CN107274343A - 一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法 - Google Patents
一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法 Download PDFInfo
- Publication number
- CN107274343A CN107274343A CN201710403557.3A CN201710403557A CN107274343A CN 107274343 A CN107274343 A CN 107274343A CN 201710403557 A CN201710403557 A CN 201710403557A CN 107274343 A CN107274343 A CN 107274343A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- library
- spectra
- remote sensing
- spectral
- 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.)
- Pending
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000003595 spectral effect Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 7
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims abstract description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000005316 response function Methods 0.000 claims description 3
- 230000013016 learning Effects 0.000 claims description 2
- 238000004611 spectroscopical analysis Methods 0.000 claims description 2
- 230000007812 deficiency Effects 0.000 abstract description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 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
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法,首先,获得多光谱遥感图像;其次,选择能够涵盖该图像观测区域地物类别的光谱库;然后,给出拟重建高光谱遥感图像的波段信息并与光谱库进行波段匹配;继而,利用匹配后的光谱库数据进行字典训练,得到过完备的光谱字典;再将多光谱图像在无非负约束条件下稀疏表示,得到稀疏表示系数;最后,利用光谱字典、稀疏系数获得光谱超分辨率后的高光谱图像;本发明在稀疏表示框架下,仅利用一幅多光谱图像进行光谱超分辨率重建,获得同一场景下的高光谱图像,降低了数据获取难度;同时,弥补了多光谱图像对光谱细节描述能力的不足,有效提高了光谱获取的精度和有效性。
Description
技术领域
本发明属于遥感图像获取与处理技术领域,适用于多光谱遥感图像的光谱超分辨率重建,特别涉及一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法。
背景技术
高光谱遥感图像在地物识别与分类、环境监测中得到了广泛应用。光谱分辨率的提升依赖于成像光谱仪的分光***,由于其光学结构复杂、体积大、质量重,多搭载在卫星或航空遥感平台上,这使得高光谱数据获取的便捷性和经济性都受到了限制;同时,光谱分辨率的提升使得每条光谱带宽变窄,成像时必须采用较大的瞬时视场(InstantaneousField of View,IFOV)才能积累足够多的光量子以维持成像的信噪比,而瞬时视场与空间分辨率是两个相互制约的技术指标,瞬时视场的增大会导致空间分辨率的降低。然而在许多遥感应用领域,较高的空间分辨率与光谱分辨率都是不可缺少的,因此如何在保持较高空间分辨率的基础上获得光谱超分辨率图像具有重要的现实意义。
现阶段,基于混合像元分解的遥感图像融合技术通过融合同一场景下的多光谱图像与高光谱图像,从而获得具有高光谱分辨率的遥感图像并保持了较高的空间分辨率。混合像元分解将遥感图像分解为各种地物成分(端元),再通过多光谱图像在非负约束下求解各成分所占的比例(丰度)。然而混合像元分解中端元个数的确定以及纯净端元的提取都存在一定的困难,因此所得到的融合图像存在光谱失真问题;同时,同一场景下的同时相多光谱图像与高光谱图像往往难以获得,这也使得该方法难以推广。
近年来,稀疏表示框架在遥感图像超分辨率重建领域展现了巨大的潜力,它将遥感图像表示为字典与稀疏系数的乘积。稀疏表示过程中不需要提取端元,且稀疏系数无非负限制,因此该方法能够克服现阶段图像融合技术的缺点,使得多源遥感图像中蕴含的不同信息能够得到充分表达。此外,光谱库作为大量地物光谱数据的集合,在遥感图像信息解译、分类与识别等方面应用广泛,可以有效提供高分辨率的光谱信息,避免对同一场景同时相多源遥感图像的依赖。本发明将稀疏表示框架引入遥感图像的光谱超分辨率重建中,由波段匹配后的光谱库数据训练得到光谱字典,通过多光谱遥感图像求解稀疏系数,从而获得光谱超分辨率后的高光谱遥感图像。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法,先利用波段匹配的光谱库数据训练得到光谱字典。其次,通过多光谱遥感图像求解稀疏表示系数。最后,通过光谱字典和稀疏系数获得光谱超分辨率的高光谱遥感图像。此方法能在保持空间分辨率的基础上获得光谱超分辨率的高光谱遥感图像,且避免了对同一场景同时相多源遥感图像的依赖。
为了实现上述目的,本发明采用的技术方案是:
一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法,步骤如下:
步骤1,获得一幅低光谱分辨率的多光谱遥感图像;
步骤2,获得涵盖步骤1中该图像观测区域地物类别的光谱库;
步骤3,在步骤2中光谱库波段范围内,给出拟重建高光谱遥感图像的波段数目及其位置信息;
步骤4,将光谱库中的波段与步骤3得到的波段信息进行匹配;
步骤5,利用步骤4中匹配后的光谱库数据,在非分解的模式下进行字典训练,得到过完备的光谱字典D;
步骤6,利用步骤1得到的多光谱遥感图像以及步骤5得到的过完备光谱字典D,在无非负约束的条件下求解稀疏表示系数A;
步骤7,通过获得光谱超分辨率后的高光谱遥感图像。
所述步骤1中获得的低光谱分辨率的多光谱遥感图像YL∈Rb×N的同时获得光谱响应函数L,b和N分别为多光谱遥感图像的波段和空间像素点数目,R为实数空间。
所述步骤4中光谱库与步骤3中得到的波段信息进行匹配是指,通过如下方法:
WΩ=min||PWl-Wx||2 (1)
获得两者匹配的波段信息WΩ∈RB×1,其中P∈RB×M,为选择矩阵,Wl∈RM×1与Wx∈RB×1分别为光谱库与光谱超分辨率遥感图像的波段信息,M≥B,分别为光谱库与拟重建高光谱遥感图像的波段数目。
所述步骤5中过完备光谱字典D利用光谱库中匹配的光谱数据,由K-SVD字典学习方法通过优化如下最小化问题求得:
其中,Y∈RB×n是波段信息为WΩ的光谱库数据,为稀疏系数矩阵,n为光谱库中光谱数目,k为光谱字典列数,λ1为正则化系数。
所述步骤6中稀疏表示系数A通过交替方向乘子法(ADMM)求解如下1范数约束问题得到:
其中,L∈Rb×B,为光谱响应函数,B>>b,λ2为正则化系数。
与现有技术相比,本发明的有益效果是:
1)本发明仅利用一幅多光谱图像进行光谱超分辨率重建,避免了对同一场景下同时相多源遥感图像的依赖,降低了数据获取难度。
2)本发明在稀疏表示框架下,引入波段匹配策略下基于光谱库的光谱字典非分解求解方法,弥补了多光谱图像对光谱细节描述能力的不足,提高了光谱超分辨率重建精度。
3)本发明通过无非负约束且非迭代的方法求解稀疏表示系数,提高了光谱超分辨率重建图像的准确性和有效性。
附图说明
图1是本发明稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法流程图。
图2是本发明实施例中第10波段高光谱参考图像。
图3是本发明实施例采用的光谱传递函数。
图4是本发明实施例中某一像素的光谱超分辨率结果。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
如图1所示,本发明一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法,包括如下步骤:
步骤1,获得一幅低光谱分辨率的多光谱遥感图像;
在本实施例中,为了进行全参考定量评价,这里的多光谱遥感图像YL∈Rb×N由高光谱参考图像降光谱分辨率得到,并将获取过程建模为YL=LX。其中X∈RB×N为高光谱遥感图像,L∈Rb×B为光谱响应函数,B>>b,分别为两幅图像的波段数,N为遥感图像空间维度包含的像素点数目,R为实数空间;为了进行全参考定量评价,选用机载可见光/红外成像测谱仪(Airborne Visible/Infrared Imaging Spectrometer,AVIRIS)所采集高光谱遥感图像(见图2)中与光谱库波段匹配度较高的97个波段作为高光谱参考图像,每波段图像大小为300*300,光谱传递函数为L∈R4×97(见图3),因此,本实施例中获得的多光谱图像仅有四个波段;实际应用场景下的多光谱遥感图像是直接采集得到的。
步骤2,获得涵盖步骤1中该图像观测区域地物类别的光谱库;
在本实施例中,涵盖步骤1中多光谱遥感图像所对应地物类别的光谱库采用的是美国地质勘探局(United States Geological Survey,UGRS)光谱库中的矿物光谱,其波长范围为0.4~2.5μm,可见光分辨率为0.2nm,近红外分辨率为0.5nm,共481条光谱曲线。
步骤3,在步骤2中光谱库波段范围内,给出拟重建高光谱遥感图像的波段数目及其位置信息;
在本实施例中,为了进行全参考定量评价,拟重建高光谱遥感图像的波段信息采用步骤1中高光谱参考图像的波段位置信息Wx∈R97×1,含有97个波段,波长范围为0.4~1.6μm。
步骤4,将光谱库中的波段与步骤3得到的波段信息进行匹配;
在本实施例中,选择矩阵P的每行有且只有一个“1”元素,其余皆为“0”元素,采用欧氏距离衡量波段信息的匹配程度。
步骤5,利用步骤4中匹配后的光谱库数据,在非分解的模式下进行字典训练,得到过完备的光谱字典D;
在本实施例中,对匹配后的光谱库数据进行K-SVD字典训练的参数为:稀疏度为10,字典列数k=481
步骤6,利用步骤1得到的多光谱遥感图像以及步骤5得到的过完备光谱字典D,在无非负约束的条件下求解稀疏表示系数A;
在本实例中,采用增广拉格朗日乘子法求解式(3),其参数为:迭代次数T=1,正则化系数λ2=10-6,拉格朗日参数μ=10-2。
步骤7,通过获得光谱超分辨率后的高光谱遥感图像。
本实施例中,光谱超分辨率后的高光谱遥感图像的PSNR为40.91,MSE为5.27,光谱角SAM为1.21,可见本发明获得了高质量的高光谱遥感图像。
综上,本发明在稀疏表示框架下,利用光谱库提供的光谱信息在非负和非分解模式下求解光谱字典和稀疏系数,仅利用一幅多光谱图像进行光谱超分辨率重建,获得同一场景下的高光谱图像,降低了数据获取难度;同时,波段匹配策略下基于光谱库的光谱字典构建,弥补了多光谱图像对光谱细节描述能力的不足,有效提高了光谱获取的精度和有效性。
Claims (5)
1.一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法,其特征在于,包括以下步骤:
步骤1,获得一幅低光谱分辨率的多光谱遥感图像;
步骤2,获得涵盖步骤1中该图像观测区域地物类别的光谱库;
步骤3,在步骤2中光谱库波段范围内,给出拟重建高光谱遥感图像的波段数目及其位置信息;
步骤4,将光谱库中的波段与步骤3得到的波段信息进行匹配;
步骤5,利用步骤4中匹配后的光谱库数据,在非分解的模式下进行字典训练,得到过完备的光谱字典D;
步骤6,利用步骤1得到的多光谱遥感图像以及步骤5得到的过完备光谱字典D,在无非负约束的条件下求解稀疏表示系数A;
步骤7,通过获得光谱超分辨率后的高光谱遥感图像。
2.根据权利要求1所述稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法,其特征在于,所述步骤1中获得低光谱分辨率的多光谱遥感图像YL∈Rb×N的同时获得光谱响应函数L,b和N分别为多光谱遥感图像的波段和空间像素点数目,R为实数空间。
3.根据权利要求1所述稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法,其特征在于,所述步骤4中,将将光谱库中的波段与步骤3中得到的波段信息进行匹配是通过公式:
WΩ=min||PWl-Wx||2
获得两者匹配的波段信息WΩ∈RB×1,其中P∈RB×M,为选择矩阵,Wl∈RM×1与Wx∈RB×1分别为光谱库与拟重建高光谱遥感图像的波段信息,M≥B,分别为光谱库与拟重建高光谱遥感图像的波段数目。
4.根据权利要求1所述稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法,其特征在于,所述步骤5中过完备光谱字典D利用光谱库中匹配的光谱数据,由K-SVD字典学习方法通过优化如下最小化问题求得:
<mrow>
<mi>D</mi>
<mo>=</mo>
<mi>arg</mi>
<mi>min</mi>
<mo>|</mo>
<mo>|</mo>
<mi>Y</mi>
<mo>-</mo>
<mi>D</mi>
<mover>
<mi>A</mi>
<mo>^</mo>
</mover>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>1</mn>
</msub>
<mo>|</mo>
<mo>|</mo>
<mover>
<mi>A</mi>
<mo>^</mo>
</mover>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>0</mn>
</msub>
</mrow>
其中,Y∈RB×n是波段信息为WΩ的光谱库数据,为稀疏系数矩阵,n为光谱库中光谱数目,k为光谱字典列数,λ1为正则化系数。
5.根据权利要求1所述稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法,其特征在于,所述步骤6中稀疏表示系数A通过交替方向乘子法(ADMM)求解如下1范数约束问题得到:
<mrow>
<mi>A</mi>
<mo>=</mo>
<mi>argmin</mi>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>Y</mi>
<mi>L</mi>
</msub>
<mo>-</mo>
<mi>L</mi>
<mi>D</mi>
<mi>A</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mn>2</mn>
</msub>
<mo>|</mo>
<mo>|</mo>
<mi>A</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
</mrow>
其中,L∈Rb×B,为光谱响应函数,B>>b,λ2为正则化系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710403557.3A CN107274343A (zh) | 2017-06-01 | 2017-06-01 | 一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710403557.3A CN107274343A (zh) | 2017-06-01 | 2017-06-01 | 一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107274343A true CN107274343A (zh) | 2017-10-20 |
Family
ID=60065806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710403557.3A Pending CN107274343A (zh) | 2017-06-01 | 2017-06-01 | 一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107274343A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818546A (zh) * | 2017-11-01 | 2018-03-20 | 淮海工学院 | 一种基于稀疏表示的正电子发射断层图像超分辨率重建方法 |
CN108596819A (zh) * | 2018-03-28 | 2018-09-28 | 广州地理研究所 | 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 |
CN110852950A (zh) * | 2019-11-08 | 2020-02-28 | 中国科学院微小卫星创新研究院 | 基于稀疏表示和图像融合的高光谱图像超分辨率重建方法 |
CN111353937A (zh) * | 2020-02-28 | 2020-06-30 | 南京航空航天大学 | 一种遥感图像的超分辨率重构方法 |
CN111861885A (zh) * | 2020-07-15 | 2020-10-30 | 中国人民解放***箭军工程大学 | 一种用于高光谱超分辨率重建的超像素稀疏表示方法 |
CN112102218A (zh) * | 2020-09-25 | 2020-12-18 | 北京师范大学 | 一种生成高空间分辨率多光谱影像的融合方法 |
CN113723348A (zh) * | 2021-09-10 | 2021-11-30 | 中国石油大学(华东) | 一种基于丰度稀疏约束的高光谱混合像元分解方法 |
CN114022364A (zh) * | 2021-11-22 | 2022-02-08 | 清华大学 | 基于光谱库优化学习的多光谱图像光谱超分方法和*** |
CN114332607A (zh) * | 2021-12-17 | 2022-04-12 | 清华大学 | 针对多帧图像光谱字典构建的增量学习方法和*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324047A (zh) * | 2011-09-05 | 2012-01-18 | 西安电子科技大学 | 基于稀疏核编码skr的高光谱图像地物识别方法 |
CN103247034A (zh) * | 2013-05-08 | 2013-08-14 | 中国科学院光电研究院 | 一种基于稀疏光谱字典的压缩感知高光谱图像重构方法 |
CN105528623A (zh) * | 2016-01-09 | 2016-04-27 | 北京工业大学 | 一种基于地物类别分类冗余字典的成像光谱图像稀疏表示方法 |
CN105761234A (zh) * | 2016-01-28 | 2016-07-13 | 华南农业大学 | 一种基于结构稀疏表示的遥感影像融合方法 |
CN106780424A (zh) * | 2017-01-12 | 2017-05-31 | 清华大学 | 一种基于极少数优化选择波段的高光谱图像获取方法 |
-
2017
- 2017-06-01 CN CN201710403557.3A patent/CN107274343A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324047A (zh) * | 2011-09-05 | 2012-01-18 | 西安电子科技大学 | 基于稀疏核编码skr的高光谱图像地物识别方法 |
CN103247034A (zh) * | 2013-05-08 | 2013-08-14 | 中国科学院光电研究院 | 一种基于稀疏光谱字典的压缩感知高光谱图像重构方法 |
CN105528623A (zh) * | 2016-01-09 | 2016-04-27 | 北京工业大学 | 一种基于地物类别分类冗余字典的成像光谱图像稀疏表示方法 |
CN105761234A (zh) * | 2016-01-28 | 2016-07-13 | 华南农业大学 | 一种基于结构稀疏表示的遥感影像融合方法 |
CN106780424A (zh) * | 2017-01-12 | 2017-05-31 | 清华大学 | 一种基于极少数优化选择波段的高光谱图像获取方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818546A (zh) * | 2017-11-01 | 2018-03-20 | 淮海工学院 | 一种基于稀疏表示的正电子发射断层图像超分辨率重建方法 |
CN108596819A (zh) * | 2018-03-28 | 2018-09-28 | 广州地理研究所 | 一种基于稀疏表达的内陆光学复杂水体高光谱重构方法 |
CN110852950B (zh) * | 2019-11-08 | 2023-04-07 | 中国科学院微小卫星创新研究院 | 基于稀疏表示和图像融合的高光谱图像超分辨率重建方法 |
CN110852950A (zh) * | 2019-11-08 | 2020-02-28 | 中国科学院微小卫星创新研究院 | 基于稀疏表示和图像融合的高光谱图像超分辨率重建方法 |
CN111353937A (zh) * | 2020-02-28 | 2020-06-30 | 南京航空航天大学 | 一种遥感图像的超分辨率重构方法 |
CN111353937B (zh) * | 2020-02-28 | 2023-09-29 | 南京航空航天大学 | 一种遥感图像的超分辨率重构方法 |
CN111861885A (zh) * | 2020-07-15 | 2020-10-30 | 中国人民解放***箭军工程大学 | 一种用于高光谱超分辨率重建的超像素稀疏表示方法 |
CN111861885B (zh) * | 2020-07-15 | 2024-05-24 | 中国人民解放***箭军工程大学 | 一种用于高光谱超分辨率重建的超像素稀疏表示方法 |
CN112102218A (zh) * | 2020-09-25 | 2020-12-18 | 北京师范大学 | 一种生成高空间分辨率多光谱影像的融合方法 |
CN112102218B (zh) * | 2020-09-25 | 2023-07-07 | 北京师范大学 | 一种生成高空间分辨率多光谱影像的融合方法 |
CN113723348A (zh) * | 2021-09-10 | 2021-11-30 | 中国石油大学(华东) | 一种基于丰度稀疏约束的高光谱混合像元分解方法 |
CN114022364A (zh) * | 2021-11-22 | 2022-02-08 | 清华大学 | 基于光谱库优化学习的多光谱图像光谱超分方法和*** |
CN114332607A (zh) * | 2021-12-17 | 2022-04-12 | 清华大学 | 针对多帧图像光谱字典构建的增量学习方法和*** |
CN114332607B (zh) * | 2021-12-17 | 2024-06-11 | 清华大学 | 针对多帧图像光谱字典构建的增量学习方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107274343A (zh) | 一种稀疏框架下基于光谱库的多光谱遥感图像光谱超分辨率方法 | |
CN104867124B (zh) | 基于对偶稀疏非负矩阵分解的多光谱与全色图像融合方法 | |
Bioucas-Dias et al. | Hyperspectral remote sensing data analysis and future challenges | |
US10192288B2 (en) | Method and system for generating high resolution worldview-3 images | |
Li et al. | Hyperspectral pansharpening via improved PCA approach and optimal weighted fusion strategy | |
CN109410159A (zh) | 双目可见光及红外热成像复合成像***、方法及介质 | |
Lanaras et al. | Hyperspectral super-resolution with spectral unmixing constraints | |
CN102540271B (zh) | 基于增强约束稀疏回归的半监督高光谱亚像元目标检测法 | |
CN114022364B (zh) | 基于光谱库优化学习的多光谱图像光谱超分方法和*** | |
Yu et al. | CapViT: Cross-context capsule vision transformers for land cover classification with airborne multispectral LiDAR data | |
CN115984155A (zh) | 一种基于光谱解混的高光谱、多光谱和全色图像融合方法 | |
CN106780424A (zh) | 一种基于极少数优化选择波段的高光谱图像获取方法 | |
Gopal Singh et al. | Permuted spectral and permuted spectral-spatial cnn models for polsar-multispectral data based land cover classification | |
CN116091833A (zh) | 注意力与Transformer高光谱图像分类方法及*** | |
Fortuna et al. | Multivariate image fusion: A pipeline for hyperspectral data enhancement | |
Rudrapal et al. | Land cover classification using support vector machine | |
CN106780423B (zh) | 一种基于少数波段高分辨率图像的光谱重建方法 | |
Wen et al. | A novel spatial fidelity with learnable nonlinear mapping for panchromatic sharpening | |
Yang et al. | Deep‐learning based on‐chip rapid spectral imaging with high spatial resolution | |
Wang et al. | Hyperspectral image super-resolution via knowledge-driven deep unrolling and transformer embedded convolutional recurrent neural network | |
CN111126463A (zh) | 基于局部信息约束和稀疏表示的光谱图像分类方法及*** | |
CN107655571A (zh) | 一种基于色散模糊的光谱成像***及其光谱重建方法 | |
Zhu et al. | HCNNet: A hybrid convolutional neural network for spatiotemporal image fusion | |
CN105067116B (zh) | 一种画幅式成像光谱数据的拼接方法及*** | |
Malleswara Rao et al. | Hyperspectral and multispectral data fusion using fast discrete curvelet transform for urban surface material characterization |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171020 |
|
RJ01 | Rejection of invention patent application after publication |