CN108460749A - 一种高光谱与多光谱图像的快速融合方法 - Google Patents
一种高光谱与多光谱图像的快速融合方法 Download PDFInfo
- Publication number
- CN108460749A CN108460749A CN201810230035.2A CN201810230035A CN108460749A CN 108460749 A CN108460749 A CN 108460749A CN 201810230035 A CN201810230035 A CN 201810230035A CN 108460749 A CN108460749 A CN 108460749A
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- low
- hyperspectral
- model
- 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 abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000001228 spectrum Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 230000003595 spectral effect Effects 0.000 claims description 43
- 230000009466 transformation Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 5
- 238000005267 amalgamation Methods 0.000 abstract 1
- 238000012512 characterization method Methods 0.000 abstract 1
- 230000004927 fusion Effects 0.000 description 16
- 238000004088 simulation Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000513 principal component analysis 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
- G06T2207/20081—Training; Learning
-
- 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
本发明公开了一种高光谱与多光谱图像的快速融合方法，其实现步骤为：(1)建立训练集与测试集；(2)输入光谱图像；(3)建立概率生成模型；(4)训练概率生成模型；(5)得到融合后的光谱图像。本发明克服了现有技术中表征能力弱，模型不稳定和运算时间长的问题，生成的高分辨率的高光谱图像包含更多的信息，并且利用无先验条件的空间转换矩阵，使得模型更加稳定，融合速度更快，是一种高速高效的高光谱图像融合处理方法。
Description
技术领域
本发明属于图像处理技术领域，更进一步涉及图像融合技术领域的一种高光谱与多光谱图像的快速融合方法。本发明可用于低分辨率的高光谱图像与高分辨率的多光谱图像，利用图像融合技术，生成高分辨率的高光谱图像。
背景技术
高光谱图像集图像信息与光谱信息于一身，图像信息可以反映样本的大小、形状、缺陷等外部品质特征，由于不同成分对光谱吸收的多少不同，在某个特定波长下图像对某个缺陷会有较显著的反映，这些特点决定了高光谱图像在检测方面的独特优势。与多光谱图像相比，高光谱图像不仅在信息丰富程度方面有了极大的提高，在处理技术上也使对光谱数据进行更为合理的、有效的分析处理提供了可能。因此，高光谱图像在各个领域得到广泛的应用，包括矿产探测、环境检测、生物医学等。但是，由于硬件和预算等约束，要在高光谱传感器的空间分辨率和光谱分辨率之间进行权衡。因此，开发基于软件技术来提高高光谱图像的空间分辨率具有重要的现实意义。现有的图像融合算法主要分两种：基于非多尺度变换的图像融合方法、基于多尺度变换的图像融合算法。
R.Dian,L.Fang,S.Li等人在其发表的论文“Hyperspectral image super-resolution via non-local sparse tensor factorization.”(IEEE Conference onComputer Vision and Pattern Recognition,2017,pages3862–3871.)中公开了一种基于非局部稀疏张量分解的光谱图像融合方法。该方法首先将高光谱图像块分解为一个核张量和三个模方向的字典，从低分辨率的高光谱图像中学习谱字典，从高分辨率的多光谱图像学习宽高字典，最后通过对每一个块进行稀疏编码学习核心张量，完成光谱图像的融合。该方法在高光谱图像重建技术中表现出了较好的性能，也很好的保留了光谱图像结构上的信息。但是，该方法仍然存在的不足之处是：该方法并没有考虑到利用低分辨率的高光谱图像的信息，谱字典与宽高字典之间没有联系，使得该方法得到的高光谱图像不能很好的保留图像维的信息，且该方法需要不断迭代来实现图像的融合问题，造成融合图像的速度变差。
北京航空航天大学在其申请的专利文献“基于光谱重构的三步高光谱图像融合方法”(专利申请专利号201310656056.8，公开号103714572A)中提出了一种基于光谱重构的高光谱图像融合方法。该方法通过高光谱图像波段选择模块设计波段选择矩阵，再通过高光谱图像-高空间分辨率图像融合模块对输入的图像进行主成分分析融合，经过高精度光谱重构输出最终融合图像。该方法减少了融合数据，降低光谱畸变概率，提升光谱保持性并增强了图像质量。但是，该方法仍然存在的不足之处是：该方法只是利用了一个线性模型来表征图像，只利用了浅层的概率模型融合图像，并不能体现出原图像中的所有信息，其中涉及的方法限制了最终得到的图像所包含的信息。
发明内容
本发明的目的在于针对上述现有技术的缺陷，提出了一种高光谱与多光谱图像的快速融合方法，利用非线性模型对样本建模，提高生成的高分辨率的高光谱图像的分辨率的同时提高生成图像的速度。
实现本发明上述目的的思路是：建立训练集与测试集，并输入光谱图像；将训练集中的低分辨率的高光谱图像输入低分辨生成子模型，高分辨率的多光谱图像输入高分辨生成子模型；训练概率生成模型时，同时训练低分辨生成子模型与高分辨生成子模型的隐层与模型参数，利用随机梯度下降算法对其进行更新；为了得到融合后的高光谱图像，将测试集中的高分辨率的多光谱图像输入高分辨生成子模型，用训练概率生成模型时得到的参数生成高分辨率的高光谱图像，实现对低分辨率的高光谱图像与高分辨率的多光谱图像的融合。
为实现上述目的，本发明的具体步骤如下：
(1)建立训练集与测试集：
(1a)建立一个用于训练模型的训练集，与一个用于测试模型的测试集，两者均为空集；
(2)输入光谱图像：
(2a)将单幅低分辨率的高光谱图像，以及该高光谱图像对应的相同场景下的高分辨率的多光谱图像，输入到训练集中，同时将两者之间的光谱转换矩阵输入训练集中；
(2b)将与训练集中不同的单幅低分辨率的高光谱图像，以及该高光谱图像对应的高分辨率的多光谱图像，输入到测试集中，同时将两者之间的光谱转换矩阵输入到测试集中；
(3)建立概率生成模型：
(3a)建立一个低分辨生成子模型，该子模型包含一个低分辨图像输入层、两个隐层和一个顶层，每层之间有一个多层感知机操作；
(3b)建立一个高分辨生成子模型，该子模型包含一个高分辨图像输入层、三个隐层和一个顶层，每层之间有一个多层感知机操作；
(4)训练概率生成模型：
(4a)将训练集中的低分辩率的高光谱图像，输入到概率生成模型中的低分辨生成子模型，同时将训练集中的高分辨率的多光谱图像，输入到概率生成模型中的高分辨生成子模型；
(4b)使用随机梯度下降算法，对高光谱与多光谱图像联合分布的对数求梯度，最大化该对数，得到低分辨生成子模型和高分辨生成子模型的隐层与所有模型参数；
(5)得到融合后的光谱图像：
(5a)将测试集中的低分辨率的高光谱图像，输入到低分辩子模型中，同时将测试集中的高分辨率的多光谱图像，输入到高分辨生成子模型中，使用训练好的模型参数，得到重构的高分辨率的高光谱图像；
(5b)对重构的高分辨率的高光谱图像进行优化处理，得到融合后的高分辨率的高光谱图像。
本发明与现有的技术相比具有以下优点：
第一，由于本发明建立一个低分辨生成子模型，该子模型包含一个低分辨图像输入层、两个隐层和一个顶层，每层之间有一个多层感知机操作，克服了现有技术中利用了一个线性模型来表征图像，只用了浅层的概率模型融合图像，并不能体现出原图像中的所有信息，其中涉及的方法限制了最终得到的图像所包含的信息的问题，使得本发明生成的高分辨率的高光谱图像包含更多的信息。
第二，由于本发明同时训练低分辨生成子模型与高分辨生成子模型的隐层与模型参数，克服了现有技术中并没有考虑到利用低分辨率的高光谱图像的信息，谱字典与宽高字典之间没有联系的问题，使得本发明具有广泛的实际应用价值，方法的可行性与稳健性更好。
第三，由于本发明利用学习的方式，先用训练集图像训练模型，再得到融合后的光谱图像，克服了现有技术中必须经过不断迭代来实现图像的融合问题，导致运算时间长的问题，使得本发明测试时间短，生成高分辨率的高光谱图像的效率更高。
附图说明
图1是本发明的流程图；
图2是本发明实施例中低分辨率的高光谱图像；
图3是本发明实施例中高分辨率的多光谱图像；
图4是采用本发明得到的最终的高分辨率的高光谱图像。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1，本发明的具体实施步骤如下。
步骤1.建立训练集与测试集：。
建立一个用于训练模型的训练集，与一个用于测试模型的测试集，两者均为空集。
步骤2.输入光谱图像。
将单幅低分辨率的高光谱图像，以及该高光谱图像对应的相同场景下的高分辨率的多光谱图像，输入到训练集中，同时将两者之间的光谱转换矩阵输入训练集中。
所述低分辨率的高光谱图像是指，光谱维分辨率高，图像维分辨率低的图像。
所述高分辨率的多光谱图像是指，光谱维分辨率低，图像维分辨率高的图像。
所述光谱转换矩阵如下：
Xm＝Φ·Xh+nm
其中，Xm表示高分辨率的多光谱图像，且满足其中，∈表示属于符号，表示实数域，E表示光谱图像的光谱维度为E维，E取值为正整数，AB表示光谱图像的图像维度为A×B维，A与B取值为正整数，Φ表示光谱转换矩阵，·表示乘法符号，Xh表示高分辨率的高光谱图像，且满足其中，F表示光谱图像的光谱维度为F维，F取值为正整数,nm表示高光谱与多光谱图像之间的噪声，且满足
将与训练集中不同的单幅低分辨率的高光谱图像，以及该高光谱图像对应的高分辨率的多光谱图像，输入到测试集中，同时将两者之间的光谱转换矩阵输入到测试集中。
步骤3.建立概率生成模型。
建立一个低分辨生成子模型，该子模型包含一个低分辨图像输入层、两个隐层和一个顶层，每层之间有一个多层感知机操作。
所述的低分辨生成子模型的参数设置如下：
将低分辨率的高光谱图像的分布近似为高斯分布，其初始均值设置为0，初始方差设置为1，多层感知机操作的激活函数为双曲正切函数，初始权值设置为1，初始偏置设置为0。
建立一个高分辨生成子模型，该子模型包含一个高分辨图像输入层、三个隐层和一个顶层，每层之间有一个多层感知机操作。
所述的高分辨生成子模型的参数设置如下：
将高分辨率的多光谱图像的分布近似为高斯分布，其初始均值设置为0，初始方差设置为1，多层感知机操作的激活函数为双曲正切函数，初始权值设置为1，初始偏置设置为0。
步骤4.训练概率生成模型。
将训练集中的高光谱图像，输入到概率生成模型中的低分辨生成子模型，同时将训练集中的多光谱图像，输入到概率生成模型中的高分辨生成子模型。
使用随机梯度下降算法，对高光谱与多光谱图像联合分布的对数求梯度，最大化该对数，得到低分辨生成子模型和高分辨生成子模型的隐层与所有模型参数。
步骤5.得到融合后的光谱图像。
将测试集中的低分辨率的高光谱图像，输入到低分辩子模型中，同时将测试集中的高分辨率的多光谱图像，输入到高分辨生成子模型中，使用训练好的模型参数，得到重构的高分辨率的高光谱图像。
对重构的高分辨率的高光谱图像进行优化处理，得到融合后的高分辨率的高光谱图像。
所述的对重构的高分辨率的高光谱图像进行优化处理是指利用下式进行的操作：
其中，表示最终的高分辨率的高光谱图像，表示使函数取最小值时Xh的值，||·||表示范数操作，S表示下采样操作，H表示高斯平滑滤波操作，其中高斯平滑滤波操作是根据高斯函数的形状选择滤波权值的线性平滑滤波操作，表示二范数的二次方操作，c表示常数0.1，Xh表示重构的高分辨率的高光谱图像。
本发明的效果可通过以下仿真进一步说明。
1.仿真条件：
本发明的仿真试验是在主频3.2GHz的Intel(R)Core(TM)i5-6500CPU、内存8GB的硬件环境和基于Python2.5的软件环境下进行的。
2.仿真内容：
本发明仿真是对例如图2的高分辨率的多光谱图像与图3的低分辨率的高光谱图像进行仿真实验，图2与图3来源于公开的CAVE图像集。本发明仿真所用的训练集为公开的具有50幅高分辨率的高光谱图像的Harvard图像集，所用测试集来自于CAVE图像集，由32幅高分辨率的高光谱图像。
本发明仿真内容为：采用本发明的方法用训练样本训练概率生成模型，用测试样本测试概率生成模型后，得到如图4的最终的高分辨率的高光谱图像。
3.仿真效果分析：
用本发明的方法、现有GSOMP和BSR的方法对测试集CAVE的图像作为测试数据进行图像融合实验，采用均方根误差RMSE、光谱角匹配SAM和测试时间来作为比较标准，当RMSE值与SAM值越高，图像融合的结果越好，测试时间越短，图像融合的速度越高。
其中，GSOMP是一种基于正交匹配的高光谱图像融合方法，BSR是一种基于贝叶斯稀疏表示的高光谱图像融合方法，结果如表1。
表1.GSOMP、BSR、本发明方法在仿真中得到的RMSE、SAM和测试时间
| 方法 | RMSE() | SAM(°) | 测试时间(秒) |
| GSOMP | 1.52 | 1.64 | 290 |
| BSR | 1.57 | 1.61 | 2897 |
| 本发明 | 1.31 | 1.29 | 4.68 |
表1为GSOMP、BSR、本发明方法在仿真中得到的RMSE、SAM和测试时间的统计结果，以上结果表示：与现有的GSOMP和BSR光谱图像融合方法相比，本发明得到的均方根误差RMSE和光谱角匹配SAM更小，测试时间更短，表示本发明提出的这种基于概率生成模型的高光谱与多光谱图像融合方法，改进了上述两种方法的不足，能使生成高分辨率的高光谱图像的效果更好，效率更高。
Claims (7)
1.一种高光谱与多光谱图像的快速融合方法，其特征在于，将低分辨率的高光谱图像输入概率生成模型的低分辨生成子模型，将高分辨的多光谱图像输入概率生成模型的高分辨子模型，使用随机梯度下降算法，得到低分辨生成子模型和高分辨生成子模型的隐层与所有模型参数，使用训练好的模型参数，得到重构的高分辨率的高光谱图像，对重构的高分辨率的高光谱图像进行优化处理，得到融合后的高分辨率的高光谱图像，该方法的具体步骤包括如下：
(1)建立训练集与测试集：
(1a)建立一个用于训练模型的训练集，与一个用于测试模型的测试集，两者均为空集；
(2)输入光谱图像：
(2a)将单幅低分辨率的高光谱图像，以及该高光谱图像对应的相同场景下的高分辨率的多光谱图像，输入到训练集中，同时将两者之间的光谱转换矩阵输入训练集中；
(2b)将与训练集中不同的单幅低分辨率的高光谱图像，以及该高光谱图像对应的高分辨率的多光谱图像，输入到测试集中，同时将两者之间的光谱转换矩阵输入到测试集中；
(3)建立概率生成模型：
(3a)建立一个低分辨生成子模型，该子模型包含一个低分辨图像输入层、两个隐层和一个顶层，每层之间有一个多层感知机操作；
(3b)建立一个高分辨生成子模型，该子模型包含一个高分辨图像输入层、三个隐层和一个顶层，每层之间有一个多层感知机操作；
(4)训练概率生成模型：
(4a)将训练集中的低分辩率的高光谱图像，输入到概率生成模型中的低分辨生成子模型，同时将训练集中的高分辨率的多光谱图像，输入到概率生成模型中的高分辨生成子模型；
(4b)使用随机梯度下降算法，对高光谱与多光谱图像联合分布的对数求梯度，最大化该对数，得到低分辨生成子模型和高分辨生成子模型的隐层与所有模型参数；
(5)得到融合后的光谱图像：
(5a)将测试集中的低分辨率的高光谱图像，输入到低分辩子模型中，同时将测试集中的高分辨率的多光谱图像，输入到高分辨生成子模型中，使用训练好的模型参数，得到重构的高分辨率的高光谱图像；
(5b)对重构的高分辨率的高光谱图像进行优化处理，得到融合后的高分辨率的高光谱图像。
2.根据权利要求1所述的一种高光谱与多光谱图像快速融合方法，其特征在于，步骤(2a)中所述低分辨率的高光谱图像是指，光谱维分辨率高，图像维分辨率低的图像。
3.根据权利要求1所述的一种高光谱与多光谱图像快速融合方法，其特征在于，步骤(2a)中所述高分辨率的多光谱图像是指，光谱维分辨率低，图像维分辨率高的图像。
4.根据权利要求1所述的一种高光谱与多光谱图像快速融合方法，其特征在于，步骤(2a)中所述光谱转换矩阵如下：
Xm＝Φ·Xh+nm
其中，Xm表示高分辨率的多光谱图像，且满足其中，∈表示属于符号，表示实数域，E表示光谱图像的光谱维度为E维，E取值为正整数，AB表示光谱图像的图像维度为A×B维，A与B取值为正整数，Φ表示光谱转换矩阵，·表示乘法符号，Xh表示高分辨率的高光谱图像，且满足其中，F表示光谱图像的光谱维度为F维，F取值为正整数,nm表示高光谱与多光谱图像之间的噪声，且满足
5.根据权利要求1所述的一种高光谱与多光谱图像快速融合方法，其特征在于，步骤(3a)中所述的低分辨生成子模型的参数设置如下：
将低分辨率的高光谱图像的分布近似为高斯分布，其初始均值设置为0，初始方差设置为1，多层感知机操作的激活函数为双曲正切函数，初始权值设置为1，初始偏置设置为0。
6.根据权利要求1所述的一种高光谱与多光谱图像快速融合方法，其特征在于，步骤(3b)中所述的高分辨生成子模型的参数设置如下：
将高分辨率的多光谱图像的分布近似为高斯分布，其初始均值设置为0，初始方差设置为1，多层感知机操作的激活函数为双曲正切函数，初始权值设置为1，初始偏置设置为0。
7.根据权利要求1所述的一种高光谱与多光谱图像快速融合方法，其特征在于，步骤(5b)中所述的对重构的高分辨率的高光谱图像进行优化处理是指利用下式进行的操作：
其中，表示最终的高分辨率的高光谱图像，表示使函数取最小值时Xh的值，||·||表示范数操作，S表示下采样操作，H表示高斯平滑滤波操作，其中高斯平滑滤波操作是根据高斯函数的形状选择滤波权值的线性平滑滤波操作，表示二范数的二次方操作，c表示常数0.1，Xh表示重构的高分辨率的高光谱图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810230035.2A CN108460749B (zh) | 2018-03-20 | 2018-03-20 | 一种高光谱与多光谱图像的快速融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810230035.2A CN108460749B (zh) | 2018-03-20 | 2018-03-20 | 一种高光谱与多光谱图像的快速融合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108460749A true CN108460749A (zh) | 2018-08-28 |
| CN108460749B CN108460749B (zh) | 2020-06-16 |
Family
ID=63237538
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810230035.2A Active CN108460749B (zh) | 2018-03-20 | 2018-03-20 | 一种高光谱与多光谱图像的快速融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108460749B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110148103A (zh) * | 2019-04-29 | 2019-08-20 | 中国科学院西安光学精密机械研究所 | 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 |
| 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、系统及介质 |
| CN112484856A (zh) * | 2020-10-30 | 2021-03-12 | 浙江农林大学暨阳学院 | 一种获取高精度色度和光谱图像的方法 |
| CN114998167A (zh) * | 2022-05-16 | 2022-09-02 | 电子科技大学 | 一种基于空间-光谱联合低秩的高光谱与多光谱图像融合方法 |
| 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 |
| CN116429710A (zh) * | 2023-06-15 | 2023-07-14 | 武汉大学人民医院（湖北省人民医院） | 一种药物组分检测方法、装置、设备及可读存储介质 |
| CN118537233A (zh) * | 2024-05-14 | 2024-08-23 | 西安邮电大学 | 基于Transformer变形的多尺度高光谱和多光谱图像融合方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103208102A (zh) * | 2013-03-29 | 2013-07-17 | 上海交通大学 | 一种基于稀疏表示的遥感图像融合方法 |
| CN104112263A (zh) * | 2014-06-28 | 2014-10-22 | 南京理工大学 | 基于深度神经网络的全色图像与多光谱图像融合的方法 |
| US9501852B2 (en) * | 2013-01-18 | 2016-11-22 | Nokia Technologies Oy | Method and apparatus for image fusion |
-
2018
- 2018-03-20 CN CN201810230035.2A patent/CN108460749B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9501852B2 (en) * | 2013-01-18 | 2016-11-22 | Nokia Technologies Oy | Method and apparatus for image fusion |
| CN103208102A (zh) * | 2013-03-29 | 2013-07-17 | 上海交通大学 | 一种基于稀疏表示的遥感图像融合方法 |
| CN104112263A (zh) * | 2014-06-28 | 2014-10-22 | 南京理工大学 | 基于深度神经网络的全色图像与多光谱图像融合的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李红: "基于深度支撑值学习网络的遥感图像融合", 《计算机学报》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110148103A (zh) * | 2019-04-29 | 2019-08-20 | 中国科学院西安光学精密机械研究所 | 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 |
| CN110148103B (zh) * | 2019-04-29 | 2020-12-25 | 中国科学院西安光学精密机械研究所 | 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 |
| 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、系统及介质 |
| 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、系统及介质 |
| CN112484856A (zh) * | 2020-10-30 | 2021-03-12 | 浙江农林大学暨阳学院 | 一种获取高精度色度和光谱图像的方法 |
| CN114998167A (zh) * | 2022-05-16 | 2022-09-02 | 电子科技大学 | 一种基于空间-光谱联合低秩的高光谱与多光谱图像融合方法 |
| CN114998167B (zh) * | 2022-05-16 | 2024-04-05 | 电子科技大学 | 一种基于空间-光谱联合低秩的高光谱与多光谱图像融合方法 |
| 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 |
| CN116429710A (zh) * | 2023-06-15 | 2023-07-14 | 武汉大学人民医院（湖北省人民医院） | 一种药物组分检测方法、装置、设备及可读存储介质 |
| CN116429710B (zh) * | 2023-06-15 | 2023-09-26 | 武汉大学人民医院（湖北省人民医院） | 一种药物组分检测方法、装置、设备及可读存储介质 |
| CN118537233A (zh) * | 2024-05-14 | 2024-08-23 | 西安邮电大学 | 基于Transformer变形的多尺度高光谱和多光谱图像融合方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108460749B (zh) | 2020-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108460749B (zh) | 一种高光谱与多光谱图像的快速融合方法 | |
| CN111369442B (zh) | 基于模糊核分类与注意力机制的遥感图像超分辨重建方法 | |
| CN112116065A (zh) | 一种rgb图像光谱重建方法、系统、存储介质及应用 | |
| CN108710830A (zh) | 一种结合密集连接注意力金字塔残差网络和等距限制的人体3d姿势估计方法 | |
| Ghorai et al. | Multiple pyramids based image inpainting using local patch statistics and steering kernel feature | |
| CN111179167A (zh) | 一种基于多阶段注意力增强网络的图像超分辨方法 | |
| CN108171122A (zh) | 基于全卷积网络的高光谱遥感图像的分类方法 | |
| Luo et al. | Hyperspectral mixed noise removal via spatial-spectral constrained unsupervised deep image prior | |
| CN111462012A (zh) | 一种基于条件生成对抗网络的sar图像仿真方法 | |
| CN103295197A (zh) | 基于字典学习和双边正则的图像超分辨率重建方法 | |
| Wei et al. | A-ESRGAN: Training real-world blind super-resolution with attention U-Net Discriminators | |
| Ran et al. | Remote sensing images super-resolution with deep convolution networks | |
| CN111126127A (zh) | 一种多级空间上下文特征指导的高分辨率遥感影像分类方法 | |
| CN112884668A (zh) | 基于多尺度的轻量级低光图像增强方法 | |
| Liu et al. | Diverse hyperspectral remote sensing image synthesis with diffusion models | |
| CN112686830B (zh) | 基于图像分解的单一深度图的超分辨率方法 | |
| Zhang et al. | NHNet: A non‐local hierarchical network for image denoising | |
| Wu et al. | Hprn: Holistic prior-embedded relation network for spectral super-resolution | |
| CN115660979A (zh) | 一种基于注意力机制的双判别器图像修复方法 | |
| Pandey et al. | Single image super-resolution using multi-scale feature enhancement attention residual network | |
| Yin et al. | Pyramid tokens-to-token vision transformer for thyroid pathology image classification | |
| CN109584194B (zh) | 基于卷积变分概率模型的高光谱图像融合方法 | |
| Xu et al. | Dual-branch deep image prior for image denoising | |
| Wang et al. | A CBAM‐GAN‐based method for super‐resolution reconstruction of remote sensing image | |
| Luo et al. | A fast denoising fusion network using internal and external priors |
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 |