CN110458766B - 一种快照式高光谱图像去马赛克方法 - Google Patents
一种快照式高光谱图像去马赛克方法 Download PDFInfo
- Publication number
- CN110458766B CN110458766B CN201910623381.1A CN201910623381A CN110458766B CN 110458766 B CN110458766 B CN 110458766B CN 201910623381 A CN201910623381 A CN 201910623381A CN 110458766 B CN110458766 B CN 110458766B
- Authority
- CN
- China
- Prior art keywords
- image
- demosaicing
- hyperspectral
- hyperspectral image
- rank
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 abstract description 20
- 238000004422 calculation algorithm Methods 0.000 abstract description 18
- 230000000694 effects Effects 0.000 abstract description 7
- 238000001228 spectrum Methods 0.000 abstract description 7
- 238000004321 preservation Methods 0.000 abstract description 6
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000000926 separation method Methods 0.000 abstract 1
- 238000000701 chemical imaging Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification 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
- G06T3/4015—Image demosaicing, e.g. colour filter arrays [CFA] or Bayer patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Color Television Image Signal Generators (AREA)
Abstract
本发明公开了一种快照式高光谱图像去马赛克方法,包括对原始马赛克图像进行光谱通道分离预处理;运用相关性加权插值算法对每个光谱通道进行独立插值,得到初始重构高光谱图像;对初始重构高光谱图像进行分块预处理;利用低秩性图像优化算法对子图像块进行降秩优化处理;将优化后的每个子图像块重构组合,得到最终去马赛克高光谱图像。本方法对图像边缘部分和微小细节的保存效果良好,是一种准确、高效的高光谱图像去马赛克技术。利用低秩性图像优化算法可以有效降低初始插值过程引入的噪声,进一步提高去马赛克后高光谱图像信噪比。该方法具有显著优势,能够获得信噪比较高的重构高光谱图像,对图像边缘部分和微小细节的保存效果良好。
Description
技术领域
本发明涉及图像处理领域,尤其涉及一种快照式高光谱图像去马赛克方法。
背景技术
高光谱图像不仅能够获取场景的空间信息,同时也获取其光谱信息,具有广泛的应用价值。目前大多数高光谱成像***采用多个独立的图像传感器分别获取不同波段的光谱通道图像,因此存在成本高、体积大、拍照时间长以及图像配准等问题。通过在高光谱成像***CCD(Charge Coupled Device)或CMOS(Complementary Metal OxideSemiconductor)传感器表面覆盖一层光谱滤光阵列(Spectral Filter Array,SFA)一次成像即可获取高光谱图像。这种快照式高光谱成像***获取的图像,在每个像素位置只能采集某一光谱波段信息,得到的是一维马赛克图像。为了得到完整的三维高光谱图像,需要对马赛克图像进行插值处理,恢复每个像素位置缺失的光谱信息,这一过程被称为“去马赛克”(Demosaicking)。
RGB图像去马赛克方法的研究已经比较成熟,很多基于拜尔滤光阵列的去马赛克算法被提出。对于高光谱图像去马赛克方法的研究还比较少,而且RGB图像的去马赛克方法不能直接应用于高光谱图像去马赛克。高光谱图像光谱通道数更多导致每个光谱波段严重欠采样,而且没有标准光谱滤光阵列排列模式,不同光谱滤光阵列模式也会影响图像去马赛克的实现过程。因此,高光谱图像去马赛克难度更大、复杂度更高。
Miao L.等人在“Binary Tree Based Generic Demosaicking Algorithm forMultispectral Filter Arrays”(IEEE Transactions on Image Processing.2006.15(11):3550-3558)文章中提出基于二进制树的多光谱滤光阵列(multi-spectral filterarray,MSFA)模式和和基于边缘检测的多光谱图像去马赛克算法。H.K.Aggarwal等人在“Compressive Sensing Multi-Spectral Demosaicing from Single SensorArchitecture”(Signal and Information Processing(China SIP),2014 IEEE ChinaSummit&International Conference[S.1.]:IEEE,2014:334-338)文章中提出两种模式的MSFA,并将压缩感知理论引入多光谱图像去马赛克算法研究中。Congcong Wang等人在“ALinear Interpolation Algorithm for Spectral Filter Array Demosaicking”(International Conference on Image and Signal Processing.SpringerInternational Publishing,2014.)文章中提出了一种基于残差的线性插值的算法。
发明人在实现本发明的过程中,发现现有技术中至少存在以下缺点和不足:
上述算法计算复杂度高,对于通道数较多的滤光阵列去马赛克图像边缘和文理部分锯齿效应较明显。
发明内容
本发明提供了一种快照式高光谱图像去马赛克方法,本发明利用低秩性优化算法对初始去马赛克图像进行降秩优化处理,得到最终去马赛克的高光谱图像,详见下文描述:
一种快照式高光谱图像去马赛克方法,所述方法包括以下步骤:
根据目标像素点与相邻像素点的欧式距离,计算相应的权值;根据相邻像素位置的权值不同,进行相关性加权插值,得到目标像素点的像素值;
将插值后的初始去马赛克高光谱图像分成若干三维图像块,搜索与待处理三维图像块相似的图像块,并组合成新的具有低秩性的立方体;
利用低秩优化对立方体进行奇异值处理,提取优化后的子图像块,将每个子图像块重构组合,得到最终去马赛克高光谱图像。
其中,所述根据目标像素点与相邻像素点的欧式距离,计算相应的权值具体为:
其中,α为调节参数,同理可计算出ω2、ω3和ω4,且满足
进一步地,所述搜索与待处理三维图像块相似的图像块,并组合成新的具有低秩性的立方体与待处理三维图像块相似的图像块,并组合成新的具有低秩性的立方体具体为:
根据图像相似性,在全域范围内搜寻与待处理子像素块X最相似的n个图像块Yi,使得Yi与待处理图像块X的差异最小,即:
将待处理子像素块X和其n个相似图像块Yi组成新的数据立方体B。
进一步地,所述利用低秩优化对立方体进行奇异值处理具体为:
[U,S,V]=svd(B)
对数据立方体B进行奇异值分解,提取的奇异值S的个数与高光谱图像通道数相同Si;即:
对S中的每一个奇异值进行优化处理得到S′,用S′替换S得到重构矩阵B′,即:
B′=U*S′*V
得到低秩优化后的数据立方体B′,从中提取优化后的目标图像块X,将每个优化后的三维图像块重构组合,得到最终去马赛克高光谱图像。
本发明提供的技术方案的有益效果是:
1、本方法不仅可以有效提高高光谱图像去马赛克峰值信噪比(PSNR),对图像细节和纹理保存效果良好;
2、本方法不需要考虑滤光阵列的排列模式和通道数,是一种准确、高效的高光谱图像去马赛克技术,在基于滤光阵列的快照式高光谱成像领域具有广阔的应用前景;
3、本发明的高光谱图像去马赛克技术通道数更多(以16通道和25通道为例进行验证),无需考虑光谱滤光阵列的排列模式,在相关性加权插值估算中加入低秩性图像优化算法能够有效减小插值误差,准确估计插值结果。
附图说明
图1是本发明提供的一种快照式高光谱图像去马赛克方法的流程图;
图2是两种高光谱滤光阵列的示意图;
(a)为16通道滤光阵列,数字1-16表示16种不同波长通道,每个通道只允许该波长的光通过;(b)为16通道滤光阵列通道1平面;(c)为25通道滤光阵列,数字1-25表示25种不同波长通道。
图3是本发明所用的高光谱图像。
其中,(a)为伪彩色图像;(b)为16通道高光谱图像第16通道(650nm波段)原始图像;(c)为模拟图2(a)16通道滤光阵列对16通道高光谱图像采样得到的第16通道(650nm波段)马赛克图像;(d)为本发明提供的方法对16通道高光谱图像去马赛克得到的去马赛克图像第16通道(650nm波段)图像。
图4是本发明所用的另一高光谱图像。
其中,(a)为伪彩色图像;(b)为25通道高光谱图像第25通道(680nm波段)原始图像;(c)为模拟图2(c)25通道滤光阵列对25通道高光谱图像采样得到的第25通道(680nm波段)马赛克图像;(d)为本发明提供的方法对25通道高光谱图像去马赛克得到的去马赛克图像第25通道(680nm波段)图像。
图3和图4的高光谱图像取自CAVE高光谱图像数据库,该数据库的高光谱图像由31个波段组成,各波段图像像素大小为512piexl×512piexl,波长范围是400nm至700nm,光谱分辨率为10nm。此数据库中的高光谱图像每个波段图像单独采集,可用作对比评价的原始图像。以16通道为例,选择波长范围500nm至650nm的16个通道组成高光谱图像。25通道高光谱图像波长范围为440nm至680nm。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
实施例1
一种快照式高光谱图像去马赛克方法,参见图1,该方法包括以下步骤:
101:根据目标像素点与相邻像素点的欧式距离,计算相应的权值;
102:根据相邻像素位置的权值不同,进行相关性加权插值,得到目标像素点的像素值;
103:将插值后的初始去马赛克高光谱图像分成若干三维图像块,搜索与待处理三维图像块相似的图像块,并组合成新的数据立方体;
104:合成的数据立方体具有低秩性,利用低秩优化算法对其进行处理,提取出算法优化后的子图像块,将每个子图像块重构组合,得到最终去马赛克高光谱图像。
综上所述,本发明实施例通过上述步骤101-104不仅可以有效提高高光谱图像去马赛克峰值信噪比(PSNR),对图像细节和纹理保存效果良好,满足了实际应用中的需要。
实施例2
下面结合图2和图3对本发明实施例提供的种快照式高光谱图像去马赛克方法进行进一步地介绍,详见下文描述:
基于光谱滤光阵列的快照式高光谱成像技术直接得到的是严重欠采样的马赛克图像,传感器表面覆盖的光谱滤光阵列使得每个像素位置只能采集某一波段的光谱信息,要得到完整的高光谱图像需要对马赛克图像进行去马赛克处理。本发明实施例提出的高光谱图像去马赛克技术能够高效、准确重建高光谱图像,对图像细节和纹理保存效果良好。而且不需要考虑滤光阵列的排列模式和通道数。结合附图,详细说明如下:
其中,根据欧式距离计算目标像素点相邻像素位置权值具体为:
以图2(b)为例,为重建第1通道P点光谱数据,利用其相邻的4个已知像素值(即P1、P2、P3和P4)来估算P点像素值。相邻像素点和目标像素点P的距离不同对应的权值不同,本发明实施例采用欧式距离计算权值。P1点到P点的距离D1为:
其中,(xP,yP)、(xP1,yP1)为P点和P1点的位置坐标。根据上面的距离计算算法设计加权计算公式,P1点权值参数ω1为:
其中,α为调节参数,同理可计算出ω2、ω3和ω4,且满足
所述对马赛克图像进行加权插值具体为:
根据计算权值参数,对P点进行加权插值,即:
计算所有缺失数据,完成高光谱图像初始重建。
其中,对初始重建高光谱图像进行分块处理并提取相似块具体为:
将大小为M×N×L(L代表高光谱图像通道数)的初始重构高光谱图像分成大小为b×b×L的三维子图像块。根据图像相似性,在全域范围内搜寻与待处理子像素块X最相似的n个图像块Yi(i=1,2,…,n),使得Yi与待处理图像块X的差异最小,即:
将待处理子像素块X和其n个相似图像块Yi组成新的数据立方体B。具体过程为:
将大小为b×b×L的待处理子像素块X展开成K×L的矩阵(K=b×b),其中K为待处理子像素块的像素个数,L为光谱通道数。同理将与待处理子像素块X最相似的n个图像块Yi(i=1,2,…,n)也展开成大小相同的矩阵,并将这些矩阵组合成新的数据立方体B。
其中,利用低秩性优化算法对构造的数据立方体进行处理具体为:
对构建的由n+1个图像块组成的矩阵B作奇异值提取(Singular ValueExtraction,记为SVE),即对矩阵进行奇异值分解,即:
[U,S,V]=svd(B)
对矩阵B进行奇异值分解,提取的奇异值S的个数与高光谱图像通道数相同Si(i=1,2,3…,L),由于本方法所针对的高光谱图像通道数较少,所以传统方法方法对S的处理无法应用,本方法提出的S优化算法对S中的每一个值进行优化,即:
对S中的每一个奇异值进行优化处理得到S′,用S′替换S得到重构矩阵B′,即:
B′=U*S′*V
得到低秩优化后的数据立方体B′,从中提取算法优化后的目标图像块X。将每个优化后的三维图像块重构组合,得到最终去马赛克高光谱图像。
以16通道高光谱图像为例,光谱滤光阵列模式如图2(a)所示,光谱通道1至16对应波长范围500nm至650nm,光谱分辨率为10nm。图3所示为原始图像和去马赛克前后图像,(a)为伪彩色图像。(b)为通道16(650nm波段)原始图像。(c)为模拟16通道滤光阵列采样得到通道16(650nm波段)马赛克图像。(d)为本发明提供的去马赛克技术得到的去马赛克图像通道16(650nm波段)图像,峰值信噪比(PSNR)为32.84dB。
25通道高光谱图像光谱滤光阵列模式如图2(c)所示,光谱通道1至25对应波长范围440nm至650nm,光谱分辨率为10nm。图4所示为原始图像和去马赛克前后图像,(a)为伪彩色图像。(b)为通道25(680nm波段)原始图像。(c)为模拟25通道滤光阵列采样得到的通道25(680nm波段)马赛克图像。(d)为本发明提供的去马赛克技术得到的去马赛克图像通道25(680nm波段)图像,峰值信噪比(PSNR)为31.62dB。
从结果可以看出,本方法能够较好的重建高光谱图像,对图像细节和纹理保存效果良好。从技术原理可看出,本发明提出的高光谱图像去马赛克技术适用于不同光谱通道数和不同的滤光阵列排列模式。是一种准确、高效的高光谱图像去马赛克技术。
本发明实施例对各器件的型号除做特殊说明的以外,其他器件的型号不做限制,只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种快照式高光谱图像去马赛克方法,其特征在于,所述方法包括以下步骤:
根据目标像素点与相邻像素点的欧式距离,计算相应的权值;根据相邻像素位置的权值不同,进行相关性加权插值,得到目标像素点的像素值;
将插值后的初始去马赛克高光谱图像分成若干三维图像块,搜索与待处理三维图像块相似的图像块,并组合成新的具有低秩性的立方体;
利用低秩优化对立方体进行奇异值处理,提取优化后的子图像块,将每个子图像块重构组合,得到最终去马赛克高光谱图像;
其中,
所述根据目标像素点与相邻像素点的欧式距离,计算相应的权值具体为:
其中,α为调节参数,同理可计算出ω2、ω3和ω4,且满足D1为P1点到P点的欧式距离;ω1为相邻像素点P1的权值参数,ω2、ω3和ω4分别为相邻像素点P2、P3和P4对应的权值参数,P为目标像素点,i为第i个相邻像素点;
所述利用低秩优化对立方体进行奇异值处理具体为:
[U,S,V]=svd(B)
对数据立方体B进行奇异值分解,提取的奇异值S的个数与高光谱图像通道数相同,Si的计算公式为:
对S中的每一个奇异值进行优化处理得到S′,用S′替换S得到重构矩阵B′,即:
B′=U*S′*V
得到低秩优化后的数据立方体B′,从中提取优化后的目标图像块X,将每个优化后的三维图像块重构组合,得到最终去马赛克高光谱图像。
2.根据权利要求1所述的一种快照式高光谱图像去马赛克方法,其特征在于,所述搜索与待处理三维图像块相似的图像块,并组合成新的具有低秩性的立方体具体为:
根据图像相似性,在全域范围内搜寻与待处理子像素块X最相似的n个图像块Yi,使得Yi与待处理图像块X的差异最小,即:
将待处理子像素块X和其n个相似图像块Yi组成新的数据立方体B。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910623381.1A CN110458766B (zh) | 2019-07-11 | 2019-07-11 | 一种快照式高光谱图像去马赛克方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910623381.1A CN110458766B (zh) | 2019-07-11 | 2019-07-11 | 一种快照式高光谱图像去马赛克方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458766A CN110458766A (zh) | 2019-11-15 |
CN110458766B true CN110458766B (zh) | 2023-08-25 |
Family
ID=68482597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910623381.1A Active CN110458766B (zh) | 2019-07-11 | 2019-07-11 | 一种快照式高光谱图像去马赛克方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458766B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288008B (zh) * | 2020-10-29 | 2022-03-01 | 四川九洲电器集团有限责任公司 | 一种基于深度学习的马赛克多光谱图像伪装目标检测方法 |
CN113486906B (zh) * | 2021-07-07 | 2024-01-09 | 西北工业大学 | 快照式光谱图像的马赛克空谱梯度方向直方图提取方法 |
CN114240776B (zh) * | 2021-12-12 | 2024-03-12 | 西北工业大学 | 一种针对msfa高光谱图像的去马赛克与压缩融合框架 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1289310A2 (en) * | 2001-08-27 | 2003-03-05 | Agilent Technologies, Inc. | Method and system for adaptive demosaicing |
CN103595981A (zh) * | 2013-10-25 | 2014-02-19 | 西安电子科技大学 | 基于非局部低秩的色彩滤波阵列图像去马赛克方法 |
CN106934775A (zh) * | 2017-03-08 | 2017-07-07 | 中国海洋大学 | 一种基于低秩恢复的非局部图像去噪方法 |
CN107292258A (zh) * | 2017-06-14 | 2017-10-24 | 南京理工大学 | 基于双边加权调制与滤波的高光谱图像低秩表示聚类方法 |
CN107886481A (zh) * | 2017-11-06 | 2018-04-06 | 维沃移动通信有限公司 | 一种图像处理方法、装置及移动终端 |
CN108288256A (zh) * | 2018-01-31 | 2018-07-17 | 中国科学院西安光学精密机械研究所 | 一种多光谱马赛克图像复原方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9336570B2 (en) * | 2014-05-15 | 2016-05-10 | The United States Of America, As Represented By The Secretary Of The Navy | Demosaicking system and method for color array based multi-spectral sensors |
US10861143B2 (en) * | 2017-09-27 | 2020-12-08 | Korea Advanced Institute Of Science And Technology | Method and apparatus for reconstructing hyperspectral image using artificial intelligence |
-
2019
- 2019-07-11 CN CN201910623381.1A patent/CN110458766B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1289310A2 (en) * | 2001-08-27 | 2003-03-05 | Agilent Technologies, Inc. | Method and system for adaptive demosaicing |
CN103595981A (zh) * | 2013-10-25 | 2014-02-19 | 西安电子科技大学 | 基于非局部低秩的色彩滤波阵列图像去马赛克方法 |
CN106934775A (zh) * | 2017-03-08 | 2017-07-07 | 中国海洋大学 | 一种基于低秩恢复的非局部图像去噪方法 |
CN107292258A (zh) * | 2017-06-14 | 2017-10-24 | 南京理工大学 | 基于双边加权调制与滤波的高光谱图像低秩表示聚类方法 |
CN107886481A (zh) * | 2017-11-06 | 2018-04-06 | 维沃移动通信有限公司 | 一种图像处理方法、装置及移动终端 |
CN108288256A (zh) * | 2018-01-31 | 2018-07-17 | 中国科学院西安光学精密机械研究所 | 一种多光谱马赛克图像复原方法 |
Non-Patent Citations (1)
Title |
---|
基于变分正则化的彩色滤波阵列(CFA)图像去马赛克方法研究;吴萱;《中国优秀硕博士学位论文全文数据库(硕士) 信息科技辑》;20170715;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110458766A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458766B (zh) | 一种快照式高光谱图像去马赛克方法 | |
Liu et al. | A spectral grouping and attention-driven residual dense network for hyperspectral image super-resolution | |
CN111260576B (zh) | 一种基于去噪三维卷积自编码网络的高光谱解混算法 | |
Grohnfeldt et al. | Jointly sparse fusion of hyperspectral and multispectral imagery | |
Fu et al. | Joint camera spectral response selection and hyperspectral image recovery | |
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 | |
CN102663719B (zh) | 基于非局部均值的Bayer型CFA图像去马赛克方法 | |
CN101976435B (zh) | 基于对偶约束的联合学习超分辨方法 | |
CN108288256B (zh) | 一种多光谱马赛克图像复原方法 | |
He et al. | Deep convolutional neural network framework for subpixel mapping | |
CN110211044B (zh) | 基于去马赛克算法和主成分分析的多光谱成像方法及装置 | |
CN111510691B (zh) | 颜色插值方法及装置、设备、存储介质 | |
CN110880162B (zh) | 基于深度学习的快照光谱深度联合成像方法及*** | |
CN102254301A (zh) | 基于边缘方向插值的cfa图像去马赛克方法 | |
CN107169946B (zh) | 基于非负稀疏矩阵与超球面彩色变换的图像融合方法 | |
CN108932708A (zh) | 基于超分辨增强的星载多光谱遥感图像融合方法 | |
CN110335197B (zh) | 基于非局部统计本征的去马赛克方法 | |
Tseng et al. | Wavelet-based multispectral image fusion | |
CN112734636A (zh) | 一种多源异构遥感影像的融合方法 | |
CN105931184B (zh) | 基于联合优化的sar图像超分辨率方法 | |
CN111563844A (zh) | 一种遥感图像自适应融合方法 | |
CN117114987A (zh) | 基于亚像素和梯度引导的光场图像超分辨率重建方法 | |
Zhao et al. | FOV expansion of bioinspired multiband polarimetric imagers with convolutional neural networks | |
CN114511470B (zh) | 一种基于注意力机制的双分支全色锐化方法 | |
CN110992266B (zh) | 基于多维度非局部统计本征的去马赛克方法及*** |
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 |