CN102542549A - 基于压缩感知的多光谱与全色图像超分辨融合方法 - Google Patents
基于压缩感知的多光谱与全色图像超分辨融合方法 Download PDFInfo
- Publication number
- CN102542549A CN102542549A CN2012100017215A CN201210001721A CN102542549A CN 102542549 A CN102542549 A CN 102542549A CN 2012100017215 A CN2012100017215 A CN 2012100017215A CN 201210001721 A CN201210001721 A CN 201210001721A CN 102542549 A CN102542549 A CN 102542549A
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- full
- resolving power
- multispectral
- 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
Images
Abstract
本发明公开了一种基于压缩感知的多光谱与全色图像超分辨融合方法。其步骤为:(1)分别输入低分辨率多光谱图像和高分辨率全色图像;(2)获得高分辨率联合采样值矩阵;(3)获得高-低观测矩阵;(4)获得高-高观测矩阵;(5)获得高分辨率联合观测矩阵;(6)学习高分辨率过完备字典;(7)获得高分辨率稀疏系数;(8)重构高分辨率多光谱图像。本发明将压缩感知技术引入到多光谱图像融合领域来,克服了现有技术中颜色失真和光谱扭曲的缺陷,融合得到的多光谱图像比高分辨率全色图像高一倍分辨率。
Description
技术领域
本发明属于图像处理技术领域,更进一步涉及遥感图像处理技术领域中的基于压缩感知的多光谱与全色图像超分辨融合方法。本发明可以应用在土地利用、城区识别和森林资源调查等遥感领域。本发明是将低空间分辨率的多光谱图像与高空间分辨率的全色图像进行融合,同时利用压缩感知技术进行超分辨重建,以得到一幅同时具有高空间分辨率和光谱信息的融合图像。
背景技术
多光谱图像和全色图像融合是指将从多光谱探测器获得的同一场景的多谱图像的信息综合利用,利用它们在时空上的相关性及信息上的互补性,得到对景物更全面、清晰的描述,更有利于人眼的识别和机器的自动探测。多光谱图像具有丰富的光谱信息,但空间分辨率较低;全色图像具有丰富的空间细节信息,空间分辨率较高,但光谱信息较少。要获得同时具有高的光谱和空间分辨率的图像,可通过两个途径实现:一是采用更新型的传感器,这样能获取更高质量的图像,但对新型传感器的研制将耗费大量时间,且成本高;二是进行多光谱图像和全色图像的融合,这样能在现有传感器技术的基础上获取更高质量的图像,且技术成本低。目前的多光谱图像融合技术主要有两类:一类是IHS色彩变换法、主成分分析法(PCA)等;另一类是小波变换法、Laplacian金字塔分解等多尺度变换方法,但这些方法在多光谱图像和全色图像融合中存在着一个共同的问题:均采用“注入”的方法或运用分辨率变换提取全色图像的细节信息进行融合,利用全色图像简单的替代多光谱图像的亮度分量或当抽取全色图像的高频分量与多光谱图像的亮度分量的高频分量不一致时,会产生严重的颜色失真和光谱扭曲;另一方面,融合后图像的空间分辨率受限于融合前全色图像的分辨率。
湖南大学申请的专利“一种基于压缩传感理论的卫星遥感图像融合方法”(申请号201010283310.0,申请公布号CN 101996396A)中,该专利申请的方法是把压缩感知技术运用到多光谱图像的融合中,先向量化低空间分辨率多光谱图像和高空间分辨率全色图像;然后构造高空间分辨率多光谱图像块的稀疏表示字典;再用基追踪算法求解高空间分辨率多光谱图像在该字典下的稀疏表示;再将稀疏表示与预先设定的过完备字典相乘得到高空间分辨率多光谱图像块向量;最后将向量表示转化为图像块得到融合图像。该方法能够较好的克服颜色失真和光谱扭曲,但是仍然存在的不足是,融合后的多光谱图像的分辨率取决于融合前全色图像的分辨率,只能得到与融合前全色图像相同分辨率的图像。
发明内容
本发明的目的在于克服上述已有技术的缺点,提出一种基于压缩感知的多光谱图像与全色图像的超分辨融合方法,以提高空间分辨率,同时降低颜色失真和光谱扭曲。
为实现上述目的,本发明在压缩感知的框架下实现全色图像与多光谱图像的融合,其技术方案是首先将全色图像与多光谱图像作为压缩采样后的观测值,将高分辨率多光谱图像与低分辨率多光谱图像构造的观测矩阵,与高分辨率多光谱图像和高分辨率全色图像构造的观测矩阵进行联合;然后利用KSVD(K-Singular ValueDecomposition)方法对高分辨率多光谱图像随机抽块进行字典学习,得到训练字典;最后利用压缩感知基追踪算法得到高分辨率多光谱图像。
本发明的具体步骤如下:
(1)分别输入低分辨率多光谱图像和高分辨率全色图像;
(2)获得高分辨率联合采样值矩阵;
2a)对低分辨率多光谱图像和高分辨率全色图像进行分块列向量化;
2b)将分块列向量化的高分辨率全色图像矩阵连接到分块列向量化的低分辨率多光谱图像矩阵后,得到高分辨率联合采样值矩阵;
(3)对高分辨率的多光谱图像和低分辨率的多光谱图像构造观测矩阵,获得高-低观测矩阵;
(4)对高分辨率的多光谱图像和高分辨率的全色图像构造观测矩阵,获得高-高观测矩阵;
(5)将高-低观测矩阵连接到高-高观测矩阵后,得到高分辨率联合观测矩阵;
(6)利用KSVD方法对高分辨率多光谱图像进行字典学习,得到高分辨率过完备字典;
(7)利用基追踪算法求解高分辨率过完备字典下的高分辨率稀疏系数;
(8)重构高分辨率多光谱图像;
8a)将高分辨率过完备字典与高分辨率稀疏系数相乘,得到列向量化的多光谱图像;
8b)将列向量化的多光谱图像转化为图像块,恢复到原图像的位置,得到超分辨率的多光谱图像。
本发明与现有的技术相比具有以下优点:
第一,本发明将多光谱图像融合引入到压缩感知领域来,克服了现有技术中颜色失真和光谱的扭曲的缺陷,使得本发明可以保持空间分辨率和光谱信息,有利于后期对图像的处理和识别。
第二,本发明引入了矩阵联合和字典学习的方法,克服了现有技术中融合图像分辨率受限于融合前全色图像分辨率的缺陷,使得本发明得到的融合图像分辨率比现有技术的融合前全色图像分辨率明显提高。
第三,本发明引入了压缩感知基追踪算法,克服了现有技术中传感器和融合过程中噪声的影响,使得本发明比现有技术的峰值信噪比大大提高。
本发明的技术过程和效果可结合以下附图详细说明。
附图说明
图1为本发明的流程图;
图2为本发明的仿真图。
具体实施方法
参照附图1,本发明具体实施方式如下:
步骤1,分别输入低分辨率多光谱图像和高分辨率全色图像;
分别读入待处理的低分辨多光谱图像和高分辨率的全色图像。
本发明实施例中输入的低分辨多光谱图像大小为125×125×4,分辨率为4m;高分辨率的全色图像大小为500×500,分辨率为1m。
步骤2,获得高分辨率联合采样值矩阵;
将低分辨率多光谱图像的红、绿、蓝、近红外四个颜色通道图像分为5×5的小块然后列向量化,将第二块构成的列向量连接到第一块构成的列向量后,将第三块构成的列向量连接到第二块构成的列向量后,以此类推,低分辨率的多光谱图像变换为一个行数为100的矩阵,本发明实施例中低分辨率的多光谱图像变换为一个大小为100×625的矩阵。
将高分辨率全色图像分为20×20的小块然后列向量化,将第二块构成的列向量连接到第一块构成的列向量后,将第三块构成的列向量连接到第二块构成的列向量后,以此类推,高分辨率的全色图像变成一个行数为400的矩阵,本发明实施例中高分辨率的多光谱图像变换为一个大小为400×625的矩阵。
将高分辨率全色图像矩阵连接到低分辨率多光谱图像矩阵后,得到一个行数为500的高分辨率联合采样值矩阵,本发明实施例中高分辨率联合采样值矩阵大小为500×625。
步骤3,对高分辨率的多光谱图像和低分辨率的多光谱图像构造观测矩阵,获得高-低观测矩阵;
将低分辨率多光谱图像的红、绿、蓝、近红外四个颜色通道图像分为5×5的小块然后列向量化,将高分辨率多光谱图像的红、绿、蓝、近红外四个颜色通道图像分为40×40的小块然后列向量化;
将高分辨率多光谱图像每8个像素取平均得到低分辨率多光谱图像的1个像素,将高分辨率多光谱图像的8×8的一个小块取平均得到低分辨率多光谱图像的1×1的一个小块,高分辨率多光谱图像与低分辨率多光谱图像的下采样比为8∶1;
本发明实施例中按下式求解高-低观测矩阵:
步骤4,对高分辨率的多光谱图像和高分辨率的全色图像构造观测矩阵,获得高-高观测矩阵;
将高分辨率多光谱图像的红、绿、蓝、近红外四个颜色通道图像分40×40的小块然后列向量化,将高分辨率全色图像分为40×40的小块然后列向量化,将低分辨率全色图像分为20×20的小块然后列向量化;
将高分辨率多光谱图像的红、绿、蓝、近红外四个颜色通道的每一个像素加权求和,得到高分辨率全色图像对应位置的一个像素,本发明实施例中按下式求解权值矩阵:
yPAN=M2x+v2
YPAN为高分辨率的全色图像,为高分辨率的多光谱图像,M2为待求解的权值矩阵,vp为噪声向量。本发明实施例中红、绿、蓝、近红外每一谱段所取的权值系数大小分别为0.1139,0.2315,0.2308,0.4239,权值矩阵大小为1600×6400。
将高分辨率全色图像每2个像素取平均得到低分辨率全色图像的1个像素,将高分辨率全色图像的2×2的一个小块取平均得到低分辨率全色图像的1×1的一个小块,高分辨率多光谱图像与低分辨率多光谱图像的下采样比为2∶1,本发明实施例中按下式求解高分辨率全色图像下采样矩阵:
将高分辨率全色图像下采样矩阵与权值矩阵相乘得到高-高观测矩阵,本发明实施例中高-高观测矩阵大小为400×6400。
步骤5,将高-低观测矩阵连接到高-高观测矩阵后,得到高分辨率联合观测矩阵;
将步骤3得到的高-低观测矩阵连接到步骤4得到的高-高观测矩阵后,得到高分辨率联合观测矩阵,本发明实施例中高分辨率联合观测矩阵大小为500×6400。
步骤6,利用KSVD方法对高分辨率的多光谱图像进行字典学习,得到高分辨率过完备字典;
对输入的与待融合图像统计特性相近且比全色图像高一倍分辨率的20幅高分辨率多光谱图像进行分块列向量化,随机抽取高分辨率多光谱图像的25000个图像块进行字典训练;
本发明实施例中按照下式求解训练字典D:
其中,min{}为最小化,为求解Y-DX的二范数,Y为输入的初始离散余弦字典,D为待求解的高分辨率训练字典,X为随机抽取高分辨率多光谱图像块,Subject to表示‖Xi‖0为求解的限制条件,为任意第i列,‖Xi‖0为Xi的0范数,T0为稀疏度控制系数,本发明实施例中训练字典D大小为6400×6400。
步骤7,利用基追踪算法求解高分辨率过完备字典下的高分辨率稀疏系数;
本发明实施例中按照下式求解高分辨率的稀疏系数:
min‖α‖1 Subject to
其中,min‖α‖1为最小化α的一范数,α为待求解的高分辨率稀疏系数,Subject to表示为求解min‖α‖1的限制条件,为求解y-Φα的二范数,y为高分辨率联合采样值矩阵,Φ为高分辨率联合观测矩阵与高分辨率训练字典的乘积,ε为重构误差。
本发明实施例中ε设置为1,高分辨率联合采样值矩阵大小为500×625,高分辨率联合观测矩阵大小为500×6400。
步骤8,重构高分辨率多光谱图像;
将高分辨率过完备字典与高分辨率稀疏系数相乘,得到列向量化的多光谱图像;
将列向量化的多光谱图像转化为40×40的图像块,恢复到原图像的位置,得到超分辨率的多光谱图像。
本发明实施例中高分辨率稀疏系数矩阵大小为6400×625,列向量化的多光谱图像大小为6400×625,超分辨率的多光谱图像大小为1000×1000×4,分辨率为0.5m。
本发明的效果可以通过以下仿真实验作进一步说明。
实验仿真环境为MATLAB 7.10.0(R2010a)Service Pack 3,Intel(R)Pentium(R)4CPU 3.00GHz,WindowXP Professional,图2(a)和图2(b)是一组待融合图像,图2(c)是一幅参考图像,这三幅图像都是由Quickbrid公司拍摄的,图2(d)为采用本发明对图2(a)和图2(b)待融合图像进行融合后获得的超分辨多光谱图像。
将图2(d)与图2(b)进行比较,图2(b)的边缘不清晰而且细节也保持的不好,如河岸、桥、树木、房顶等,而图2(d)边缘清晰,细节也保持的很好,在空间分辨率、光谱信息、视觉效果上也明显优于图2(b),在分辨率上得到比融合前全色图像高一倍分辨率的多光谱图像。由此可以看出,本发明融合的超分辨率多光谱图像重构效果好。
为了证明本发明的效果,分别用本发明的方法和现有技术小波变换法、HIS色彩变换法、Contourlet变换法、PCA变换法对图2(a)和图2(b)的待融合图像进行融合。通过常用评价指标公式分别计算融合结果图像和图2(c)参考图像的红R、绿G、蓝B、近红外NIR及全部波段的像素矩阵,得到相关系数CC、均方根误差RMSE、光谱弧度SAM、相对整体维数综合误差ERGAS和整体图像质量指数Q4如下表。
由上表可见,本发明的相关系数CC和整体图像质量指数Q4均大于现有技术的评价值,相关系数越接近1,表示融合图像与参考图像越接近,融合结果越好,整体图像质量指数用来客观评估光谱信息的保留程度,结果范围在[0,1],整体图像质量指数越大越好,越与参考图像相似,相关系数和Q4的值越大表示融合效果越好;均方根误差RMSE、光谱弧度SAM和相对整体维数综合误差ERGAS均小于现有技术的评价值,均方根误差表示融合图像与参考图像误差的大小,均方根误差越小,图像融合的效果越好,光谱弧度表示光谱的曲折程度,越接近0,融合结果越好,相对整体维数综合误差越小融合图像和参考图像越接近,融合的效果就越好,理想情况为0,均方根误差RMSE、光谱弧度SAM、相对整体维数综合误差ERGAS越小表示融合效果越好。由此可以看出本发明的评价结果均优于现有技术的评价结果,本发明比已有技术有较好的客观评价效果。
Claims (5)
1.一种基于压缩感知的多光谱与全色图像超分辨融合方法,包括以下步骤:
(1)分别输入低分辨率多光谱图像和高分辨率全色图像;
(2)获得高分辨率联合采样值矩阵;
2a)对低分辨率多光谱图像和高分辨率全色图像进行分块列向量化;
2b)将分块列向量化的高分辨率全色图像矩阵连接到分块列向量化的低分辨率多光谱图像矩阵后,得到高分辨率联合采样值矩阵;
(3)对高分辨率的多光谱图像和低分辨率的多光谱图像构造观测矩阵,获得高-低观测矩阵;
(4)对高分辨率的多光谱图像和高分辨率的全色图像构造观测矩阵,获得高-高观测矩阵;
(5)将高-低观测矩阵连接到高-高观测矩阵后,得到高分辨率联合观测矩阵;
(6)利用KSVD方法对高分辨率多光谱图像进行字典学习,得到高分辨率过完备字典;
(7)利用基追踪算法求解高分辨率过完备字典下的高分辨率稀疏系数;
(8)重构高分辨率多光谱图像;
8a)将高分辨率过完备字典与高分辨率稀疏系数相乘,得到列向量化的多光谱图像;
8b)将列向量化的多光谱图像转化为图像块,恢复到原图像的位置,得到超分辨率的多光谱图像。
2.根据权利要求1所述的基于压缩感知的多光谱与全色图像超分辨融合方法,其特征在于:步骤(3)所述构造高-低观测矩阵的方法具体步骤如下:
第一步,对低分辨率的多光谱图像和高分辨率的多光谱图像进行分块列向量化;
第二步,对高分辨率多光谱图像8∶1下采样,得到低分辨率的多光谱图像;
第三步,由高分辨率的多光谱图像和低分辨率的多光谱图像构造高-低观测矩阵。
3.根据权利要求1所述的基于压缩感知的多光谱与全色图像超分辨融合方法,其特征在于:步骤(4)所述构造高-高观测矩阵的方法具体步骤如下:
第一步,对高分辨率的多光谱图像、高分辨率的全色图像、低分辨率的全色图像进行分块列向量化;
第二步,对高分辨率多光谱图像的每一谱段求权值之和,得到高分辨率全色图像;
第三步,对高分辨率全色图像2∶1下采样,得到低分辨率的全色图像;
第四步,由高分辨率的多光谱图像和高分辨率的全色图像构造高-高观测矩阵。
4.根据权利要求1所述的基于压缩感知的多光谱与全色图像超分辨融合方法,其特征在于:步骤(6)所述KSVD方法训练字典的具体步骤如下:
第一步,对输入的与待融合图像统计特性相近且比全色图像高一倍分辨率的多幅高分辨率多光谱图像进行分块列向量化,随机抽取高分辨率多光谱图像的25000个图像块进行字典训练;
第二步,按照下式求解训练字典D:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210001721.5A CN102542549B (zh) | 2012-01-04 | 2012-01-04 | 基于压缩感知的多光谱与全色图像超分辨融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210001721.5A CN102542549B (zh) | 2012-01-04 | 2012-01-04 | 基于压缩感知的多光谱与全色图像超分辨融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102542549A true CN102542549A (zh) | 2012-07-04 |
CN102542549B CN102542549B (zh) | 2015-02-18 |
Family
ID=46349373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210001721.5A Active CN102542549B (zh) | 2012-01-04 | 2012-01-04 | 基于压缩感知的多光谱与全色图像超分辨融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102542549B (zh) |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102842124A (zh) * | 2012-07-16 | 2012-12-26 | 西安电子科技大学 | 基于矩阵低秩分解的多光谱图像与全色图像融合方法 |
CN102920478A (zh) * | 2012-11-22 | 2013-02-13 | 山东大学 | 一种合成聚焦的便携式b型超声成像方法 |
CN103020909A (zh) * | 2012-12-06 | 2013-04-03 | 清华大学 | 基于多尺度结构自相似与压缩感知的单图像超分辨率方法 |
CN103914815A (zh) * | 2012-12-31 | 2014-07-09 | 诺基亚公司 | 图像融合方法和设备 |
CN104063857A (zh) * | 2014-06-30 | 2014-09-24 | 清华大学 | 高光谱图像的生成方法及系统 |
CN104252703A (zh) * | 2014-09-04 | 2014-12-31 | 吉林大学 | 基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法 |
CN104794681A (zh) * | 2015-04-28 | 2015-07-22 | 西安电子科技大学 | 基于多冗余字典和稀疏重构的遥感图像融合方法 |
CN104835122A (zh) * | 2015-04-28 | 2015-08-12 | 苏州中德启恒电子科技有限公司 | 基于压缩感知的全色锐化方法 |
CN104825161A (zh) * | 2015-06-04 | 2015-08-12 | 中国科学院武汉物理与数学研究所 | 基于过完备字典与先验知识的高质量肺部磁共振成像方法 |
CN105021280A (zh) * | 2015-08-13 | 2015-11-04 | 西安电子科技大学 | 基于全色和压缩光谱成像的图像超分辨率系统及方法 |
CN105719262A (zh) * | 2016-01-21 | 2016-06-29 | 西北大学 | 基于子字典稀疏重构的全色与多光谱遥感图像融合方法 |
CN105931181A (zh) * | 2016-04-14 | 2016-09-07 | 武汉大学 | 基于非耦合映射关系的影像超分辨率重建方法及系统 |
CN106023130A (zh) * | 2016-06-07 | 2016-10-12 | 中山大学 | 基于梯度滤波和pca的无人机影像与多光谱影像融合方法 |
CN106447640A (zh) * | 2016-08-26 | 2017-02-22 | 西安电子科技大学 | 基于字典学习、旋转引导滤波的多聚焦图像融合方法及装置 |
US9635274B2 (en) | 2011-06-15 | 2017-04-25 | Microsoft Technology Licensing, Llc | High resolution multispectral image capture |
CN107845117A (zh) * | 2017-10-19 | 2018-03-27 | 武汉大学 | 基于块稀疏表达模式和结构字典的高光谱图像压缩方法 |
CN108198163A (zh) * | 2018-01-05 | 2018-06-22 | 四川大学 | 一种基于离散余弦变换的全色与多光谱图像融合方法 |
WO2018209703A1 (en) * | 2017-05-19 | 2018-11-22 | Shanghaitech University | Method and system for snapshot multi-spectral light field imaging |
CN109509160A (zh) * | 2018-11-28 | 2019-03-22 | 长沙理工大学 | 一种利用逐层迭代超分辨率的分层次遥感图像融合方法 |
CN109949270A (zh) * | 2019-01-28 | 2019-06-28 | 西北工业大学 | 基于区域卷积网络的多光谱和全色图像融合空间质量评价方法 |
CN111121969A (zh) * | 2019-12-31 | 2020-05-08 | 杭州电子科技大学 | 一种基于孔径扫描的多光谱叠层成像方法 |
CN111147853A (zh) * | 2019-12-20 | 2020-05-12 | 东华大学 | 一种基于变焦预观测的先验子块生成方法 |
CN111582048A (zh) * | 2020-04-16 | 2020-08-25 | 昆明理工大学 | 基于字典学习和稀疏表示的欠采样信号高分辨率重构方法 |
CN111681207A (zh) * | 2020-05-09 | 2020-09-18 | 宁波大学 | 一种遥感图像融合质量评价方法 |
CN111681171A (zh) * | 2020-06-15 | 2020-09-18 | 中国人民解放军军事科学院国防工程研究院 | 基于分块匹配的全色与多光谱图像高保真融合方法及装置 |
CN113344846A (zh) * | 2021-04-20 | 2021-09-03 | 山东师范大学 | 基于生成对抗网络和压缩感知的遥感图像融合方法及系统 |
CN113888421A (zh) * | 2021-09-26 | 2022-01-04 | 北京和德宇航技术有限公司 | 一种多光谱卫星遥感图像融合方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100189363A1 (en) * | 2009-01-27 | 2010-07-29 | Harris Corporation | Processing of remotely acquired imaging data including moving objects |
CN101950365A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于ksvd字典学习的多任务超分辨率图像重构方法 |
-
2012
- 2012-01-04 CN CN201210001721.5A patent/CN102542549B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100189363A1 (en) * | 2009-01-27 | 2010-07-29 | Harris Corporation | Processing of remotely acquired imaging data including moving objects |
CN101950365A (zh) * | 2010-08-30 | 2011-01-19 | 西安电子科技大学 | 基于ksvd字典学习的多任务超分辨率图像重构方法 |
Non-Patent Citations (1)
Title |
---|
杨斌: "像素级多传感器图像融合新方法研究", 《万方学位论文数据库》 * |
Cited By (46)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9635274B2 (en) | 2011-06-15 | 2017-04-25 | Microsoft Technology Licensing, Llc | High resolution multispectral image capture |
US9992457B2 (en) | 2011-06-15 | 2018-06-05 | Microsoft Technology Licensing, Llc | High resolution multispectral image capture |
CN102842124A (zh) * | 2012-07-16 | 2012-12-26 | 西安电子科技大学 | 基于矩阵低秩分解的多光谱图像与全色图像融合方法 |
CN102842124B (zh) * | 2012-07-16 | 2014-10-01 | 西安电子科技大学 | 基于矩阵低秩分解的多光谱图像与全色图像融合方法 |
CN102920478A (zh) * | 2012-11-22 | 2013-02-13 | 山东大学 | 一种合成聚焦的便携式b型超声成像方法 |
CN102920478B (zh) * | 2012-11-22 | 2014-04-16 | 山东大学 | 一种合成聚焦的便携式b型超声成像方法 |
CN103020909A (zh) * | 2012-12-06 | 2013-04-03 | 清华大学 | 基于多尺度结构自相似与压缩感知的单图像超分辨率方法 |
CN103914815A (zh) * | 2012-12-31 | 2014-07-09 | 诺基亚公司 | 图像融合方法和设备 |
CN104063857A (zh) * | 2014-06-30 | 2014-09-24 | 清华大学 | 高光谱图像的生成方法及系统 |
CN104063857B (zh) * | 2014-06-30 | 2017-02-15 | 清华大学 | 高光谱图像的生成方法及系统 |
CN104252703A (zh) * | 2014-09-04 | 2014-12-31 | 吉林大学 | 基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法 |
CN104252703B (zh) * | 2014-09-04 | 2017-05-03 | 吉林大学 | 基于小波预处理和稀疏表示的卫星遥感图像超分辨率重构方法 |
CN104794681A (zh) * | 2015-04-28 | 2015-07-22 | 西安电子科技大学 | 基于多冗余字典和稀疏重构的遥感图像融合方法 |
CN104835122A (zh) * | 2015-04-28 | 2015-08-12 | 苏州中德启恒电子科技有限公司 | 基于压缩感知的全色锐化方法 |
CN104794681B (zh) * | 2015-04-28 | 2018-03-13 | 西安电子科技大学 | 基于多冗余字典和稀疏重构的遥感图像融合方法 |
CN104825161A (zh) * | 2015-06-04 | 2015-08-12 | 中国科学院武汉物理与数学研究所 | 基于过完备字典与先验知识的高质量肺部磁共振成像方法 |
CN104825161B (zh) * | 2015-06-04 | 2017-06-09 | 中国科学院武汉物理与数学研究所 | 基于过完备字典与先验知识的高质量肺部磁共振成像方法 |
CN105021280A (zh) * | 2015-08-13 | 2015-11-04 | 西安电子科技大学 | 基于全色和压缩光谱成像的图像超分辨率系统及方法 |
CN105719262A (zh) * | 2016-01-21 | 2016-06-29 | 西北大学 | 基于子字典稀疏重构的全色与多光谱遥感图像融合方法 |
CN105719262B (zh) * | 2016-01-21 | 2018-06-22 | 西北大学 | 基于子字典稀疏重构的全色与多光谱遥感图像融合方法 |
CN105931181A (zh) * | 2016-04-14 | 2016-09-07 | 武汉大学 | 基于非耦合映射关系的影像超分辨率重建方法及系统 |
CN105931181B (zh) * | 2016-04-14 | 2018-10-26 | 武汉大学 | 基于非耦合映射关系的影像超分辨率重建方法及系统 |
CN106023130B (zh) * | 2016-06-07 | 2019-02-01 | 中山大学 | 基于梯度滤波和pca的无人机影像与多光谱影像融合方法 |
CN106023130A (zh) * | 2016-06-07 | 2016-10-12 | 中山大学 | 基于梯度滤波和pca的无人机影像与多光谱影像融合方法 |
CN106447640A (zh) * | 2016-08-26 | 2017-02-22 | 西安电子科技大学 | 基于字典学习、旋转引导滤波的多聚焦图像融合方法及装置 |
CN106447640B (zh) * | 2016-08-26 | 2019-07-16 | 西安电子科技大学 | 基于字典学习、旋转引导滤波的多聚焦图像融合方法及装置 |
US10645281B1 (en) | 2017-05-19 | 2020-05-05 | Shanghaitech University | Method and system for snapshot multi-spectral light field imaging |
WO2018209703A1 (en) * | 2017-05-19 | 2018-11-22 | Shanghaitech University | Method and system for snapshot multi-spectral light field imaging |
CN107845117B (zh) * | 2017-10-19 | 2019-12-10 | 武汉大学 | 基于块稀疏表达模式和结构字典的高光谱图像压缩方法 |
CN107845117A (zh) * | 2017-10-19 | 2018-03-27 | 武汉大学 | 基于块稀疏表达模式和结构字典的高光谱图像压缩方法 |
CN108198163A (zh) * | 2018-01-05 | 2018-06-22 | 四川大学 | 一种基于离散余弦变换的全色与多光谱图像融合方法 |
CN109509160A (zh) * | 2018-11-28 | 2019-03-22 | 长沙理工大学 | 一种利用逐层迭代超分辨率的分层次遥感图像融合方法 |
CN109949270A (zh) * | 2019-01-28 | 2019-06-28 | 西北工业大学 | 基于区域卷积网络的多光谱和全色图像融合空间质量评价方法 |
CN111147853B (zh) * | 2019-12-20 | 2021-05-25 | 东华大学 | 一种基于变焦预观测的先验子块生成方法 |
CN111147853A (zh) * | 2019-12-20 | 2020-05-12 | 东华大学 | 一种基于变焦预观测的先验子块生成方法 |
CN111121969A (zh) * | 2019-12-31 | 2020-05-08 | 杭州电子科技大学 | 一种基于孔径扫描的多光谱叠层成像方法 |
CN111121969B (zh) * | 2019-12-31 | 2021-12-10 | 杭州电子科技大学 | 一种基于孔径扫描的多光谱叠层成像方法 |
CN111582048A (zh) * | 2020-04-16 | 2020-08-25 | 昆明理工大学 | 基于字典学习和稀疏表示的欠采样信号高分辨率重构方法 |
CN111582048B (zh) * | 2020-04-16 | 2022-09-23 | 昆明理工大学 | 基于字典学习和稀疏表示的欠采样信号高分辨率重构方法 |
CN111681207A (zh) * | 2020-05-09 | 2020-09-18 | 宁波大学 | 一种遥感图像融合质量评价方法 |
CN111681207B (zh) * | 2020-05-09 | 2023-10-27 | 四维高景卫星遥感有限公司 | 一种遥感图像融合质量评价方法 |
CN111681171A (zh) * | 2020-06-15 | 2020-09-18 | 中国人民解放军军事科学院国防工程研究院 | 基于分块匹配的全色与多光谱图像高保真融合方法及装置 |
CN111681171B (zh) * | 2020-06-15 | 2024-02-27 | 中国人民解放军军事科学院国防工程研究院 | 基于分块匹配的全色与多光谱图像高保真融合方法及装置 |
CN113344846A (zh) * | 2021-04-20 | 2021-09-03 | 山东师范大学 | 基于生成对抗网络和压缩感知的遥感图像融合方法及系统 |
CN113344846B (zh) * | 2021-04-20 | 2023-02-21 | 山东师范大学 | 基于生成对抗网络和压缩感知的遥感图像融合方法及系统 |
CN113888421A (zh) * | 2021-09-26 | 2022-01-04 | 北京和德宇航技术有限公司 | 一种多光谱卫星遥感图像融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102542549B (zh) | 2015-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102542549A (zh) | 基于压缩感知的多光谱与全色图像超分辨融合方法 | |
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
CN103208102A (zh) | 一种基于稀疏表示的遥感图像融合方法 | |
CN109509160A (zh) | 一种利用逐层迭代超分辨率的分层次遥感图像融合方法 | |
CN103871041B (zh) | 基于认知正则化参数构建的图像超分辨率重构方法 | |
CN111080724A (zh) | 一种红外和可见光的融合方法 | |
CN107220957B (zh) | 一种利用滚动导向滤波的遥感图像融合方法 | |
CN110009590A (zh) | 一种基于卷积神经网络的高质量彩色图像去马赛克方法 | |
CN101996396A (zh) | 一种基于压缩传感理论的卫星遥感图像融合方法 | |
CN105340268B (zh) | 图像处理装置、图像处理方法以及图像处理程序 | |
Connah et al. | Spectral edge image fusion: Theory and applications | |
CN107103596A (zh) | 一种基于yuv空间的彩色夜视图像融合方法 | |
CN109993717A (zh) | 一种结合引导滤波和ihs变换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 | |
CN111340696B (zh) | 融合仿生视觉机制的卷积神经网络图像超分辨率重建方法 | |
CN103116880A (zh) | 一种基于稀疏表示和多残差的图像超分辨率重建方法 | |
CN112001843B (zh) | 一种基于深度学习的红外图像超分辨率重建方法 | |
CN105046676A (zh) | 一种基于智能终端的图像融合方法及设备 | |
CN108765280A (zh) | 一种高光谱图像空间分辨率增强方法 | |
Xiao et al. | A dual-UNet with multistage details injection for hyperspectral image fusion | |
CN105303542B (zh) | 基于梯度加权的自适应sfim图像融合算法 | |
CN102831581A (zh) | 一种超分辨率图像重构的方法 | |
CN112767243B (zh) | 一种高光谱图像超分辨率的实现方法及系统 | |
CN104680502B (zh) | 基于稀疏字典和非下采样Contourlet变换的红外图像超分辨重建方法 | |
CN106254720A (zh) | 一种基于联合正则化的视频超分辨率重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |