JP6945953B2 - 撮像システム及び画像処理の方法 - Google Patents
撮像システム及び画像処理の方法 Download PDFInfo
- Publication number
- JP6945953B2 JP6945953B2 JP2020532842A JP2020532842A JP6945953B2 JP 6945953 B2 JP6945953 B2 JP 6945953B2 JP 2020532842 A JP2020532842 A JP 2020532842A JP 2020532842 A JP2020532842 A JP 2020532842A JP 6945953 B2 JP6945953 B2 JP 6945953B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- channel
- dictionary
- images
- trained
- 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
- 238000003384 imaging method Methods 0.000 title claims description 23
- 238000003672 processing method Methods 0.000 title claims description 4
- 238000000034 method Methods 0.000 claims description 114
- 238000012549 training Methods 0.000 claims description 36
- 230000008569 process Effects 0.000 claims description 33
- 230000004927 fusion Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 19
- 230000003595 spectral effect Effects 0.000 description 18
- 239000011159 matrix material Substances 0.000 description 14
- 238000002474 experimental method Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 10
- 230000015572 biosynthetic process Effects 0.000 description 10
- 238000003786 synthesis reaction Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 8
- 230000009467 reduction Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000000701 chemical imaging Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000012634 optical imaging Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000859 sublimation Methods 0.000 description 1
- 230000008022 sublimation Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06T3/4061—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 by injecting details from different spectral ranges
-
- 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
- G06T2207/20081—Training; Learning
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
Description
本開示の実施形態は、畳み込み辞書を用いて、マルチスペクトル(MS)画像の解像度を増大させることに基づいている。特に、MS画像超解像は、再構成される画像を正則化することによって、超解像(SR)マルチチャネル画像をそれらの低解像度画像から再構成することを目指す。本開示は、実験を通して、畳み込み辞書を用いて複数のスペクトルチャネル内で及び複数のスペクトルチャネルにわたって機能する正則化項を利用することによって、MS画像SRのために新規な結合分析合成辞書(CASD)モデルを開発した。例えば、CASDモデルはパラメータを含み、DeepCASDと称される深層辞書学習フレームワークは、画像データセットに対して、エンドツーエンドのCASDベース再構成ネットワークを展開及びトレーニングすることによって用いることができる。
MS画像SRについて、DeepCASDと称されるエンドツーエンド融合ネットワークが提示される。図4において示されるような、各DeepCASDブロックの構造は、異なる画像チャネル内で及び異なる画像チャネルにわたって十分機能するように、単一チャネルSRモジュール及びマルチチャネルSRモジュールの両方から構成される。縮小領域(SF)ネットワークが、実証された性能及び効率に起因して単一チャネルモジュールとして用いられる。L個のスペクトルチャネルを所与とすると、マルチチャネルCASDモデルは、l∈{1,...,L}についての各HR画像xl及びマルチチャネルLR測定値
提案されるDeepCASDにおけるマルチチャネルSRモジュールは、K個のCASDステージを含む。各ステージにおいて、トレーニング可能なパラメータの組は、Bl、θl、Dlであり、このセットを用いて特徴マップulを生成し、したがって各ylを超解像する。ul及び辞書Dlを所与として、(P2)に対する解
リモートセンシングMS画像に関するSR問題に対する提案されるDeepCASDの性能を評価及び比較するために、パンクロマティック、RGB、赤外線及び短波赤外線チャネルを含む、17個の別個のチャネルのMS画像が、AVIRISハイパースペクトル画像データセットを用いて合成される。各高解像度MSチャネルは、隣接する周波数帯域を包含する複数のハイパースペクトルチャネルの重み付けされた和として生成される。その後、対応する低解像度MSチャネルは、ローパスフィルタを通して高解像度MS画像をダウンサンプリングすることによって生成される。深層CASDネットワークのパラメータが、まず一組のMS画像を用いてトレーニングされる。トレーニングの組は、高解像度MS画像及び16個のチャネルにわたるそれらの対応する低解像度測定値の138個の対を含む。単一チャネルにおける各HR画像のサイズは、256×256である。LR画像は、まずバイキュービック補間によってHR画像サイズにアップスケーリングされる。HRパンクロマティック画像は、通常リモートセンシング応用に利用可能であるので、トレーニング及び試験においてスキップリンク(skip link)を通して各マルチチャネルSRステージ(すなわち、各CASDステージにおいてL=16の入力マルチスペクトルチャネル及び1つのパンクロマティック入力、並びにL=16の出力マルチスペクトルチャネルがある)に直接渡される(図2Aを参照されたい)。
Claims (18)
- マルチスペクトル画像の解像度を増大させる撮像システムであって、
センサによって生成される或るシーンの一組の画像を含むマルチスペクトル画像を受信する入力インタフェースであって、各画像は、周波数帯域を規定するチャネルを表しており、或るチャネルの或る画像は、前記チャネルの或る周波数帯域内に自身の周波数を有するようになっている、入力インタフェースと、
メモリであって、
異なるチャネルのためにトレーニングされる一組の合成辞書であって、前記画像の構造で畳み込まれる、チャネルのためにトレーニングされる合成辞書は、前記チャネルの前記画像の解像度よりも高い解像度を有する前記チャネルの高解像度画像を生成するようになっている、一組の合成辞書と、
前記異なるチャネルのためにトレーニングされる一組のフィルタ(分析辞書)であって、前記画像の組内の各画像で畳み込まれる、チャネルのためにトレーニングされるフィルタ(分析辞書)は、前記チャネルの前記画像の前記構造を生成するようになっている、一組のフィルタと、
を記憶する、メモリと、
ハードウェアプロセッサであって、
前記フィルタ(分析辞書)の組を用いて前記異なるチャネルの前記画像の組を処理して、一組の構造を生成し、
各チャネルについて、前記構造の組を融合して、一組の融合された構造を生成し、前記チャネルの融合された構造は、前記チャネルに対応する重みを用いて、前記構造の組の重み付けされた組合せとして融合され、異なるチャネルの前記融合された構造は、異なる重みで結合されるようになっており、
前記合成辞書の組からの対応する辞書を用いて前記融合された構造の組を処理して、超解像マルチスペクトル画像を生成する、
ハードウェアプロセッサと、
前記超解像マルチスペクトル画像をレンダリングする出力インタフェースと、
を備える、撮像システム。 - 前記フィルタの組内の各フィルタ(分析辞書)及び前記辞書の組内の各辞書は、前記異なるチャネルの異なる画像を用いてトレーニングされる、請求項1に記載の撮像システム。
- 前記合成辞書の組及び前記フィルタ(分析辞書)の組は、同時にトレーニングされて、前記異なるチャネル内の全てのトレーニング画像にわたる平均ピーク信号対雑音比が増大する、請求項2に記載の撮像システム。
- 前記辞書の組及び前記フィルタの組は、以前の反復中に学習された前記辞書の組及び前記フィルタの組の以前の値を用いて、現在の反復において前記辞書の組及び前記フィルタの組の現在の値を更新することによって、同時にレーニングされる、請求項3に記載の撮像システム。
- 前記メモリは、前記チャネルのためにトレーニングされる一組の閾値を記憶し、前記ハードウェアプロセッサは、対応する閾値を用いて前記チャネルの前記画像の前記構造の値を閾値処理することによって、前記チャネル内の前記画像の前記構造にスパース性を課すようになっている、請求項1に記載の撮像システム。
- 前記辞書の組は、畳み込み辞書である、請求項1に記載の撮像システム。
- 前記辞書の組、前記フィルタ(分析辞書)の組、及び各チャネルの構造を融合するための一組の重みは、前記異なるチャネルの異なる画像を用いて同時にトレーニングされる、請求項1に記載の撮像システム。
- 前記重みの組は、前記フィルタ(分析辞書)の組及び前記合成辞書の組のうちの一方又は組合せに組み込まれ、前記合成辞書の組と前記対応する構造との前記畳み込みの組合せは、前記異なる画像の前記構造と対応する重みとの前記融合を含むようになっている、請求項1に記載の撮像システム。
- 前記チャネルに対応する前記重みは、全てのトレーニング画像及びチャネルにわたる平均ピーク信号対雑音比を最大化することによって求められる、請求項1に記載の撮像システム。
- マルチスペクトル画像の解像度を増大させる画像処理の方法であって、
センサによって生成され、かつ入力インタフェースによって又はコンピュータ可読メモリから取得される或るシーンの一組の画像を含むマルチスペクトル画像を取得することであって、各画像は、周波数帯域を規定するチャネルを表しており、或るチャネルの或る画像は、前記チャネルの或る周波数帯域内に自身の周波数を有するようになっている、取得することと、
前記コンピュータ可読メモリのデータベースに、異なるチャネルのためにトレーニングされる一組の辞書を記憶することであって、前記画像の構造で畳み込まれる、チャネルのためにトレーニングされる辞書は、前記チャネルの前記画像の解像度よりも高い解像度を有する前記チャネルの高解像度画像を生成するようになっている、記憶することと、
前記コンピュータ可読メモリの別のデータベースに、前記異なるチャネルのためにトレーニングされる一組のフィルタを記憶することであって、前記画像の組内の各画像で畳み込まれる、チャネルのためにトレーニングされるフィルタは、前記チャネルの前記画像の前記構造を生成するようになっている、記憶することと、
前記コンピュータ可読メモリ及び前記入力インタフェースと通信するハードウェアプロセッサを用いて、前記フィルタの記憶された組を用いて前記異なるチャネルの前記画像の組を処理して、一組の構造を生成することと、
前記ハードウェアプロセッサを用いて、各チャネルについて、前記構造の組を融合して、一組の融合された構造を生成することであって、前記チャネルの融合された構造は、前記チャネルに対応する重みを用いて、前記構造の組の重み付けされた組合せとして融合され、前記異なるチャネルの前記融合された構造は、異なる重みで結合されるようになっている、用いることと、
前記辞書の組からの対応する辞書を用いて前記融合された構造の組を処理して、前記シーンの超解像マルチスペクトル画像を生成することと、
出力インタフェースによって前記超解像マルチスペクトル画像を通信ネットワークに出力すること、又は、前記コンピュータ可読メモリに前記超解像マルチスペクトル画像を記憶することと、
を含む、方法。 - 前記フィルタの組内の各フィルタ及び前記辞書の組内の各辞書は、前記異なるチャネルの異なる画像を用いてトレーニングされる、請求項10に記載の方法。
- 前記辞書の組及び前記フィルタの組は、同時にトレーニングされて、前記異なるチャネルにおける全てのトレーニング画像にわたる平均ピーク信号対雑音比が増大する、請求項11に記載の方法。
- 前記辞書の組及び前記フィルタ(分析辞書)の組は、以前の反復中に学習された前記辞書の組及び前記フィルタの組の以前の値を用いて、現在の反復において前記辞書の組及び前記フィルタの組の現在の値を更新することによって、同時にトレーニングされる、請求項12に記載の方法。
- 前記コンピュータ可読メモリは、前記チャネルのためにトレーニングされる一組の閾値を記憶し、前記ハードウェアプロセッサは、対応する閾値を用いて前記チャネルの前記画像の前記構造の値を閾値処理することによって、前記チャネル内の前記画像の前記構造にスパース性を課すようになっている、請求項12に記載の方法。
- 前記辞書の組は、畳み込み辞書である、請求項10に記載の方法。
- 前記辞書の組、前記フィルタの組、及び各チャネルの構造を融合するための一組の重みは、異なるチャネルの異なる画像を用いて同時にトレーニングされる、請求項10に記載の方法。
- 前記重みの組は、前記フィルタの組及び前記辞書の組のうちの一方又は組合せに組み込まれ、前記辞書の組と前記対応する構造との前記畳み込みの組合せは、異なる画像の前記構造と対応する重みとの前記融合を含むようになっている、請求項10に記載の方法。
- 方法を実行するコンピュータによって実行可能なプログラムが具現化される非一時的コンピュータ可読記憶媒体であって、前記方法は、或るシーンの画像の画像処理を行うものであり、
センサによって生成され、かつ入力インタフェースよって又は前記非一時的コンピュータ可読記憶媒体から取得される或るシーンの一組の画像を含むマルチスペクトル画像を取得することであって、各画像は、周波数帯域を規定するチャネルを表しており、或るチャネルの或る画像は、前記チャネルの或る周波数帯域内に自身の周波数を有するようになっている、取得することと、
前記非一時的コンピュータ可読記憶媒体のデータベースに、異なるチャネルのためにトレーニングされる一組の辞書を記憶することであって、前記画像の構造で畳み込まれる、チャネルのためにトレーニングされる辞書は、前記チャネルの前記画像の解像度よりも高い解像度を有する前記チャネルの高解像度画像を生成するようになっている、記憶することと、
前記非一時的コンピュータ可読記憶媒体の別のデータベースに、前記異なるチャネルのためにトレーニングされる一組のフィルタを記憶することであって、前記画像の組内の各画像で畳み込まれる、チャネルのためにトレーニングされるフィルタは、前記チャネルの前記画像の前記構造を生成するようになっている、記憶することと、
前記非一時的コンピュータ可読記憶媒体及び前記入力インタフェースと通信する前記コンピュータを用いて、前記フィルタの記憶された組を用いて前記異なるチャネルの前記画像の組を処理して、一組の構造を生成することと、
前記コンピュータを用いて、各チャネルについて、前記構造の組を融合して、一組の融合された構造を生成することであって、前記チャネルの融合された構造は、前記チャネルに対応する重みを用いて前記構造の組の重み付けされた組合せとして融合され、前記異なるチャネルの前記融合された構造は、異なる重みで結合されるようになっている、用いることと、
前記辞書の組からの対応する辞書を用いて前記融合された構造の組を処理して、前記シーンの超解像マルチスペクトル画像を生成することと、
出力インタフェースによって前記超解像マルチスペクトル画像を通信ネットワークに出力すること、又は前記非一時的コンピュータ可読記憶媒体に前記超解像マルチスペクトル画像を記憶することと、
を含む、非一時的コンピュータ可読記憶媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/924,559 US10482576B2 (en) | 2018-03-19 | 2018-03-19 | Systems and methods for multi-spectral image super-resolution |
US15/924,559 | 2018-03-19 | ||
PCT/JP2018/031845 WO2019180991A1 (en) | 2018-03-19 | 2018-08-22 | Imaging system and method for image processing |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021506035A JP2021506035A (ja) | 2021-02-18 |
JP6945953B2 true JP6945953B2 (ja) | 2021-10-06 |
Family
ID=63713977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020532842A Active JP6945953B2 (ja) | 2018-03-19 | 2018-08-22 | 撮像システム及び画像処理の方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10482576B2 (ja) |
JP (1) | JP6945953B2 (ja) |
WO (1) | WO2019180991A1 (ja) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10733756B2 (en) * | 2017-08-31 | 2020-08-04 | Nec Corporation | Online flow guided memory networks for object detection in video |
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 |
CN110853040B (zh) * | 2019-11-12 | 2023-04-28 | 北京深境智能科技有限公司 | 一种基于超分辨率重建的图像协同分割方法 |
US11836893B2 (en) * | 2020-03-11 | 2023-12-05 | Mediatek Inc. | Online AI super resolution engine and operations |
CN112017160B (zh) * | 2020-08-05 | 2023-04-25 | 中咨数据有限公司 | 一种基于多策略组合的多源遥感影像道路材质精细提取方法 |
US11418762B2 (en) * | 2020-09-11 | 2022-08-16 | GM Global Technology Operations LLC | Imaging system and method |
CN112200063A (zh) * | 2020-09-30 | 2021-01-08 | 湖南理工学院 | 一种基于神经网络和注意力机制的高效波段加权预处理方法 |
CN112801879B (zh) * | 2021-02-09 | 2023-12-08 | 咪咕视讯科技有限公司 | 图像超分辨率重建方法、装置、电子设备及存储介质 |
CN112967357B (zh) * | 2021-02-19 | 2023-05-23 | 中国人民解放军国防科技大学 | 一种基于卷积神经网络的频谱地图构建方法 |
CN113191325B (zh) * | 2021-05-24 | 2023-12-12 | 中国科学院深圳先进技术研究院 | 一种图像融合方法、***及其应用 |
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 |
CN114022364B (zh) * | 2021-11-22 | 2024-06-28 | 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*** |
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*** |
CN115115766B (zh) * | 2022-05-17 | 2023-03-24 | 清华大学 | 多光谱场景数据生成方法及装置 |
CN115564692B (zh) * | 2022-09-07 | 2023-12-05 | 宁波大学 | 顾及幅宽差异下的全色-多光谱-高光谱一体化融合方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7015954B1 (en) | 1999-08-09 | 2006-03-21 | Fuji Xerox Co., Ltd. | Automatic video system using multiple cameras |
US6529074B1 (en) | 2001-07-26 | 2003-03-04 | Cirrus Logic, Inc. | Circuits and methods for output impedance matching in switched mode circuits |
US7366564B2 (en) * | 2002-08-23 | 2008-04-29 | The United States Of America As Represented By The Secretary Of The Navy | Nonlinear blind demixing of single pixel underlying radiation sources and digital spectrum local thermometer |
JP4529687B2 (ja) | 2002-09-30 | 2010-08-25 | 日本ケミコン株式会社 | 固体電解コンデンサの製造方法 |
US7055869B2 (en) | 2004-01-27 | 2006-06-06 | Itt Manufacturing Enterprises, Inc. | False insertion protection top hat for fluid quick connectors |
US7684643B2 (en) * | 2004-10-26 | 2010-03-23 | Siemens Medical Solutions Usa, Inc. | Mutual information regularized Bayesian framework for multiple image restoration |
US9251565B2 (en) * | 2011-02-03 | 2016-02-02 | Massachusetts Institute Of Technology | Hyper-resolution imaging |
DE202012013411U1 (de) * | 2011-04-25 | 2016-11-15 | Terra Bella Technologies Inc. | Systeme für Overhead-Bild- und Videoanzeige |
US9563817B2 (en) * | 2013-11-04 | 2017-02-07 | Varian Medical Systems, Inc. | Apparatus and method for reconstructing an image using high-energy-based data |
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 |
US9225889B1 (en) * | 2014-08-18 | 2015-12-29 | Entropix, Inc. | Photographic image acquisition device and method |
US10366501B2 (en) * | 2016-11-07 | 2019-07-30 | The Boeing Company | Method and apparatus for performing background image registration |
CN107784628B (zh) * | 2017-10-18 | 2021-03-19 | 南京大学 | 一种基于重建优化和深度神经网络的超分辨率实现方法 |
-
2018
- 2018-03-19 US US15/924,559 patent/US10482576B2/en active Active
- 2018-08-22 JP JP2020532842A patent/JP6945953B2/ja active Active
- 2018-08-22 WO PCT/JP2018/031845 patent/WO2019180991A1/en active Application Filing
Also Published As
Publication number | Publication date |
---|---|
US10482576B2 (en) | 2019-11-19 |
US20190287216A1 (en) | 2019-09-19 |
JP2021506035A (ja) | 2021-02-18 |
WO2019180991A1 (en) | 2019-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6945953B2 (ja) | 撮像システム及び画像処理の方法 | |
Chakrabarti | Learning sensor multiplexing design through back-propagation | |
US20200302249A1 (en) | Systems and Methods for Multi-Spectral Image Fusion Using Unrolled Projected Gradient Descent and Convolutinoal Neural Network | |
CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
CN106920221B (zh) | 兼顾亮度分布和细节呈现的曝光融合方法 | |
CN114119444B (zh) | 一种基于深度神经网络的多源遥感图像融合方法 | |
CN108269244B (zh) | 一种基于深度学习和先验约束的图像去雾*** | |
US9854221B2 (en) | Hyperspectral imaging devices using hybrid vector and tensor processing | |
CN110544212B (zh) | 基于层级特征融合的卷积神经网络高光谱图像锐化方法 | |
US9336570B2 (en) | Demosaicking system and method for color array based multi-spectral sensors | |
CN106251297A (zh) | 一种改进的基于多幅图像模糊核估计的盲超分辨率重建算法 | |
CN109785252B (zh) | 基于多尺度残差密集网络夜间图像增强方法 | |
Arad et al. | NTIRE 2022 spectral demosaicing challenge and data set | |
CN106507065B (zh) | 拍摄装置、拍摄***、图像生成装置及滤色器 | |
CN112365414A (zh) | 一种基于双路残差卷积神经网络的图像去雾方法 | |
Parmar et al. | Spatio-spectral reconstruction of the multispectral datacube using sparse recovery | |
CN112104847A (zh) | 一种基于残差和高频替换的sony-rgbw阵列彩色重构方法 | |
CN106780423B (zh) | 一种基于少数波段高分辨率图像的光谱重建方法 | |
CN107170013B (zh) | 一种rgb相机光谱响应曲线的标定方法 | |
CN113628143A (zh) | 一种基于多尺度卷积的加权融合图像去雾方法及装置 | |
CN117392065A (zh) | 一种云边协同太阳能板覆灰状况自主评估方法 | |
CN111968039B (zh) | 基于硅传感器相机的昼夜通用图像处理方法、装置及设备 | |
CN112927139B (zh) | 一种双目热成像***及超分辨率图像获取方法 | |
CN115753691A (zh) | 一种基于rgb重建高光谱的水质参数检测方法 | |
CN114219870A (zh) | 用于无人机高光谱图像超分辨率重建的辅助图像生成方法与*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200612 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210719 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210817 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210914 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6945953 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |