光谱空间光学遥感器的实时图像融合方法 |
Non-Patent Citations (1)
Title |
---|
黄先德等: "资源三号卫星全色与多光谱影像融合方法", 《测绘通报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958450A (zh) * | 2017-12-15 | 2018-04-24 | 武汉大学 | 基于自适应高斯滤波的全色多光谱影像融合方法及*** |
CN107958450B (zh) * | 2017-12-15 | 2021-05-04 | 武汉大学 | 基于自适应高斯滤波的全色多光谱影像融合方法及*** |
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 |
CN109447922A (zh) * | 2018-07-10 | 2019-03-08 | 中国资源卫星应用中心 | 一种改进的ihs变换遥感影像融合方法及*** |
CN109447922B (zh) * | 2018-07-10 | 2021-02-12 | 中国资源卫星应用中心 | 一种改进的ihs变换遥感影像融合方法及*** |
CN109118462A (zh) * | 2018-07-16 | 2019-01-01 | 中国科学院东北地理与农业生态研究所 | 一种遥感影像融合方法 |
CN111507454B (zh) * | 2019-01-30 | 2022-09-06 | 兰州交通大学 | 一种用于遥感影像融合的改进交叉皮质神经网络模型 |
CN111507454A (zh) * | 2019-01-30 | 2020-08-07 | 兰州交通大学 | 一种用于遥感影像融合的改进交叉皮质神经网络模型 |
CN112154646A (zh) * | 2019-03-26 | 2020-12-29 | 深圳市大疆创新科技有限公司 | 确定装置、摄像***及移动体 |
CN111383203A (zh) * | 2019-11-07 | 2020-07-07 | 北京航空航天大学 | 基于分区域拟合的全色与多光谱遥感图像融合方法 |
CN111383203B (zh) * | 2019-11-07 | 2022-05-03 | 北京航空航天大学 | 基于分区域拟合的全色与多光谱遥感图像融合方法 |
CN113393499B (zh) * | 2021-07-12 | 2022-02-01 | 自然资源部国土卫星遥感应用中心 | 一种高分七号卫星全色影像和多光谱影像自动配准方法 |
CN113393499A (zh) * | 2021-07-12 | 2021-09-14 | 自然资源部国土卫星遥感应用中心 | 一种高分七号卫星全色影像和多光谱影像自动配准方法 |
CN113570536A (zh) * | 2021-07-31 | 2021-10-29 | 中国人民解放军61646部队 | 基于cpu和gpu协同处理的全色和多光谱影像实时融合方法 |
CN113570536B (zh) * | 2021-07-31 | 2022-02-01 | 中国人民解放军61646部队 | 基于cpu和gpu协同处理的全色和多光谱影像实时融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105160647B (zh) | 2018-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105160647A (zh) | 一种全色多光谱影像融合方法 | |
CN108830796B (zh) | 基于谱空结合和梯度域损失的高光谱图像超分辨重构方法 | |
CN109886870B (zh) | 基于双通道神经网络的遥感图像融合方法 | |
CN102982517B (zh) | 基于光谱与空间局部相关的遥感影像融合方法 | |
CN103093444B (zh) | 基于自相似性和结构信息约束的图像超分辨重建方法 | |
CN110415199B (zh) | 基于残差学习的多光谱遥感图像融合方法及装置 | |
CN104851077B (zh) | 一种自适应的遥感图像全色锐化方法 | |
CN103268598B (zh) | 基于Retinex理论的低照度低空遥感影像增强方法 | |
CN103871041B (zh) | 基于认知正则化参数构建的图像超分辨率重构方法 | |
CN109191428B (zh) | 基于掩蔽纹理特征的全参考型图像质量评价方法 | |
CN112819737B (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 | |
CN105447840B (zh) | 基于主动采样与高斯过程回归的图像超分辨方法 | |
CN106204499A (zh) | 基于卷积神经网络的单幅图像去雨方法 | |
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 | |
CN109509160A (zh) | 一种利用逐层迭代超分辨率的分层次遥感图像融合方法 | |
CN113222823A (zh) | 基于混合注意力网络融合的高光谱图像超分辨率方法 | |
CN108269244A (zh) | 一种基于深度学习和先验约束的图像去雾*** | |
CN106920214A (zh) | 空间目标图像超分辨率重建方法 | |
CN105303542B (zh) | 基于梯度加权的自适应sfim图像融合算法 | |
CN103971354A (zh) | 低分辨率红外图像重建高分辨率红外图像的方法 | |
CN101216557A (zh) | 残差超复数对偶分解的多光谱和全色图像融合方法 | |
CN104574363A (zh) | 一种考虑梯度方向差异的全参考图像质量评价方法 | |
CN100465661C (zh) | 超复数主元加权的多光谱和全色图像融合方法 | |
CN103198456B (zh) | 基于方向波域隐马尔可夫树模型的遥感图像融合方法 | |
CN113902646A (zh) | 基于深浅层特征加权融合网络的遥感影像泛锐化方法 |
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 |