CN115760670B - 基于网络隐式先验的无监督高光谱融合方法及装置 - Google Patents
基于网络隐式先验的无监督高光谱融合方法及装置 Download PDFInfo
- Publication number
- CN115760670B CN115760670B CN202310023010.6A CN202310023010A CN115760670B CN 115760670 B CN115760670 B CN 115760670B CN 202310023010 A CN202310023010 A CN 202310023010A CN 115760670 B CN115760670 B CN 115760670B
- Authority
- CN
- China
- Prior art keywords
- image
- module
- representing
- downsampling
- resolution
- 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 17
- 238000006731 degradation reaction Methods 0.000 claims abstract description 35
- 230000015556 catabolic process Effects 0.000 claims abstract description 34
- 230000003595 spectral effect Effects 0.000 claims abstract description 20
- 238000001228 spectrum Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims 2
- 238000000034 method Methods 0.000 abstract description 17
- 238000012549 training Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000012545 processing Methods 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- Image Processing (AREA)
Abstract
本发明公开了基于网络隐式先验的无监督高光谱融合方法及装置,获取低分辨率高光谱和高分辨率多光谱图像;采用噪声对图像进行扰动;将噪声扰动后的图像输入至编码器‑解码器体系结构,进行多级特征学习,生成高分辨率高光谱图像的模糊估计;对模糊估计分别进行空间和光谱下采样;基于低分辨率高光谱图像与空间下采样的结果,高分辨率多光谱图像与光谱下采样的结果,计算退化模型的损失函数,反向传播退化模型的优化参数给编码器‑解码器体系结构;重复执行上述过程,直至生成高分辨率高光谱图像的模糊估计达到循环终止条件。本发明利用两个并行的特殊卷积块分别模拟空间和光谱下采样,形成一个闭环,实现了无训练样本条件下的无监督学习。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及基于网络隐式先验的无监督高光谱融合方法及装置。
背景技术
随着光谱成像技术的不断发展,高光谱遥感技术已经受到了广泛的关注。作为观测地表的主要方法,该技术被广泛应用于农业等方面。高光谱图像由传感器捕获的不同波段图像组成,与传统图像相比,其传递更为丰富、可靠的信息。然而高光谱成像通常受到数据采集设备的限制,在空间分辨率和光谱分辨率之间无法权衡。常见的方法为将实际采集的高分辨率多光谱图像与低分辨率高光谱图像进行融合,生成理想的高分辨率高光谱图像。
近年来,受到视觉***的内在启发,基于深度学习的方法发展迅速,已有大量学者将深度学习的方法运用到高光谱图像中。基于卷积的神经网络结构能够自动捕获图像中的先验知识,适合解决图像融合问题。然而常规的基于深度学习的图像融合方法需要大量的训练三元组,即低分辨率高光谱图像、高分辨率多光谱图像以及相对应的高分辨率高光谱图像,这在现实场景中是极难获取的。因此,如何构建无监督条件下的深度学习框架成为了一个亟待解决的问题。
发明内容
为解决现有技术的不足,通过编码器-解码器结构构建生成网络,并使用卷积模拟高光谱图像退化过程,形成一个闭环,实现了无训练样本图像条件下的无监督学习的目的,本发明采用如下的技术方案:
一种基于网络隐式先验的无监督高光谱融合方法,包括如下步骤:
步骤S1:获取待融合的低分辨率高光谱图像和高分辨率多光谱图像;
步骤S2:采用噪声对所述图像进行扰动;
步骤S3:将噪声扰动后的图像输入至编码器-解码器体系结构,进行多级特征学习,生成高分辨率高光谱图像的模糊估计;
步骤S4:利用两个并行的特殊卷积块实现基于生成神经网络的退化模型,对步骤S3中生成的模糊估计分别进行空间和光谱下采样;
步骤S5:基于低分辨率高光谱图像与空间下采样的结果,高分辨率多光谱图像与光谱下采样的结果,计算退化模型的损失函数,反向传播退化模型的优化参数给编码器-解码器体系结构;
步骤S6、重复步骤S2至步骤S5,直至步骤S3生成高分辨率高光谱图像的模糊估计达到循环终止条件,即得到良好的融合结果。
进一步地,所述步骤S2中,采用高斯核生成初始采样的噪声,使用随机产生的小噪声进行扰动,包括如下步骤:
步骤S2.1:获取的低分辨率高光谱图像X的大小为宽w×高h×长L,高分辨率多光谱图像Y的大小为宽W×高H×长l;
步骤S2.2:采用高斯核生成大小为W×H×L的初始采样噪声z 0;
步骤S2.3:随机生成大小为W×H×L且符合均匀分布的小噪声n,对初始采样噪声z 0进行扰动,最终获得的输入:
z= z
0
+βn
其中,β表示扰动系数。
固定的噪声输入会导致生成神经网络出现局部最小状态,产生对高分辨率高光谱图像不合理的估计。在固定的初始输入中,在每个训练步骤中使用随机产生的小噪声进行扰动,以避免陷入局部最优解。
进一步地,所述步骤S3中,编码器和解码器都由一组卷积模块组成,用于学习不同尺度的特征,编码器每个卷积模块的输出,都通过跳跃连接传输到解码器中对应尺度的卷积模块,以重用提取的详细特征。
进一步地,所述编码器和解码器中的每个卷积模块包括一组卷积层,每个卷积层后执行激活和池化操作,以减小编码器输出的特征图的大小。
进一步地,所述步骤S4中,空间下采样如下:
进一步地,所述步骤S4中,光谱下采样如下:
进一步地,所述步骤S5中,退化模型的损失函数具体如下:
一种基于网络隐式先验的无监督高光谱融合装置,包括图像获取模块、噪声扰动模块、编码器-解码器模块和退化模块;
所述图像获取模块,用于获取待融合的低分辨率高光谱图像和高分辨率多光谱图像;
所述噪声扰动模块,采用噪声对所述图像进行扰动;
所述编码器-解码器模块,将噪声扰动后的图像输入至编码器-解码器体系结构,进行多级特征学习,生成高分辨率高光谱图像的模糊估计;
所述退化模块,利用两个并行的特殊卷积块实现基于生成神经网络的退化模型,对编码器-解码器模块中生成的模糊估计分别进行空间和光谱下采样;
基于低分辨率高光谱图像与空间下采样的结果,高分辨率多光谱图像与光谱下采样的结果,计算退化模型的损失函数,反向传播退化模型的优化参数给编码器-解码器模块;
重复执行噪声扰动模块、编码器-解码器模块和退化模块的操作,直至编码器-解码器模块生成高分辨率高光谱图像的模糊估计达到循环终止条件,即得到良好的融合结果。
进一步地,所述噪声扰动模块,采用高斯核生成初始采样的噪声,使用随机产生的小噪声进行扰动,包括图像尺寸获取模块、初始采样噪声生成模块和小噪声扰动模块;
所述图像尺寸获取模块,获取的低分辨率高光谱图像X的大小为宽w×高h×长L,高分辨率多光谱图像Y的大小为宽W×高H×长l;
所述初始采样噪声生成模块,采用高斯核生成大小为W×H×L的初始采样噪声z 0;
所述小噪声扰动模块,随机生成大小为W×H×L且符合均匀分布的小噪声n,对初始采样噪声z 0进行扰动,最终获得的输入:
z= z
0
+βn
其中,β表示扰动系数。
固定的噪声输入会导致生成神经网络出现局部最小状态,产生对高分辨率高光谱图像不合理的估计。在固定的初始输入中,在每个训练步骤中使用随机产生的小噪声进行扰动,以避免陷入局部最优解。
进一步地,所述退化模块,包括空间下采样模块、光谱下采样模块和损失计算模块;
所述空间下采样模块执行如下:
所述光谱下采样模块执行如下:
所述损失计算模块,其损失函数具体如下:
本发明的优势和有益效果在于:
本发明的基于网络隐式先验的无监督高光谱融合方法及装置,利用解码器-编码器体系结构作为生成网络的主体,通过两并行的特殊卷积块分别模拟空间和光谱下采样,形成一个闭环,以无监督的方式不断优化网络参数,并且以随机噪声作为网络的输入,避免陷入局部最优解,提高模型的泛化性能,产生良好的融合结果。
附图说明
图1是本发明实施例中方法的流程图。
图2是本发明实施例中方法的架构图。
图3是本发明实施例中装置的结构示意图。
图4是本发明实施例中设备的结构示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
如图1、图2所示,一种基于网络隐式先验的无监督高光谱融合方法,该方法充分利用了深度神经网络的隐式先验,实现了高光谱融合的无监督学习,具体包括以下步骤:
步骤S1:获取待融合的低分辨率高光谱图像和高分辨率多光谱图像。
为了确保融合图像的多样性,采用基于分布函数的随机采样噪声作为生成神经网络的输入,本实施例中提供的获取生成神经网络输入的方法,具体步骤参见步骤S2。
步骤S2:采用噪声对所述图像进行扰动;
在一实施例中,采用高斯核生成初始采样的噪声,使用随机产生的小噪声对其进行扰动,提供的获取生成神经网络输入过程,包括如下步骤:
步骤S2.1:获取的低分辨率高光谱图像X的大小为宽w×高h×长L,高分辨率多光谱图像Y的大小为宽W×高H×长l;
步骤S2.2:采用高斯核生成大小为W×H×L的初始采样噪声z 0;
步骤S2.3:随机生成大小为W×H×L且符合均匀分布的小噪声n,对初始采样噪声z 0进行扰动,最终获得的输入:
z= z
0
+βn
其中,表示扰动系数。
固定的噪声输入会导致生成神经网络出现局部最小状态,产生对高分辨率高光谱图像不合理的估计。在固定的初始输入中,在每个训练步骤中使用随机产生的小噪声进行扰动,以避免陷入局部最优解。
步骤S3:将扰动后的噪声输入至一个编码器-解码器体系结构,进行多级特征学习,生成一个高分辨率高光谱图像的模糊估计。
在一实施例中,编码器和解码器都由一组(例如5个)卷积模块组成,用于学习不同尺度的特征,编码器每个卷积模块的输出,都通过跳跃连接传输到解码器中对应尺度的卷积模块,以重用提取的详细特征。
编码器和解码器中的每个卷积模块包括一组(例如3个)卷积层,每个卷积层后执行一次RELU激活函数和核大小为2×2的池化操作,以减小编码器输出的特征图的大小。
步骤S4:利用两个并行的特殊卷积块实现基于生成神经网络的退化模型,对步骤S3中生成的模糊估计分别进行空间和光谱下采样,包括:
步骤S4.1:对步骤S3中生成的模糊估计进行空间下采样,如下:
步骤S4.2:对步骤S3中生成的模糊估计进行光谱下采样,如下:
步骤S5:基于低分辨率高光谱图像与空间下采样的结果,高分辨率多光谱图像与光谱下采样的结果,计算退化模型的损失函数,反向传播退化模型的优化参数给编码器-解码器体系结构;
本实施例中的退化模型的损失函数具体如下:
步骤S6、重复步骤S2至步骤S5,直至步骤S3生成一个高分辨率高光谱图像的模糊估计达到循环终止条件,即得到良好的融合结果。
本实施例利用随机噪声来搜索高分辨率高光谱图像的最优网络空间,以产生良好的融合结果;并且利用两个并行的特殊卷积块模拟下采样过程,形成一个闭环,以实现无监督学习。
如图3所示,一种基于网络隐式先验的无监督高光谱融合装置,包括图像获取模块、噪声扰动模块、编码器-解码器模块和退化模块;
所述图像获取模块,用于获取待融合的低分辨率高光谱图像和高分辨率多光谱图像;
所述噪声扰动模块,采用噪声对所述图像进行扰动;
所述编码器-解码器模块,将噪声扰动后的图像输入至编码器-解码器体系结构,进行多级特征学习,生成高分辨率高光谱图像的模糊估计;
所述退化模块,利用两个并行的特殊卷积块实现基于生成神经网络的退化模型,对编码器-解码器模块中生成的模糊估计分别进行空间和光谱下采样;
基于低分辨率高光谱图像与空间下采样的结果,高分辨率多光谱图像与光谱下采样的结果,计算退化模型的损失函数,反向传播退化模型的优化参数给编码器-解码器模块;
重复执行噪声扰动模块、编码器-解码器模块和退化模块的操作,直至编码器-解码器模块生成高分辨率高光谱图像的模糊估计达到循环终止条件,即得到良好的融合结果。
进一步地,所述噪声扰动模块,采用高斯核生成初始采样的噪声,使用随机产生的小噪声进行扰动,包括图像尺寸获取模块、初始采样噪声生成模块和小噪声扰动模块;
所述图像尺寸获取模块,获取的低分辨率高光谱图像X的大小为宽w×高h×长L,高分辨率多光谱图像Y的大小为宽W×高H×长l;
所述初始采样噪声生成模块,采用高斯核生成大小为W×H×L的初始采样噪声z 0;
所述小噪声扰动模块,随机生成大小为W×H×L且符合均匀分布的小噪声n,对初始采样噪声z 0进行扰动,最终获得的输入:
z= z
0
+βn
其中,β表示扰动系数。
固定的噪声输入会导致生成神经网络出现局部最小状态,产生对高分辨率高光谱图像不合理的估计。在固定的初始输入中,在每个训练步骤中使用随机产生的小噪声进行扰动,以避免陷入局部最优解。
进一步地,所述退化模块,包括空间下采样模块、光谱下采样模块和损失计算模块;
所述空间下采样模块执行如下:
所述光谱下采样模块执行如下:
所述损失计算模块,其损失函数具体如下:
与前述基于网络隐式先验的无监督高光谱融合方法的实施例相对应,本发明还提供了基于网络隐式先验的无监督高光谱融合设备的实施例。
参见图4,本发明实施例提供的基于网络隐式先验的无监督高光谱融合设备,包括存储器和一个或多个处理器,存储器中存储有可执行代码,所述一个或多个处理器执行所述可执行代码时,用于实现上述实施例中的基于网络隐式先验的无监督高光谱融合方法。
本发明基于网络隐式先验的无监督高光谱融合设备的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图4所示,为本发明基于网络隐式先验的无监督高光谱融合设备所在任意具备数据处理能力的设备的一种硬件结构图,除了图4所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的基于网络隐式先验的无监督高光谱融合方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的范围。
Claims (9)
1.一种基于网络隐式先验的无监督高光谱融合方法,其特征在于包括如下步骤:
步骤S1:获取待融合的低分辨率高光谱图像和高分辨率多光谱图像;
步骤S2:采用噪声对所述图像进行扰动;
步骤S3:将噪声扰动后的图像输入至编码器-解码器体系结构,进行多级特征学习,生成高分辨率高光谱图像的模糊估计;
步骤S4:对步骤S3中生成的模糊估计分别进行空间和光谱下采样;
步骤S5:基于低分辨率高光谱图像与空间下采样的结果,高分辨率多光谱图像与光谱下采样的结果,计算退化模型的损失函数,反向传播退化模型的优化参数给编码器-解码器体系结构;退化模型的损失函数具体如下:
步骤S6、重复步骤S2至步骤S5,直至步骤S3生成高分辨率高光谱图像的模糊估计达到循环终止条件。
2.根据权利要求1所述的基于网络隐式先验的无监督高光谱融合方法,其特征在于:所述步骤S2中,采用高斯核生成初始采样的噪声,使用随机产生的小噪声进行扰动,包括如下步骤:
步骤S2.1:获取的低分辨率高光谱图像X的大小为宽w×高h×长L,高分辨率多光谱图像Y的大小为宽W×高H×长l;
步骤S2.2:采用高斯核生成大小为W×H×L的初始采样噪声z0;
步骤S2.3:随机生成大小为W×H×L且符合均匀分布的小噪声n,对初始采样噪声z0进行扰动,最终获得的输入:
z=z0+βn
其中,β表示扰动系数。
3.根据权利要求1所述的基于网络隐式先验的无监督高光谱融合方法,其特征在于:所述步骤S3中,编码器和解码器都由一组卷积模块组成,用于学习不同尺度的特征,编码器每个卷积模块的输出,都通过跳跃连接传输到解码器中对应尺度的卷积模块。
4.根据权利要求3所述的基于网络隐式先验的无监督高光谱融合方法,其特征在于:所述编码器和解码器中的每个卷积模块包括一组卷积层,每个卷积层后执行激活和池化操作。
7.一种基于网络隐式先验的无监督高光谱融合装置,包括图像获取模块、噪声扰动模块、编码器-解码器模块和退化模块,其特征在于:
所述图像获取模块,用于获取待融合的低分辨率高光谱图像和高分辨率多光谱图像;
所述噪声扰动模块,采用噪声对所述图像进行扰动;
所述编码器-解码器模块,将噪声扰动后的图像输入至编码器-解码器体系结构,进行多级特征学习,生成高分辨率高光谱图像的模糊估计;
所述退化模块,对编码器-解码器模块中生成的模糊估计分别进行空间和光谱下采样;
基于低分辨率高光谱图像与空间下采样的结果,高分辨率多光谱图像与光谱下采样的结果,计算退化模型的损失函数,反向传播退化模型的优化参数给编码器-解码器模块;退化模型的损失函数具体如下:
重复执行噪声扰动模块、编码器-解码器模块和退化模块的操作,直至编码器-解码器模块生成高分辨率高光谱图像的模糊估计达到循环终止条件。
8.根据权利要求7所述的一种基于网络隐式先验的无监督高光谱融合装置,其特征在于:
所述噪声扰动模块,采用高斯核生成初始采样的噪声,使用随机产生的小噪声进行扰动,包括图像尺寸获取模块、初始采样噪声生成模块和小噪声扰动模块;
所述图像尺寸获取模块,获取的低分辨率高光谱图像X的大小为宽w×高h×长L,高分辨率多光谱图像Y的大小为宽W×高H×长l;
所述初始采样噪声生成模块,采用高斯核生成大小为W×H×L的初始采样噪声z0;
所述小噪声扰动模块,随机生成大小为W×H×L且符合均匀分布的小噪声n,对初始采样噪声z0进行扰动,最终获得的输入:
z=z0+βn
其中,β表示扰动系数。
9.根据权利要求8所述的一种基于网络隐式先验的无监督高光谱融合装置,其特征在于:所述退化模块,包括空间下采样模块、光谱下采样模块和损失计算模块;
所述空间下采样模块执行如下:
所述光谱下采样模块执行如下:
所述损失计算模块,其损失函数具体如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310023010.6A CN115760670B (zh) | 2023-01-06 | 2023-01-06 | 基于网络隐式先验的无监督高光谱融合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310023010.6A CN115760670B (zh) | 2023-01-06 | 2023-01-06 | 基于网络隐式先验的无监督高光谱融合方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115760670A CN115760670A (zh) | 2023-03-07 |
CN115760670B true CN115760670B (zh) | 2023-05-23 |
Family
ID=85348480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310023010.6A Active CN115760670B (zh) | 2023-01-06 | 2023-01-06 | 基于网络隐式先验的无监督高光谱融合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115760670B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117611492B (zh) * | 2023-12-06 | 2024-06-04 | 电子科技大学 | 多光谱卫星遥感图像的隐式表示及锐化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634137A (zh) * | 2020-12-28 | 2021-04-09 | 西安电子科技大学 | 基于ae提取多尺度空谱特征的高光谱和全色图像融合方法 |
CN115147321A (zh) * | 2022-07-14 | 2022-10-04 | 武汉大学 | 一种基于可解译神经网络的多光谱图像融合方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016187112A1 (en) * | 2015-05-15 | 2016-11-24 | Airfusion, Inc. | Portable apparatus and method for decision support for real time automated multisensor data fusion and analysis |
CN111768342B (zh) * | 2020-09-03 | 2020-12-01 | 之江实验室 | 基于注意力机制和多级反馈监督的人脸超分辨方法 |
CN112801881B (zh) * | 2021-04-13 | 2021-06-22 | 湖南大学 | 一种高分辨率高光谱计算成像方法、***及介质 |
CN113435474A (zh) * | 2021-05-25 | 2021-09-24 | 中国地质大学(武汉) | 一种基于双生成对抗网络的遥感图像融合方法 |
CN114155145B (zh) * | 2021-11-12 | 2024-05-17 | 哈尔滨工业大学 | 一种基于深度展开网络的空谱同时超分辨率重建方法 |
CN114092834B (zh) * | 2022-01-24 | 2022-04-15 | 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*** |
CN114723631A (zh) * | 2022-04-01 | 2022-07-08 | 西安交通大学 | 基于深度上下文先验与多尺度重建子网络的图像去噪方法、***及装置 |
CN114862733A (zh) * | 2022-05-16 | 2022-08-05 | 南京理工大学 | 结合光谱解混先验和可学习退化约束的高光谱图像融合方法 |
CN115512192A (zh) * | 2022-08-16 | 2022-12-23 | 南京审计大学 | 基于跨尺度的octave卷积网络的多光谱和高光谱图像融合方法 |
CN115456923A (zh) * | 2022-09-14 | 2022-12-09 | 湖南大学 | 基于高光谱和多光谱图像融合生成高光谱图像的方法及*** |
CN115311187B (zh) * | 2022-10-12 | 2023-01-24 | 湖南大学 | 基于内部和外部先验的高光谱融合成像方法、***及介质 |
-
2023
- 2023-01-06 CN CN202310023010.6A patent/CN115760670B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634137A (zh) * | 2020-12-28 | 2021-04-09 | 西安电子科技大学 | 基于ae提取多尺度空谱特征的高光谱和全色图像融合方法 |
CN115147321A (zh) * | 2022-07-14 | 2022-10-04 | 武汉大学 | 一种基于可解译神经网络的多光谱图像融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115760670A (zh) | 2023-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lan et al. | MADNet: A fast and lightweight network for single-image super resolution | |
CN112308200B (zh) | 神经网络的搜索方法及装置 | |
CN110782395B (zh) | 图像处理方法及装置、电子设备和计算机可读存储介质 | |
CN111369440B (zh) | 模型训练、图像超分辨处理方法、装置、终端及存储介质 | |
Wen et al. | Image recovery via transform learning and low-rank modeling: The power of complementary regularizers | |
CN109949224B (zh) | 一种基于深度学习的联级超分辨率重建的方法及装置 | |
CN112184554A (zh) | 一种基于残差混合膨胀卷积的遥感图像融合方法 | |
CN116152591B (zh) | 模型训练方法、红外小目标检测方法、装置及电子设备 | |
CN116029947B (zh) | 一种用于恶劣环境的复杂光学图像增强方法、装置和介质 | |
Guan et al. | Srdgan: learning the noise prior for super resolution with dual generative adversarial networks | |
CN115760670B (zh) | 基于网络隐式先验的无监督高光谱融合方法及装置 | |
Beijing et al. | A Quaternion Two‐Stream R‐CNN Network for Pixel‐Level Color Image Splicing Localization | |
Zhou et al. | MSAR‐DefogNet: Lightweight cloud removal network for high resolution remote sensing images based on multi scale convolution | |
Li et al. | Image reflection removal using end‐to‐end convolutional neural network | |
CN113379606A (zh) | 一种基于预训练生成模型的人脸超分辨方法 | |
CN116385265B (zh) | 一种图像超分辨率网络的训练方法及装置 | |
CN115439849B (zh) | 基于动态多策略gan网络的仪表数字识别方法及*** | |
Zhang et al. | Iterative multi‐scale residual network for deblurring | |
CN113628289B (zh) | 基于图卷积自编码器的高光谱影像非线性解混方法及*** | |
Jia et al. | Learning rich information for quad bayer remosaicing and denoising | |
CN113205005B (zh) | 一种面向低光照低分辨率的人脸图像幻构方法 | |
Saenz et al. | Dimensionality-reduction of climate data using deep autoencoders | |
Mu et al. | Underwater image enhancement using a mixed generative adversarial network | |
CN113793267A (zh) | 基于跨维度注意力机制的自监督单遥感图像超分辨率方法 | |
Liu et al. | MODE: Monocular omnidirectional depth estimation via consistent depth fusion |
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 |