CN107016641B - 一种基于改进比值变换的全色与高光谱图像融合方法 - Google Patents
一种基于改进比值变换的全色与高光谱图像融合方法 Download PDFInfo
- Publication number
- CN107016641B CN107016641B CN201610846176.8A CN201610846176A CN107016641B CN 107016641 B CN107016641 B CN 107016641B CN 201610846176 A CN201610846176 A CN 201610846176A CN 107016641 B CN107016641 B CN 107016641B
- Authority
- CN
- China
- Prior art keywords
- panchromatic
- image
- wave band
- composograph
- fusion method
- 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.)
- Active
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 30
- 230000009466 transformation Effects 0.000 title claims abstract description 29
- 238000001228 spectrum Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000003595 spectral effect Effects 0.000 claims abstract description 21
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 230000002194 synthesizing effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 230000004927 fusion Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 3
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 3
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于改进比值变换的全色与高光谱图像融合方法。该方法首先选择全色图像光谱响应范围内的高光谱图像波段,将其分为S个组,并利用均值加权求和将每组的高光谱图像波段合成为1个波段,得到S个波段的高光谱合成图像;然后,将高光谱合成图像的像元按光谱线性相关性划分为R个子类,对高光谱合成图像中每个像元子类的所有波段加权求和,得到低分辨率全色合成图像;最后,计算全色图像与低分辨率全色合成图像的比值,利用比值变换生成全色与高光谱融合图像。与现有技术相比较,本方法光谱色彩与纹理细节保真度高,适应性好。
Description
技术领域
本发明涉及一种遥感图像融合方法,尤其涉及一种基于改进比值变换的全色与高光谱图像融合方法,属于数字图像处理技术领域。
背景技术
高光谱遥感图像的光谱分辨率在10纳米数量级范围内,在电磁波谱的紫外、可见光、近红外和中红外区域,以数十至数百个连续且细分的光谱波段对地物同时成像。高光谱图像记录的地物光谱信息极为丰富,在矿藏探测、环境和海洋监测、农业和森林调查、国防安全等领域发挥着越来越重要的作用。虽然高光谱图像的光谱分辨率高,但其空间分辨率较低,限制了小尺寸目标的探测与定位。考虑到全色图像的空间分辨率较高,因此现有卫星(如美国的EO-1和NEMO卫星)往往采集同时相的全色与高光谱图像,然后通过图像融合处理来提升高光谱图像的空间分辨率。
目前,已有全色与多光谱图像融合方法的研究非常多,但是全色与高光谱图像融合方法的研究相对较少。现有全色与多光谱图像融合方法可以分为加性变换和乘性变换两大类。其中,加性变换融合主要包括基于IHS变换、基于PCA变换、基于GS变换、基于小波变换和基于曲波变换等融合方法;乘性变换融合方法主要包括Brovey变换和UNB-Pansharp等融合方法。高光谱图像与多光谱图像在以下两个方面存在较大差异:高光谱图像波段数量远多于多光谱图像,高光谱图像通常含有100个以上的波段,多光谱图像的波段数量通常小于10个;高光谱与全色图像之间的空间分辨率差异大于多光谱与全色图像之间的空间分辨率差异。这些差异使得现有全色与多光谱图像融合方法用于全色与高光谱图像融合时往往出现光谱色彩失真或纹理细节失真问题。
在此背景下,研究一种基于改进比值变换的全色与高光谱图像融合方法,通过高光谱图像的波段加权求和生成波段数量较少的高光谱合成图像,并通过高光谱合成图像的像元分类与加权求和来生成的低分辨率全色合成图像,从而得到光谱色彩和纹理细节高保真的融合图像。
发明内容
本发明所要解决的技术问题在于提供一种基于改进比值变换的全色与高光谱图像融合方法。该方法首先选择全色图像光谱响应范围内的高光谱图像波段,将其分为S个组,并利用均值加权求和将每组的高光谱图像波段合成为1个波段,得到S个波段的高光谱合成图像;然后将高光谱合成图像的像元按光谱线性相关性划分为R个子类,对高光谱合成图像中每个像元子类的所有波段加权求和,得到低分辨率全色合成图像;最后,计算全色图像与低分辨率全色合成图像的比值,利用比值变换生成光谱色彩与纹理细节高保真的全色与高光谱融合图像。
为实现上述的发明目的,本发明采用下述的技术方案:
一种基于改进比值变换的全色与高光谱图像融合方法,包括如下步骤:
(1)利用双线性插值将高光谱图像上采样至全色图像相同的空间分辨率;
(2)选择该全色图像光谱响应范围内的高光谱图像波段,将其分为S个组,第1组至第S-1组均包含T1个高光谱图像波段,第S组包含T2个高光谱图像波段,则全色图像光谱响应范围内的高光谱图像波段数=T2+(S-1)×T1;
(3)利用均值加权求和将每组的高光谱图像波段合成为1个波段,得到S个波段的高光谱合成图像;
(4)利用K-means方法将高光谱合成图像的像元按光谱线性相关性划分为R个子类;
(5)对高光谱合成图像中每个像元子类的所有波段加权求和,得到低分辨率全色合成图像;
(6)计算全色图像与低分辨率全色合成图像的比值,利用比值变换生成融合图像。
其中,在所述步骤(2)中,T2取值满足[T1/T2]=1的约束;
在所述步骤(2)中,S的取值为7~12中任意一个正整数,最优取值为10;
在所述步骤(4)中,R取值为2~5中任意一个正整数,最优取值为3;
在所述步骤(4)中,将像元数量小于阈值T3的子类合并为一类;
在所述步骤(4)中,阈值T3的取值优选为0.05×W,W为全色图像的像元总数;
在所述步骤(5)中,以高光谱合成图像中各子类像元的所有波段为自变量,以各子类对应的全色图像为因变量,利用多元线性回归计算加权系数。
本发明所提供的基于改进比值变换的全色与高光谱图像融合方法的优点包括:
1.生成的全色与高光谱融合图像光谱色彩与纹理细节保真度好;
2.对不同卫星采集的全色与高光谱图像适应性好,不需人工设置融合参数,可用于自动化生产融合图像产品。
附图说明
图1为根据本发明实施例的融合方法流程图;
图2(a)-2(d)显示了本发明的实施例与现有典型融合方法的实验结果对比图。
具体实施方式
下面结合附图,对本发明所提供的基于改进比值变换的全色与高光谱图像融合方法的具体实施步骤进行详细的说明。如图1所示,对于配准的全色与高光谱图像,依次通过如下的步骤进行融合处理:
(1)利用双线性插值法将高光谱图像上采样至全色图像相同的空间分辨率,得到上采样的高光谱图像。
假设像素点Ik(x+u,y+v)是高光谱图像第k波段像素点Ik(x,y)、Ik(x+1,y)、Ik(x,y+1)和Ik(x+1,y+1)之间的一个插值点,其中0<u<1,0<v<1,x为图像的行号,y为图像的列号,则插值的计算方法具体如下:
Ik(x+u,y+v)=(1-u)(1-v)Ik(x,y)+uvIk(x+1,y+1)
+v(1-u)Ik(x,y+1)+u(1-v)Ik(x+1,y)
(2)选择全色图像光谱响应范围内的高光谱图像波段,将其分为S个组,第1组至第S-1组均有T1个高光谱图像波段,第S组为T2个高光谱图像波段。
通常,高光谱成像传感器在电磁波谱的紫外、可见光、近红外和中红外区域,以数十至数百个连续且细分的光谱波段对地物同时成像,而全色成像传感器在电磁波谱的可见光和近红外区域单波段成像。根据该规律,选择全色图像光谱响应范围内的高光谱图像波段来生成低分辨率合成全色图像。
本发明将全色图像光谱响应范围内的高光谱图像波段分为S个组:第1组至第S-1组均有T1个高光谱图像波段,记为gi表示第i个分组内的高光谱图像波段,1≤i≤S-1;第S组为T2个高光谱图像波段,记为其中,T2取值须满足[T1/T2]=1的约束,S的取值为7、8、9、10、11和12,最优取值为10。
(3)利用均值加权求和将每组的高光谱图像波段合成为1个波段,得到S个波段的高光谱合成图像,计算公式如下:
其中,(x,y)表示图像第x行第y列的像元,表示高光谱合成图像中第i波段像元(x,y)的取值。
(4)利用K-means方法将高光谱合成图像的像元按光谱线性相关性划分为R个子类。
首先,利用K-means方法将高光谱合成图像的像元分为R个子类,R取值为2、3、4和5,最优取值为3。为了更准确地生成低分辨率全色合成图像,本发明采用高光谱合成图像像元值的线性相关性做为分类的类间距离度量。此外,本发明将像元数量小于阈值T3的子类合并为1类,阈值T3的取值优选为0.05×W,W为全色图像的像元总数。
(5)对高光谱合成图像中每个像元子类的所有波段加权求和,得到低分辨率全色合成图像。
首先,以高光谱合成图像中各子类像元的所有波段为自变量,以各子类对应的全色图像为因变量,利用多元线性回归计算加权系数,记为μik(1≤i≤R,1≤k≤S),表示高光谱合成图像第k波段第i个像元子类的加权系数;然后,利用该加权系数对高光谱合成图像中每个像元子类的所有波段加权求和,得到低分辨率全色合成图像具体如下:
其中,Ωi表示高光谱合成图像的第i个像元子类集合。
(6)计算全色图像与低分辨率全色合成图像的比值,利用比值变换生成融合图像。
按如下公式计算全色图像与低分辨率全色合成图像的比值,并将该比值记为r(x,y):
通过比值变换生成第k波段的融合图像,见下式,其中Fk(x,y)为融合图像,Hk(x,y)为第k波段的融合图像:
Fk(x,y)=r(x,y)Hk(x,y)
本发明方法与国际著名ENVI遥感图像处理软件的GS变换融合法进行了实验对比。GS变换融合法是当前应用最广泛的融合方法。实验数据为美国EO-1卫星拍摄的全色与高光谱图像,共计5景。其中,全色图像平均尺寸约为3000×3000像素,高光谱图像的平均尺寸约为1000×1000像素。
图2显示美国EO-1卫星的全色和高光谱图像以及实验生成的融合图像,其中,图2(a)为全色图像,图2(b)为高光谱图像,图2(c)为ENVI软件中GS变换法生成的融合图像,图2(d)为根据本发明的实施例生成的融合图像。由于实验图像的尺寸较大,为了清晰地展示图中的地物,图2仅给出了实验图像的局部区域。此外,由于无法利用假彩色图像显示融合图像,这里将假彩色的融合图像转化为灰度图像来显示融合效果。在主观评价上,本发明的方法对所有的实验数据均有较好的光谱色彩和纹理细节保真效果,见图2(d),且本方法的保真效果优于ENVI软件的GS变换融合方法。
下面利用光谱扭曲度来评价融合图像的光谱保真效果,同时利用细节扭曲度来评价融合图像的空间细节保真效果。这些指标的取值越小,融合图像的保真效果越好,其定义如下:
(1)光谱色彩扭曲度
光谱扭曲度(记为S1)反映了融合图像[Fi,j,k]M×N×Q与高光谱图像[Hi,j,k]M×N×Q的光谱失真程度,其中M和N为图像的长度与宽度,Q为图像的波段数量,i和j为图像的行号与列号,k为图像波段号,G为高斯滤波器。它的取值越小,说明融合图像的光谱失真越小,计算公式如下:
(2)纹理细节扭曲度
细节扭曲度(记为S2)是指融合图像[Fi,j,k]M×N×Q与全色图像[Pi,j]M×N空间细节信息差值的平均值,其中M和N为图像的长度与宽度,Q为高光谱图像的波段数量,i和j为图像的行号与列号,k为图像波段号,G为高斯滤波器。它的取值越小,融合图像的细节保真程度越好,计算公式如下:
表1列出了本发明方法与对比方法的客观评价结果。由表1可知,在本发明方法生成的融合图像光谱色彩扭曲度和纹理细节扭曲度均小于ENVI软件的GS变换融合方法。实验结果表明本发明方法的融合效果优于对比方法。
表1图像融合质量的客观评价表
本发明所提供的基于改进比值变换的全色与高光谱图像融合方法主要是为提高全色与高光谱图像融合的保真效果专门提出的。但显然,本说明书中所描述的融合方法也适用于普通成像设备如数码相机所拍摄图像的融合操作,所取得的有益效果也是相似的。
以上对本发明所提供的基于改进比值变换的全色与高光谱图像融合方法进行了详细的说明,但显然本发明的范围并不局限于此。在不脱离所附权利要求书所限定的保护范围的情况下,对本发明的各种改变都在本发明的范围之内。
Claims (9)
1.一种基于改进比值变换的全色与高光谱图像融合方法,其特征在于包括:
(1)利用双线性插值将高光谱图像上采样至与全色图像相同的空间分辨率;
(2)选择该全色图像光谱响应范围内的高光谱图像波段,将其分为S个组,第1组至第S-1组均包含T1个高光谱图像波段,第S组包含T2个高光谱图像波段,则全色图像光谱响应范围内的高光谱图像波段数=T2+(S-1)×T1;
(3)利用均值加权求和将每组的高光谱图像波段合成为1个波段,得到S个波段的高光谱合成图像;
(4)利用K-means方法将高光谱合成图像的像元按光谱线性相关性划分为R个子类;
(5)对高光谱合成图像中每个像元子类的所有波段加权求和,得到低分辨率全色合成图像;
(6)计算全色图像与低分辨率全色合成图像的比值,利用比值变换生成融合图像。
2.如权利要求1所述的基于改进比值变换的全色与高光谱图像融合方法,其特征在于:
在所述步骤(2)中,T2取值满足[T1/T2]=1的约束。
3.如权利要求1所述的基于改进比值变换的全色与高光谱图像融合方法,其特征在于:
在所述步骤(2)中,S的取值为7~12中任意一个正整数。
4.如权利要求1所述的基于改进比值变换的全色与高光谱图像融合方法,其特征在于:
在所述步骤(2)中,S的最优取值为10。
5.如权利要求1所述的基于改进比值变换的全色与高光谱图像融合方法,其特征在于:
在所述步骤(4)中,R取值为2~5中任意一个正整数。
6.如权利要求1所述的基于改进比值变换的全色与高光谱图像融合方法,其特征在于:
在所述步骤(4)中,R的最优取值为3。
7.如权利要求1所述的基于改进比值变换的全色与高光谱图像融合方法,其特征在于:
在所述步骤(4)中,将所有像元数量小于阈值T3的子类合并为一类。
8.如权利要求7所述的基于改进比值变换的全色与高光谱图像融合方法,其特征在于:
在所述步骤(4)中,阈值T3的取值优选为0.05×W,W为全色图像的像元总数。
9.如权利要求1所述的基于改进比值变换的全色与高光谱图像融合方法,其特征在于:
在所述步骤(5)中,以高光谱合成图像中各子类像元的所有波段为自变量,以各子类对应的全色图像为因变量,利用多元线性回归计算加权系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610846176.8A CN107016641B (zh) | 2016-09-23 | 2016-09-23 | 一种基于改进比值变换的全色与高光谱图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610846176.8A CN107016641B (zh) | 2016-09-23 | 2016-09-23 | 一种基于改进比值变换的全色与高光谱图像融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107016641A CN107016641A (zh) | 2017-08-04 |
CN107016641B true CN107016641B (zh) | 2017-12-15 |
Family
ID=59439075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610846176.8A Active CN107016641B (zh) | 2016-09-23 | 2016-09-23 | 一种基于改进比值变换的全色与高光谱图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107016641B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544495B (zh) * | 2018-11-13 | 2023-05-23 | 北京遥感设备研究所 | 一种基于高斯滤波和比值变换的SoC芯片图像处理融合方法 |
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 |
CN109886904B (zh) * | 2019-01-25 | 2021-08-10 | 北京市遥感信息研究所 | 一种sar图像与低分辨率多光谱图像融合方法及*** |
CN111681171B (zh) * | 2020-06-15 | 2024-02-27 | 中国人民解放军军事科学院国防工程研究院 | 基于分块匹配的全色与多光谱图像高保真融合方法及装置 |
CN117197018B (zh) * | 2023-09-27 | 2024-05-31 | 北京航空航天大学 | 一种光谱分布保持的乘性变换遥感图像融合方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2187341A1 (en) * | 2008-11-12 | 2010-05-19 | Fundación Robotiker | Method for modelling electromagnetic spectra |
CN103198463A (zh) * | 2013-04-07 | 2013-07-10 | 北京航空航天大学 | 基于整体结构和空间细节信息融合的光谱图像全色锐化方法 |
CN103218796A (zh) * | 2013-05-14 | 2013-07-24 | 中国科学院自动化研究所 | 一种全色—多光谱遥感图像融合方法 |
CN103236047A (zh) * | 2013-03-28 | 2013-08-07 | 北京航空航天大学 | 一种基于替换分量拟合的全色与多光谱图像融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7340099B2 (en) * | 2003-01-17 | 2008-03-04 | University Of New Brunswick | System and method for image fusion |
-
2016
- 2016-09-23 CN CN201610846176.8A patent/CN107016641B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2187341A1 (en) * | 2008-11-12 | 2010-05-19 | Fundación Robotiker | Method for modelling electromagnetic spectra |
CN103236047A (zh) * | 2013-03-28 | 2013-08-07 | 北京航空航天大学 | 一种基于替换分量拟合的全色与多光谱图像融合方法 |
CN103198463A (zh) * | 2013-04-07 | 2013-07-10 | 北京航空航天大学 | 基于整体结构和空间细节信息融合的光谱图像全色锐化方法 |
CN103218796A (zh) * | 2013-05-14 | 2013-07-24 | 中国科学院自动化研究所 | 一种全色—多光谱遥感图像融合方法 |
Non-Patent Citations (3)
Title |
---|
Hyperspectral and Multispectral Image Fusion Based on a Sparse Representation;Qi Wei etal.;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20150731;第53卷(第7期);第3658-3668页 * |
基于PCA变换和光谱补偿的遥感影像融合方法;包磊 等;《吉林大学学报(工学版)》;20130331;第43卷;第88-91页 * |
基于比值变换的全色与多光谱图像高保真融合方法;徐其志 等;《计算机科学》;20141031;第41卷(第10期);第19-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107016641A (zh) | 2017-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016641B (zh) | 一种基于改进比值变换的全色与高光谱图像融合方法 | |
Shao et al. | Remote sensing image fusion with deep convolutional neural network | |
Huang et al. | Spatiotemporal reflectance fusion via sparse representation | |
Song et al. | Spatiotemporal satellite image fusion through one-pair image learning | |
Peng et al. | Decomposable nonlocal tensor dictionary learning for multispectral image denoising | |
Fu et al. | Joint camera spectral sensitivity selection and hyperspectral image recovery | |
González-Audícana et al. | A low computational-cost method to fuse IKONOS images using the spectral response function of its sensors | |
CN109447922B (zh) | 一种改进的ihs变换遥感影像融合方法及*** | |
CN108765359A (zh) | 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法 | |
CN103886559B (zh) | 一种光谱图像处理方法 | |
CN108288256A (zh) | 一种多光谱马赛克图像复原方法 | |
US10237519B2 (en) | Imaging apparatus, imaging system, image generation apparatus, and color filter | |
CN111383203B (zh) | 基于分区域拟合的全色与多光谱遥感图像融合方法 | |
CN109859153B (zh) | 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 | |
Parvatikar et al. | Comparative study of different image fusion techniques | |
Li et al. | A pseudo-siamese deep convolutional neural network for spatiotemporal satellite image fusion | |
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 | |
CN116883799A (zh) | 成分替换模型引导的高光谱图像深度空间光谱融合方法 | |
CN114511470B (zh) | 一种基于注意力机制的双分支全色锐化方法 | |
Chen et al. | A unified spatial-spectral-temporal fusion model using Landsat and MODIS imagery | |
Shivagunde et al. | Single image super-resolution based on modified interpolation method using MLP and DWT | |
Kwan et al. | Change detection using original and fused Landsat and Worldview images | |
CN114677313A (zh) | 一种生成多对抗网络结构的遥感图像空谱融合方法与*** | |
Benzenati et al. | Spectral–Temporal Fusion of Satellite Images via an End-to-End Two-Stream Attention With an Effective Reconstruction Network | |
CN114638761A (zh) | 一种高光谱图像全色锐化方法、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |