CN110148103A - 基于联合优化的高光谱和多光谱图像融合方法、计算机可读存储介质、电子设备 - Google Patents
基于联合优化的高光谱和多光谱图像融合方法、计算机可读存储介质、电子设备 Download PDFInfo
- Publication number
- CN110148103A CN110148103A CN201910355496.7A CN201910355496A CN110148103A CN 110148103 A CN110148103 A CN 110148103A CN 201910355496 A CN201910355496 A CN 201910355496A CN 110148103 A CN110148103 A CN 110148103A
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- spectrum
- spatial resolution
- abundance
- 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 25
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims abstract description 108
- 238000001228 spectrum Methods 0.000 claims abstract description 72
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims description 16
- 230000003595 spectral effect Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 9
- 230000015556 catabolic process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000006731 degradation reaction Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007850 degeneration Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000017105 transposition Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000013341 scale-up Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于联合优化的高光谱和多光谱图像融合方法、计算机可读存储介质、电子设备,解决现有高光谱和多光谱图像融合方法依赖空间退化矩阵,导致高光谱图像空间分辨率较低的问题。该方法包括以下步骤:步骤1、输入真实值;步骤2、对真实值进行预处理,得到可观测的低空间分辨率高光谱图像和可观测的高空间分辨率多光谱图像;步骤3、根据线性光谱混叠模型,利用非负矩阵分解,对图像Ih和图像Im进行光谱解混,联合优化所需的端元矩阵和丰度矩阵,得到图像Ih的端元矩阵E、丰度矩阵Ah和图像Im的丰度矩阵A;步骤4、估计出高空间分辨率高光谱图像,记作图像Z。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种基于联合优化的高光谱和多光谱图像融合方法、计算机可读存储介质、电子设备,可应用于环境监测、目标检测、目标分类以及军事侦察等领域。
背景技术
高光谱成像***在许多连续且非常窄的光谱波段中对电磁波谱进行采样,获得的高光谱图像具有高的光谱分辨率。为了获取更多的波段,传感器在接受光能前有一个分光过程,即分光镜把光分为许多份,那么在光入射能量一定条件下,分光后每个波段只有小部分能量到达传感器。传感器获得一定光能才能响应,为了确保足够信噪比,必须增大芯片像素尺寸。像素尺寸指每个像素的面积,当像素尺寸增大时,单位面积内像素数量减小,这会导致获得的图像空间分辨率减小。基于以上原因,由高光谱成像***获得的高光谱图像具有低空间分辨率。由于各种硬件限制,现有技术人员提出采用软件方法来提高高光谱图像的空间分辨率,即高光谱和多光谱图像融合方法,通过与具有高空间分辨率的多光谱图像融合来提高高光谱图像空间分辨率。
近年来,研究学者们提出了很多高光谱和多光谱图像融合方法。这些方法的目的是,由可观测的低空间分辨率-高光谱分辨率高光谱图像和可观测的高空间分辨率-低光谱分辨率多光谱图像,生成不可观测的高空间分辨率-高光谱分辨率高光谱图像。此类方法大多依赖与空间退化矩阵,空间退化矩阵包含了高光谱分辨率高光谱图像与低空间分辨率多光谱图像之间的空间退化关系。Z.H.Nezhad等人在文献“Z.H.Nezhad,A.Karami,R.Heylenand P. Scheunders,“Fusion of Hyperspectral and Multispectral Images UsingSpectral Unmixing and Sparse Coding,”IEEE Journal of Selected Topics inApplied Earth Observations and Remote Sensing,vol.9,no.6,pp.2377-2389,2016.”中提出一种基于光谱解混和稀疏编码的高光谱和多光谱图像融合方法,该方法的融合过程是一个不适定逆问题,先用基于稀疏编码构建的正则化项将其转换为适定逆问题,然后用不相关场景中一些高空间分辨率多光谱图像或全色图像进而构建一个合适字典,基于该字典和由线性光谱解混模型估算的初始高空间分辨率高光谱图像来估计稀疏编码,再使用稀疏编码作为正则化项,通过求解适定的逆问题来计算丰度,最后从获得的丰度和端元获得所需的高空间分辨率高光谱图像。然而,在实际应用中,准确地估计出空间退化矩阵非常困难,此类方法需要估计空间退化矩阵,产生的估计误差会在融合过程中传播,影响融合方法性能。
综上所述,现有的高光谱和多光谱图像融合方法过于依赖空间退化矩阵,导致高光谱图像空间分辨率较低,使其存在一定的限制性。
发明内容
为了解决现有高光谱和多光谱图像融合方法依赖空间退化矩阵,导致高光谱图像空间分辨率较低的问题,本发明提出了一种基于联合优化的高光谱和多光谱图像融合方法、计算机可读存储介质、电子设备,主要用于改善高光谱图像空间分辨率低的问题,以提高高光谱图像的空间分辨率。
本发明的技术解决方案是:
一种基于联合优化的高光谱和多光谱图像融合方法,包括以下步骤:
步骤1、输入真实值,所述真实值指真实的高空间分辨率高光谱图像;
步骤2、对真实值进行预处理,得到可观测的低空间分辨率高光谱图像和可观测的高空间分辨率多光谱图像,将它们分别记作图像Ih和图像Im;
步骤3、根据线性光谱混叠模型,利用非负矩阵分解,对图像Ih和图像Im进行光谱解混,联合优化所需的端元矩阵和丰度矩阵;当达到最大迭代次数后,得到图像Ih的端元矩阵E、丰度矩阵Ah和图像Im的丰度矩阵A;
步骤4、解混重建,根据图像Ih的端元矩阵E和图像Im的丰度矩阵A,计算出高空间分辨率高光谱图像,即最终的融合结果,记作图像Z。
进一步地,所述步骤2具体为:
步骤2.1)对真实值进行空间退化处理,即先对真实值进行模糊操作,再对所得结果进行下采样操作,得到可观测的低空间分辨率高光谱图像,记作图像Ih;
步骤2.2)对真实值进行光谱退化处理,即让真实值与光谱响应矩阵相乘,得到可观测的高空间分辨率多光谱图像,记作图像Im。
进一步地,所述步骤3具体为:
步骤3.1)输入图像Ih、图像Im和光谱响应矩阵Gm,把图像Ih的端元矩阵和丰度矩阵分别记作E和Ah,把图像Im的丰度矩阵记作A,根据线性光谱混叠模型Ih≈EAh和Im≈GmEA,对图像Ih利用非负矩阵分解进行光谱解混可以得到E和Ah,对图像Im利用非负矩阵分解进行光谱解混可以得到A;
步骤3.2)初始化端元矩阵E、丰度矩阵Ah和丰度矩阵A,迭代次数k=0;
步骤3.3)同时更新端元矩阵E、丰度矩阵Ah和丰度矩阵A:
其中,α(k)是第k次迭代的步长,L是损失函数;
其中,参数λ=8,‖·‖F表示F范数,和分别表示L对E、Ah和A求偏导数;
其中,(·)T表示矩阵转置;
步骤3.4)判断是否达到最大迭代次数,若达到则输出得到的端元矩阵E、丰度矩阵Ah和和丰度矩阵A,否则继续步骤3.3)。
进一步地,所述步骤4具体为:
步骤4.1)根据图像Ih的端元矩阵E和图像Im的丰度矩阵A,计算出高空间分辨率高光谱图像,即最终的融合结果,记作图像Z:
Z=EA。
进一步地,所述步骤4还包括步骤4.2):
步骤4.2)比较图像Z和真实值,计算评价指标。
同时,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
此外,本发明还提供一种电子设备,所述电子设备包括:
处理器;
计算机可读存储介质,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行上述方法的步骤。
与现有方法相比,本发明具有以下有益效果:
1.本发明图像融合方法不需要光谱退化矩阵的先验知识,采用基于联合优化的方法对低空间分辨率高光谱图像和高空间分辨率多光谱图像进行融合,根据线性光谱混叠模型,利用非负矩阵分解,对低空间分辨率高光谱图像和高空间分辨率多光谱图像进行光谱解混,联合优化所需的端元矩阵和丰度矩阵,最后对它们进行解混重建,可以得到质量更高的高空间分辨率高光谱图像,该方法不需要光谱退化矩阵的参与,克服了传统方法对光谱退化矩阵的依赖,提高了高光谱图像的空间分辨率,具有融合效果好、复杂度低的优点。
2.本发明图像融合方法应用范围较广,可应用于环境监测、目标检测、目标分类以及军事侦察等领域。
附图说明
图1为本发明基于联合优化的高光谱和多光谱图像融合方法的流程图。
具体实施方式
以下结合附图和具体实施例对本发明的内容作进一步详细描述:
本发明方法根据线性光谱混叠模型,利用非负矩阵分解,对低空间分辨率高光谱图像和高空间分辨率多光谱图像进行光谱解混,联合优化所需的端元矩阵和丰度矩阵,最后对它们进行解混重建,可以得到质量更高的高空间分辨率高光谱图像。本发明与现有方法相比,不需要光谱退化矩阵的参与,克服了传统方法对光谱退化矩阵的依赖,具有融合效果好、复杂度低以及应用范围广泛的优点。
如图1所示,本发明所提供的基于联合优化的高光谱和多光谱图像融合方法,包括以下步骤:
步骤1、输入真实值,真实值指真实的高空间分辨率高光谱图像;
步骤2、对真实值进行预处理,得到可观测的低空间分辨率高光谱图像和可观测的高空间分辨率多光谱图像,将它们分别记作图像Ih和图像Im;
步骤2.1)对真实值进行空间退化处理,即先对真实值进行模糊操作,再对所得结果进行下采样操作,得到可观测的低空间分辨率高光谱图像,记作图像Ih;
步骤2.2)对真实值进行光谱退化处理,即让真实值与光谱响应矩阵相乘,得到可观测的高空间分辨率多光谱图像,记作图像Im;
步骤3、根据线性光谱混叠模型,利用非负矩阵分解,对图像Ih和图像Im进行光谱解混,联合优化所需的端元矩阵和丰度矩阵,当达到最大迭代次数后,得到图像Ih的端元矩阵E、丰度矩阵Ah和图像Im的丰度矩阵A;
步骤3.1)输入图像Ih、图像Im和光谱响应矩阵Gm,把图像Ih的端元矩阵和丰度矩阵分别记作E和Ah,把图像Im的丰度矩阵记作A,根据线性光谱混叠模型Ih≈EAh和Im≈GmEA,对图像Ih利用非负矩阵分解进行光谱解混可以得到E和Ah,对图像Im利用非负矩阵分解进行光谱解混可以得到A;
步骤3.2)初始化端元矩阵E、丰度矩阵Ah和丰度矩阵A,迭代次数k=0;
步骤3.3)同时更新端元矩阵E、丰度矩阵Ah和丰度矩阵A:
其中,α(k)是第k次迭代的步长,它的计算方法在文献“C.-J.Lin,“Projectedgradient methods for nonnegative matrix factorization,”Neural Computation,vol. 19,no.10,pp.2756–2779,2007.”的Algorithm 4中,L是损失函数,
其中,参数λ=8,‖·‖F表示F范数,和分别表示L对E、Ah和A求偏导数,
其中,(·)T表示矩阵转置;
步骤3.4)判断是否达到最大迭代次数,若达到则输出得到的端元矩阵E、丰度矩阵Ah和和丰度矩阵A,否则继续步骤3.3;
步骤4、解混重建和计算评价指标
步骤4.1)根据图像Ih的端元矩阵E和图像Im的丰度矩阵A,估计出高空间分辨率高光谱图像,即最终的融合结果,记作图像Z:
Z=EA。
步骤4.2)比较图像Z和真实值,计算评价指标。通过比较融合结果和真实值的相似度大小,从而评价融合方法的性能,即融合结果和真实值的相似度越大表明融合结果的质量越好。
以下通过具体仿真实验进一步地说明本发明的效果。
1、仿真条件
本发明方法是在中央处理器为Intel(R)Core(TM)i7 5930k、内存64GB、 Ubuntu操作***上,运用MATLAB软件进行的仿真;
2、仿真内容
采用的实验数据为Pavia University数据库,该数据库包含1张真实高光谱图像,图像内容是Pavia University,图像的空间分辨率是1.3米。图像的大小是200×200×103,其中200×200是图像的空间大小,103是光谱波段数。将 Pavia University数据库中原始的高光谱图像作为真实值,经过模糊和下采样4 倍得到的图像作为测试的低空间分辨率高光谱图像。
在Pavia University数据库上,完成本发明算法(一种基于联合优化的高光谱和多光谱图像融合方法)的实验。为了证明算法的有效性,综合考虑算法的流行性、崭新性,选取了4种对比方法进行比较:Bicubic,FUSE,PALM和CO-CNMF。其中,Bicubic是经典的基准方法,由Zeyde等人在文献“R.Zeyde, M.Elad,and M.Protter,“On single image scale-upusingsparse-representations,”Curves and Surfaces,2012,pages 711-730.”中提出;FUSE在文献“Q.Wei,N.Dobigeon,and J.-Y.Tourneret,“Fast fusion of multi-bandimages based on solving a sylvester equation,”IEEE Transactions onImageProcessing,vol.24,no.11,pp.4109-4121,2015.”中提出;PALM在文献“C.Lanaras,E.Baltsavias,and K.Schindler,“Hyperspectralsuperresolution by coupledspectral unmixing,”in IEEE International Conference on Computer Vision,2015,pp.3586-3594.”中提出;CO-CNMF在文献“C.-H.Lin,F.Ma,C.-Y. Chi,and C.-H.Hsieh,“Aconvex optimization-based coupled nonnegative matrix factorization algorithmfor hyperspectral and multispectral data fusion,”IEEE Transactions onGeoscienceand Remote Sensing,vol.56,no.3,pp.1652-1667, 2018.”中提出。
利用真实值和超分辨率高光谱图像的PSNR、UIQI、RMSE、ERGAS和SAM 衡量融合方法的性能。在Pavia University数据库上,与4种对比方法进行比较,结果如表1所示。
从表1可见,本发明的融合结果比现有融合方法更好。这是因为现有方法需要估计空间退化矩阵,估计过程中产生的误差会在融合过程中传递,这会影响融合方法的性能,本发明不需要空间退化矩阵的参与,缓解了估计空间退化矩阵过程中产生的误差会在融合过程中传递的问题。因此本方法比其它方法更鲁棒,更有效,进一步地验证了本发明的先进性。
表1不同融合方法的对比结果
Bicubic | FUSE | PALM | CO-CNMF | 本发明 | |
PSNR | 25.885 | 32.032 | 33.708 | 32.105 | 36.329 |
UIQI | 0.768 | 0.949 | 0.963 | 0.950 | 0.975 |
RMSE | 13.261 | 6.906 | 5.367 | 6.629 | 4.260 |
ERGAS | 8.086 | 4.256 | 3.473 | 3.955 | 3.049 |
SAM | 6.271 | 4.840 | 4.038 | 4.280 | 3.650 |
本发明实施例还提供一种计算机可读存储介质,用于存储程序,程序被执行时实现基于联合优化的高光谱和多光谱图像融合方法的步骤。在一些可能的实施方式中,本发明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当所述程序产品在终端设备上运行时,所述程序代码用于使所述终端设备执行本说明书上述方法部分中描述的根据本发明各种示例性实施方式的步骤。
用于实现上述方法的程序产品,其可以采用便携式紧凑盘只读存储器 (CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器 (CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (7)
1.一种基于联合优化的高光谱和多光谱图像融合方法,其特征在于,包括以下步骤:
步骤1、输入真实值,所述真实值指真实的高空间分辨率高光谱图像;
步骤2、对真实值进行预处理,得到可观测的低空间分辨率高光谱图像和可观测的高空间分辨率多光谱图像,将它们分别记作图像Ih和图像Im;
步骤3、根据线性光谱混叠模型,利用非负矩阵分解,对图像Ih和图像Im进行光谱解混,联合优化所需的端元矩阵和丰度矩阵;当达到最大迭代次数后,得到图像Ih的端元矩阵E、丰度矩阵Ah和图像Im的丰度矩阵A;
步骤4、解混重建,根据图像Ih的端元矩阵E和图像Im的丰度矩阵A,计算出高空间分辨率高光谱图像,即最终的融合结果,记作图像Z。
2.根据权利要求1所述的基于联合优化的高光谱和多光谱图像融合方法,其特征在于,所述步骤2具体为:
步骤2.1)对真实值进行空间退化处理,即先对真实值进行模糊操作,再对所得结果进行下采样操作,得到可观测的低空间分辨率高光谱图像,记作图像Ih;
步骤2.2)对真实值进行光谱退化处理,即让真实值与光谱响应矩阵相乘,得到可观测的高空间分辨率多光谱图像,记作图像Im。
3.根据权利要求1所述的基于联合优化的高光谱和多光谱图像融合方法,其特征在于,所述步骤3具体为:
步骤3.1)输入图像Ih、图像Im和光谱响应矩阵Gm,把图像Ih的端元矩阵和丰度矩阵分别记作E和Ah,把图像Im的丰度矩阵记作A,根据线性光谱混叠模型Ih≈EAh和Im≈GmEA,对图像Ih利用非负矩阵分解进行光谱解混可以得到E和Ah,对图像Im利用非负矩阵分解进行光谱解混可以得到A;
步骤3.2)初始化端元矩阵E、丰度矩阵Ah和丰度矩阵A,迭代次数k=0;
步骤3.3)同时更新端元矩阵E、丰度矩阵Ah和丰度矩阵A:
其中,α(k)是第k次迭代的步长,L是损失函数;
其中,参数λ=8,‖·‖F表示F范数,和分别表示L对E、Ah和A求偏导数;
其中,(·)T表示矩阵转置;
步骤3.4)判断是否达到最大迭代次数,若达到则输出得到的端元矩阵E、丰度矩阵Ah和和丰度矩阵A,否则继续步骤3.3)。
4.根据权利要求1或2或3所述的基于联合优化的高光谱和多光谱图像融合方法,其特征在于,所述步骤4具体为:
步骤4.1)根据图像Ih的端元矩阵E和图像Im的丰度矩阵A,计算出高空间分辨率高光谱图像,即最终的融合结果,记作图像Z:
Z=EA。
5.根据权利要求4所述的基于联合优化的高光谱和多光谱图像融合方法,其特征在于,所述步骤4还包括步骤4.2):
步骤4.2)比较图像Z和真实值,计算评价指标。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1-4任一所述方法的步骤。
7.一种电子设备,其特征在于,所述电子设备包括:
处理器;
计算机可读存储介质,其上存储有计算机程序,所述计算机程序被所述处理器运行时执行权利要求1至4任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910355496.7A CN110148103B (zh) | 2019-04-29 | 2019-04-29 | 基于联合优化的高光谱和多光谱图像融合方法、计算机可读存储介质、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910355496.7A CN110148103B (zh) | 2019-04-29 | 2019-04-29 | 基于联合优化的高光谱和多光谱图像融合方法、计算机可读存储介质、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110148103A true CN110148103A (zh) | 2019-08-20 |
CN110148103B CN110148103B (zh) | 2020-12-25 |
Family
ID=67594585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910355496.7A Active CN110148103B (zh) | 2019-04-29 | 2019-04-29 | 基于联合优化的高光谱和多光谱图像融合方法、计算机可读存储介质、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110148103B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369487A (zh) * | 2020-05-26 | 2020-07-03 | 湖南大学 | 一种高光谱和多光谱图像融合方法、***及介质 |
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 |
CN113516646A (zh) * | 2021-07-26 | 2021-10-19 | 云南电网有限责任公司电力科学研究院 | 一种多传感器图像数据的高光谱分辨率增强方法及装置 |
CN113822207A (zh) * | 2021-09-27 | 2021-12-21 | 海南长光卫星信息技术有限公司 | 高光谱遥感图像识别方法、装置、电子设备及存储介质 |
CN113888413A (zh) * | 2021-12-03 | 2022-01-04 | 湖南大学 | 异时异源多光谱图像盲光谱超分辨方法及*** |
CN114092834A (zh) * | 2022-01-24 | 2022-02-25 | 南京理工大学 | 基于空谱联合残差修正网络的无监督高光谱图像盲融合方法及*** |
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 |
CN116757925A (zh) * | 2023-05-16 | 2023-09-15 | 宁波大学 | 一种生成高时空谱分辨率卫星遥感影像的方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697008A (zh) * | 2009-10-20 | 2010-04-21 | 北京航空航天大学 | 一种自动估计正则化参数的高光谱解混方法 |
CN103325096A (zh) * | 2013-06-25 | 2013-09-25 | 中国科学院遥感与数字地球研究所 | 基于多/高光谱图像融合的宽幅高光谱图像重构方法 |
CN108460749A (zh) * | 2018-03-20 | 2018-08-28 | 西安电子科技大学 | 一种高光谱与多光谱图像的快速融合方法 |
CN109636769A (zh) * | 2018-12-18 | 2019-04-16 | 武汉大学 | 基于双路密集残差网络的高光谱和多光谱图像融合方法 |
-
2019
- 2019-04-29 CN CN201910355496.7A patent/CN110148103B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101697008A (zh) * | 2009-10-20 | 2010-04-21 | 北京航空航天大学 | 一种自动估计正则化参数的高光谱解混方法 |
CN103325096A (zh) * | 2013-06-25 | 2013-09-25 | 中国科学院遥感与数字地球研究所 | 基于多/高光谱图像融合的宽幅高光谱图像重构方法 |
CN108460749A (zh) * | 2018-03-20 | 2018-08-28 | 西安电子科技大学 | 一种高光谱与多光谱图像的快速融合方法 |
CN109636769A (zh) * | 2018-12-18 | 2019-04-16 | 武汉大学 | 基于双路密集残差网络的高光谱和多光谱图像融合方法 |
Non-Patent Citations (1)
Title |
---|
MOUSSA SOFIANE KAROUT ETC.: ""JOINT NONNEGATIVE MATRIX FACTORIZATION FOR HYPERSPECTRAL AND MULTISPECTRAL REMOTE SENSING DATA FUSION"", 《2013 5TH WORKSHIP ON HYPERSPECTRAL IMAGE AND SIGNAL PROCESSING: EVOLUTION IN REMOTE SENSING》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369487A (zh) * | 2020-05-26 | 2020-07-03 | 湖南大学 | 一种高光谱和多光谱图像融合方法、***及介质 |
CN111369487B (zh) * | 2020-05-26 | 2020-09-18 | 湖南大学 | 一种高光谱和多光谱图像融合方法、***及介质 |
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 |
CN113516646A (zh) * | 2021-07-26 | 2021-10-19 | 云南电网有限责任公司电力科学研究院 | 一种多传感器图像数据的高光谱分辨率增强方法及装置 |
CN113822207A (zh) * | 2021-09-27 | 2021-12-21 | 海南长光卫星信息技术有限公司 | 高光谱遥感图像识别方法、装置、电子设备及存储介质 |
CN113822207B (zh) * | 2021-09-27 | 2024-02-02 | 海南长光卫星信息技术有限公司 | 高光谱遥感图像识别方法、装置、电子设备及存储介质 |
CN113888413B (zh) * | 2021-12-03 | 2022-02-22 | 湖南大学 | 异时异源多光谱图像盲光谱超分辨方法及*** |
CN113888413A (zh) * | 2021-12-03 | 2022-01-04 | 湖南大学 | 异时异源多光谱图像盲光谱超分辨方法及*** |
CN114092834A (zh) * | 2022-01-24 | 2022-02-25 | 南京理工大学 | 基于空谱联合残差修正网络的无监督高光谱图像盲融合方法及*** |
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 |
CN116757925A (zh) * | 2023-05-16 | 2023-09-15 | 宁波大学 | 一种生成高时空谱分辨率卫星遥感影像的方法和装置 |
CN116757925B (zh) * | 2023-05-16 | 2024-07-02 | 宁波大学 | 一种生成高时空谱分辨率卫星遥感影像的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110148103B (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110148103A (zh) | 基于联合优化的高光谱和多光谱图像融合方法、计算机可读存储介质、电子设备 | |
Cai et al. | Mst++: Multi-stage spectral-wise transformer for efficient spectral reconstruction | |
Zhao et al. | Efficient and model-based infrared and visible image fusion via algorithm unrolling | |
Cai et al. | Coarse-to-fine sparse transformer for hyperspectral image reconstruction | |
CN110363215B (zh) | 基于生成式对抗网络的sar图像转化为光学图像的方法 | |
WO2018166438A1 (zh) | 图像处理方法、装置及电子设备 | |
CN107525588B (zh) | 一种基于gpu的双相机光谱成像***的快速重构方法 | |
CN105740799B (zh) | 基于三维Gabor特征选择的高光谱遥感图像分类方法及*** | |
CN111127374B (zh) | 一种基于多尺度密集网络的Pan-sharpening方法 | |
CN110501072B (zh) | 一种基于张量低秩约束的快照式光谱成像***的重构方法 | |
Messaoud et al. | Structural consistency and controllability for diverse colorization | |
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 | |
CN105761234A (zh) | 一种基于结构稀疏表示的遥感影像融合方法 | |
Lyu et al. | Neural radiance transfer fields for relightable novel-view synthesis with global illumination | |
Rockwell et al. | The 8-point algorithm as an inductive bias for relative pose prediction by vits | |
CN114359283A (zh) | 基于Transformer的缺陷检测方法和电子设备 | |
CN111680579B (zh) | 一种自适应权重多视角度量学习的遥感图像分类方法 | |
CN109146787A (zh) | 一种基于插值的双相机光谱成像***的实时重建方法 | |
CN114298997B (zh) | 一种伪造图片检测方法、装置及存储介质 | |
Bernabé et al. | Parallel hyperspectral coded aperture for compressive sensing on gpus | |
Zhou et al. | MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution | |
Wang et al. | Infrared and visible image fusion based on multi‐channel convolutional neural network | |
Shukla et al. | Extremely weak supervised image-to-image translation for semantic segmentation | |
Varghese et al. | Unpaired image-to-image translation of structural damage | |
Ketsoi et al. | SREFBN: Enhanced feature block network for single‐image super‐resolution |
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 |