CN103065293A - 相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法 - Google Patents
相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法 Download PDFInfo
- Publication number
- CN103065293A CN103065293A CN2012105897635A CN201210589763A CN103065293A CN 103065293 A CN103065293 A CN 103065293A CN 2012105897635 A CN2012105897635 A CN 2012105897635A CN 201210589763 A CN201210589763 A CN 201210589763A CN 103065293 A CN103065293 A CN 103065293A
- Authority
- CN
- China
- Prior art keywords
- image
- multispectral
- fusion
- panchromatic
- correlativity
- 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.)
- Pending
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法,本发明涉及遥感影像处理技术领域。相关性加权的遥感影像融合方法为:对原始待融合影像的预处理;计算预处理后的多光谱影像各波段与全色影像各波段的相关性;通过调整多光谱影像的权重,获取多光谱影像最佳的权重系数,根据最佳的权重系数获取相关性加权融合模型;根据相关性加权算法实现多光谱影像与全色影像的融合。相关性加权的遥感影像融合方法的融合效果评价方法为:根据相关性加权的遥感影像融合方法获取的融合影像,从数理统计的定量方式评价融合影像,数理统计的定量方式是根据选择融合效果评价指标对融合前后影像进行评价,融合效果评价指标分别为:方差、信息熵和扭曲度。
Description
技术领域
本发明涉及遥感影像处理技术,具体涉及相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法。
背景技术
随着现代遥感传感器及其相关技术的飞速发展,遥感获取数据的手段不断增加,各种对地观测卫星能源源不断的为应用提供不同空间分辨率、光谱分辨率、时间分辨率的遥感数据,但由于遥感卫星成像原理不同和技术条件的限制,任何单一信息源都不能全面反映目标对象的特征,很难同时具有高空间、高光谱分辨率的特性,因此对应用具有一定的局限性。为了充分利用这些丰富的数据源,从巨量数据中挖掘出所需要的信息,从而对观测目标有一个更加全面、清晰、准确的理解与认知,人们迫切寻求一种综合利用各种数据的技术方法,将多光谱影像与全色波段影像进行融合,以实现对目标更精确、更可靠的估计和判断。传统的遥感影像多光谱影像与全色波段影像可通过主成份变换、小波变换、HIS变换等融合方法实现,但普遍存在空间信息丢失或光谱信息扭曲的缺点,难以提高融合效果的问题。
发明内容
本发明为了解决传统的遥感影像处理技术存在空间信息丢失或光谱信息扭曲的缺点,难以提高融合效果的问题,从而提出了相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法。
相关性加权的遥感影像融合方法,包括下述步骤:
步骤一、对原始待融合影像的预处理,所述的原始待融合影像包括多光谱影像和全色影像;
通过传感器获取多光谱影像和全色影像;
根据二次多项式法对多光谱影像进行几何配准,使多光谱影像与全色影像保持几何一致性;
根据线性内插法对配准后的多光谱影像进行重采样,使多光谱影像的像元与色影像的像元大小一致;
对全色影像和重采样后的多光谱影像进行裁剪,裁剪出试验区域影像,获得相同区域全色影像和多光谱影像。
步骤二、计算预处理后的多光谱影像各波段与全色影像各波段的相关性;
其中,表示第t个波段的相关系数,A表示多光谱影像,B表示全色影像,Xi,j表示多光谱影像像元值,X'i,j表示全色影像像元值,表示多光谱影像像元灰度均值,表示全色影像像元灰度均值,M为多光谱影像像元的总数,N为全色影像像元的总数,i表示影像的行号、j表示影像的列号。
步骤三、通过调整多光谱影像的权重,获取多光谱影像最佳的权重系数,根据最佳的权重系数获取相关性加权融合模型;
步骤四、根据相关性加权算法实现多光谱影像与全色影像的融合。
步骤四所述的根据相关性加权算法实现多光谱影像与全色影像的融合的具体过程为:
根据公式(2)获取多光谱影像与全色影像的融合后的影像G1、G2和G3:
G1=(1+r1)*k1*Pan+(1-r1)*(1-k1)*多光谱1
G2=(1+r2)*k2*Pan+(1-r2)*(1-k2)*多光谱2(2)
G3=(1+r3)*k3*Pan+(1-r3)*(1-k3)*多光谱3
其中,多光谱1为第一波段的多光谱影像数据,多光谱2为第二波段的多光谱影像数据,多光谱3为第三波段的多光谱影像数据;r1为第一波段的多光谱影像与全色影像的相关系数,r2为第二波段多光谱影像与全色影像的相关系数,r3为第三波段多光谱影像与全色影像的相关系数;G1为融合后的第一波段影像,G2为融合后的第二波段影像,G3为融合后的第三波影像;k1为第一波段融合的权重系数,k2为第二波段融合的权重系数,k3为第三波段融合的权重系数;Pan为全色影像波段。
根据公式(2),将原始待融合影像的多光谱影像与全色影像进行逐个像元的融合运算,得到最终的遥感影像融合结果影像。
相关性加权的遥感影像融合方法的融合效果评价方法为:
将原始待融合影像的多光谱影像与全色影像进行逐个像元的融合运算,得到最终的遥感影像融合结果影像。
所述的数理统计的定量方式是根据选择融合效果评价指标对融合前后影像进行评价,所述的融合效果评价指标分别为:方差、信息熵和扭曲度。
方差的范围是:0-30,方差Var根据公式(3)的获得:
其中,Xi,j表示多光谱影像像元值,i表示影像的行号、j表示影像的列号;M×N为像元总数,Aver为亮度均值。
信息熵的范围是:0-10,信息熵根据公式(4)的获得:
扭曲度的范围是:0-1,扭曲度根据公式(5)的获得:
其中,X'i,j表示全色影像像元值,M×N为像元总数。
本发明结合充分考虑待融合影像波段之间的关系,减少融合过程中的不同影像之间的差异,从而达到了在改善空间信息的同时,很好的保留了融合影像的光谱信息,极大的提高了遥感影像融合的质量的目的。
本发明所述的相关性加权的遥感影像融合方法优点在于:在传统的遥感影像融合算法的基础上,提出了一种基于相关性加权的遥感影像融合方法,新的算法改善了传统方法空间信息丢失和光谱信息扭曲的缺点。。
附图说明
图1为本发明所述的相关性加权的遥感影像融合方法的方法流程图;
图2为具体实施方式十中Aster多光谱影像;
图3为具体实施方式十中资源二号全色影像;
图4为具体实施方式十中融合结果影像;
图5为具体实施方式十中PCA融合结果影像;
图6为具体实施方式十中Brovey融合结果影像。
具体实施方式
具体实施方式一、结合图1具体说明本实施方式,本实施方式所述的相关性加权的遥感影像融合方法,包括下述步骤:
步骤一、对原始待融合影像的预处理,所述的原始待融合影像包括多光谱影像和全色影像;
步骤二、计算预处理后的多光谱影像各波段与全色影像各波段的相关性;
步骤三、通过调整多光谱影像的权重,获取多光谱影像最佳的权重系数,根据最佳的权重系数获取相关性加权融合模型;
步骤四、根据相关性加权算法实现多光谱影像与全色影像的融合。
具体实施方式二、本实施方式与具体实施方式一所述的相关性加权的遥感影像融合方法的区别在于,步骤一所述的对原始待融合影像的预处理的具体过程为:
通过传感器获取多光谱影像和全色影像;
根据二次多项式法对多光谱影像进行几何配准,使多光谱影像与全色影像保持几何一致性;
根据线性内插法对配准后的多光谱影像进行重采样,使多光谱影像的像元与全色影像的像元大小一致;
对全色影像和重采样后的多光谱影像进行裁剪,裁剪出试验区域影像,获得相同区域全色影像和多光谱影像。
具体实施方式三、本实施方式与具体实施方式一所述的相关性加权的遥感影像融合方法的区别在于,步骤二所述的计算预处理后的多光谱影像各波段与全色影像各波段的相关性的具体过程为:
其中,表示第t个波段的相关系数,A表示多光谱影像,B表示全色影像,Xi,j表示多光谱影像像元值,X'i,j表示全色影像像元值,表示多光谱影像像元灰度均值,表示全色影像像元灰度均值,M为多光谱影像像元的总数,N为全色影像像元的总数,i表示影像的行号、j表示影像的列号。
具体实施方式四、本实施方式与具体实施方式一所述的相关性加权的遥感影像融合方法的区别在于,步骤四所述的根据相关性加权算法实现多光谱影像与全色影像的融合的具体过程为:
根据公式(2)获取多光谱影像与全色影像的融合后的影像G1、G2和G3:
G1=(1+r1)*k1*Pan+(1-r1)*(1-k1)*多光谱1
G2=(1+r2)*k2*Pan+(1-r2)*(1-k2)*多光谱2(2)
G3=(1+r3)*k3*Pan+(1-r3)*(1-k3)*多光谱3
其中,多光谱1为第一波段的多光谱影像数据,多光谱2为第二波段的多光谱影像数据,多光谱3为第三波段的多光谱影像数据;r1为第一波段的多光谱影像与全色影像的相关系数,r2为第二波段多光谱影像与全色影像的相关系数,r3为第三波段多光谱影像与全色影像的相关系数;G1为融合后的第一波段影像,G2为融合后的第二波段影像,G3为融合后的第三波影像;k1为第一波段融合的权重系数,k2为第二波段融合的权重系数,k3为第三波段融合的权重系数;Pan为全色影像波段;
根据公式(2),将原始待融合影像的多光谱影像与全色影像进行逐个像元的融合运算,得到最终的遥感影像融合结果影像。
通过调整权重系数的控制融合图像的效果和特征信息,k1,k2,k3较大时,融合影像包含全色影像的特征较为明显,图像具有较多的纹理特征信息,相反融合后的影像包含多光谱图像的特征较明显。
具体实施方式五、基于具体实施方式一所述的相关性加权的遥感影像融合方法的融合效果评价方法,根据相关性加权的遥感影像融合方法获取的融合影像,从数理统计的定量方式评价融合影像,
所述的数理统计的定量方式是根据选择融合效果评价指标对融合前后影像进行评价,评价指标主要是针对空间信息和光谱信息方面进行分析评价,所述的融合效果评价指标分别为:方差、信息熵和扭曲度。
方差(值越大越好;范围是(0-30))、信息熵(值越大越好;范围(0-10))和扭曲度(越接近1越好;范围是:(0-1))
其中,方差是衡量信息量的大小,方差越大,影像的信息越分散,信息量越大。
信息熵是衡量影像信息丰富程度的一个重要标志,熵值越大,影像所包含的信息量越多。
扭曲度是反应融合后的影像相对于原始多光谱影像的变形情况,扭曲度越接近1越好,变形越小,融合效果越好。
基于相关性加权的遥感影像融合方法的融合效果评价方法除了从数理统计的定量方式评价融合影像,也可以从从视觉效果的定性方式评价融合影像,基于视觉效果的定性分析是人为从视觉效果上分析融合前后遥感影像的融合效果。
具体实施方式六、本实施方式与具体实施方式五所述的相关性加权的遥感影像融合方法的融合效果评价方法的区别在于,所述方差的范围是:0-30,方差Var根据公式(3)的获得:
其中,Xi,j表示多光谱影像像元值,i表示影像的行号、j表示影像的列号;M×N为像元总数,Aver为亮度均值。
具体实施方式七、本实施方式与具体实施方式五所述的相关性加权的遥感影像融合方法的融合效果评价方法的区别在于,所述信息熵的范围是:0-10,信息熵根据公式(4)的获得,根据香浓多样性指数的信息论原理,一幅8bit表示的影像x信息熵为:
其中,x为输入的影像变量;为影像像元灰度值为w的概率,fw表示灰度w的频数。
具体实施方式八、本实施方式与具体实施方式五所述的相关性加权的遥感影像融合方法的融合效果评价方法的区别在于,所述扭曲度的范围是:0-1,扭曲度根据公式(5)的获得:
其中,X'i,j表示全色影像像元值,M×N为像元总数。
具体实施方式九、结合图2至图6具体说明本实施方式,本实施方式以实例进行说明,利用新的融合算法实现Aster多光谱影像与资源二号全色影像的融合。
(1)输入原始的Aster多光谱影像与资源二号全色影像,并对Aster多光谱影像进行几何纠正与重采样,使得其与资源二号全色影像对应像元具有一致性。再裁剪出处理后待融合的Aster多光谱影像与资源二号全色影像。如图2,3所示。
(2)对Aster多光谱影像的三个波段分别与资源二号全色波段分别进行相关性分析,确定相关性系数;在此基础上,调整权重系数,并利用相关性加权模型进行运算,得到最终的融合结果影像。如图4所示。
(3)分别从视觉效果定性分析和数理统计定量两方面对融合结果影像进行系统性的分析和评价,验证影像融合的效果。
将本发明方法与其他融合方法如乘积变换(Brovey)方法和主成分变换融合(PCA)方法进行融合效果对比实验如图5、6所示。
基于视觉效果定性分析:从影像中不难看出,三种方法融合后的影像视觉效果与融合前的影像相比均有较大的提高。融合后的影像既具有Aster多光谱影像丰富的光谱信息,又具有资源二号全色影像的高分辨率的特点,影像比融合前的影像清晰。其中,基于相关性加权的融合方法效果最好,影像更清晰,达到了突出主要信息的目的。
基于数理统计的定量分析:表1列出了本发明中基于相关性加权的融合方法与传统融合方法融合效果评价结果。表1表示Aster多光谱影像与资源二号全色影像融合效果评价,方差和信息熵是衡量影像信息量大小的重要指标,整体上,三种融合方法均提高了原始影像的信息量,其中,相关性加权的融合方法信息熵和方差值最大,信息量提高效果最好,主成分分析融合方法计算值最小,效果最差。扭曲度是重要的衡量融合前后影像光谱扭曲程度的参数,相关性加权方法的扭曲度明显要小,这说明相关性加权的融合方法的光谱扭曲程度最小。综上所述:无论从方差、信息熵还是扭曲度来看,相关性加权的方法对Aster多光谱影像与资源二号全色影像融合效果最好。
Claims (8)
1.相关性加权的遥感影像融合方法,其特征在于:它包括下述步骤:
步骤一、对原始待融合影像的预处理,所述的原始待融合影像包括多光谱影像和全色影像;
步骤二、计算预处理后的多光谱影像各波段与全色影像各波段的相关性;
步骤三、通过调整多光谱影像的权重,获取多光谱影像最佳的权重系数,根据最佳的权重系数获取相关性加权融合模型;
步骤四、根据相关性加权算法实现多光谱影像与全色影像的融合。
2.根据权利要求1所述的相关性加权的遥感影像融合方法,其特征在于:步骤一所述的对原始待融合影像的预处理的具体过程为:
通过传感器获取多光谱影像和全色影像;
根据二次多项式法对多光谱影像进行几何配准,使多光谱影像与全色影像保持几何一致性;
根据线性内插法对配准后的多光谱影像进行重采样,使多光谱影像的像元与色影像的像元大小一致;
对全色影像和重采样后的多光谱影像进行裁剪,裁剪出试验区域影像,获得相同区域全色影像和多光谱影像。
4.根据权利要求1所述的相关性加权的遥感影像融合方法,其特征在于:步骤四所述的根据相关性加权算法实现多光谱影像与全色影像的融合的具体过程为:
根据公式(2)获取多光谱影像与全色影像的融合后的影像G1、G2和G3:
G1=(1+r1)*k1*Pan+(1-r1)*(1-k1)*多光谱1
G2=(1+r2)*k2*Pan+(1-r2)*(1-k2)*多光谱2(2)
G3=(1+r3)*k3*Pan+(1-r3)*(1-k3)*多光谱3
其中,多光谱1为第一波段的多光谱影像数据,多光谱2为第二波段的多光谱影像数据,多光谱3为第三波段的多光谱影像数据;r1为第一波段的多光谱影像与全色影像的相关系数,r2为第二波段多光谱影像与全色影像的相关系数,r3为第三波段多光谱影像与全色影像的相关系数;G1为融合后的第一波段影像,G2为融合后的第二波段影像,G3为融合后的第三波影像;k1为第一波段融合的权重系数,k2为第二波段融合的权重系数,k3为第三波段融合的权重系数;Pan为全色影像波段,
根据公式(2),将原始待融合影像的多光谱影像与全色影像进行逐个像元的融合运算,得到最终的遥感影像融合结果影像。
5.基于权利要求1所述的相关性加权的遥感影像融合方法的融合效果评价方法,其特征在于:根据相关性加权的遥感影像融合方法获取的融合影像,从数理统计的定量方式评价融合影像,
所述的数理统计的定量方式是根据选择融合效果评价指标对融合前后影像进行评价,所述的融合效果评价指标分别为:方差、信息熵和扭曲度。
6.根据权利要求5所述的相关性加权的遥感影像融合方法的融合效果评价方法,其特征在于:所述方差的范围是:0-30,方差Var根据公式(3)的获得:
其中,Xi,j表示多光谱影像像元值,i表示影像的行号、j表示影像的列号;M×N为像元总数,Aver为亮度均值。
8.根据权利要求5所述的相关性加权的遥感影像融合方法的融合效果评价方法,其特征在于:所述扭曲度的范围是:0-1,扭曲度根据公式(5)的获得:
其中,X'i,j表示全色影像像元值,M×N为像元总数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105897635A CN103065293A (zh) | 2012-12-31 | 2012-12-31 | 相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012105897635A CN103065293A (zh) | 2012-12-31 | 2012-12-31 | 相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103065293A true CN103065293A (zh) | 2013-04-24 |
Family
ID=48107910
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012105897635A Pending CN103065293A (zh) | 2012-12-31 | 2012-12-31 | 相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103065293A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810689A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 一种新的图像融合效果评价算法 |
CN104361338A (zh) * | 2014-10-17 | 2015-02-18 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR、Landsat TM与DEM数据的泥炭沼泽信息提取方法 |
CN104677379A (zh) * | 2013-11-28 | 2015-06-03 | 空中客车运营简化股份公司 | 用于使用一致性准则融合来自传感器的数据的方法 |
CN104933690A (zh) * | 2015-06-04 | 2015-09-23 | 中国科学院遥感与数字地球研究所 | 基于混合亚像元解混的遥感多光谱与全色图像融合方法 |
CN105023261A (zh) * | 2015-07-22 | 2015-11-04 | 太原理工大学 | 基于agihs及低通滤波器的遥感图像融合方法 |
CN106023111A (zh) * | 2016-05-23 | 2016-10-12 | 中国科学院深圳先进技术研究院 | 一种影像融合质量评价方法及系统 |
CN106611410A (zh) * | 2016-11-29 | 2017-05-03 | 北京空间机电研究所 | 基于金字塔模型的pansharpen融合优化方法 |
CN108491869A (zh) * | 2018-03-14 | 2018-09-04 | 北京师范大学 | 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法 |
CN108831161A (zh) * | 2018-06-27 | 2018-11-16 | 深圳大学 | 一种基于无人机的交通流量监测方法、智能系统及数据集 |
CN109933639A (zh) * | 2019-03-22 | 2019-06-25 | 合肥工业大学 | 一种面向图层叠加的多光谱图像与全色图像自适应融合方法 |
WO2022166363A1 (zh) * | 2021-02-07 | 2022-08-11 | 浙江师范大学 | 一种基于近邻子空间划分高光谱影像波段选择方法及系统 |
-
2012
- 2012-12-31 CN CN2012105897635A patent/CN103065293A/zh active Pending
Non-Patent Citations (1)
Title |
---|
于君明 等: "ETM+影像融合的评价分析", 《遥感技术与应用》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810689A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 一种新的图像融合效果评价算法 |
CN104677379B (zh) * | 2013-11-28 | 2019-11-29 | 空中客车运营简化股份公司 | 用于使用一致性准则融合来自传感器的数据的方法 |
CN104677379A (zh) * | 2013-11-28 | 2015-06-03 | 空中客车运营简化股份公司 | 用于使用一致性准则融合来自传感器的数据的方法 |
CN104361338A (zh) * | 2014-10-17 | 2015-02-18 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR、Landsat TM与DEM数据的泥炭沼泽信息提取方法 |
CN104361338B (zh) * | 2014-10-17 | 2017-11-28 | 中国科学院东北地理与农业生态研究所 | 一种基于ENVISAT ASAR、Landsat TM与DEM数据的泥炭沼泽信息提取方法 |
CN104933690A (zh) * | 2015-06-04 | 2015-09-23 | 中国科学院遥感与数字地球研究所 | 基于混合亚像元解混的遥感多光谱与全色图像融合方法 |
CN105023261A (zh) * | 2015-07-22 | 2015-11-04 | 太原理工大学 | 基于agihs及低通滤波器的遥感图像融合方法 |
CN106023111A (zh) * | 2016-05-23 | 2016-10-12 | 中国科学院深圳先进技术研究院 | 一种影像融合质量评价方法及系统 |
CN106611410A (zh) * | 2016-11-29 | 2017-05-03 | 北京空间机电研究所 | 基于金字塔模型的pansharpen融合优化方法 |
CN106611410B (zh) * | 2016-11-29 | 2019-10-22 | 北京空间机电研究所 | 基于金字塔模型的pansharpen融合优化方法 |
CN108491869A (zh) * | 2018-03-14 | 2018-09-04 | 北京师范大学 | 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法 |
CN108831161A (zh) * | 2018-06-27 | 2018-11-16 | 深圳大学 | 一种基于无人机的交通流量监测方法、智能系统及数据集 |
CN109933639A (zh) * | 2019-03-22 | 2019-06-25 | 合肥工业大学 | 一种面向图层叠加的多光谱图像与全色图像自适应融合方法 |
CN109933639B (zh) * | 2019-03-22 | 2022-12-27 | 合肥工业大学 | 一种面向图层叠加的多光谱图像与全色图像自适应融合方法 |
WO2022166363A1 (zh) * | 2021-02-07 | 2022-08-11 | 浙江师范大学 | 一种基于近邻子空间划分高光谱影像波段选择方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103065293A (zh) | 相关性加权的遥感影像融合方法及该融合方法的融合效果评价方法 | |
Li et al. | Demosaicking DoFP images using Newton’s polynomial interpolation and polarization difference model | |
CN103177431B (zh) | 一种多源遥感数据时空融合方法 | |
Han et al. | A new image fusion performance metric based on visual information fidelity | |
Petrović | Subjective tests for image fusion evaluation and objective metric validation | |
CN113222823B (zh) | 基于混合注意力网络融合的高光谱图像超分辨率方法 | |
CN102845071A (zh) | 高动态范围、视觉动态范围和宽色域的图像与视频的质量评估 | |
CN102169576A (zh) | 一种图像拼接算法定量评价方法 | |
Zhang et al. | Block-regression based fusion of optical and SAR imagery for feature enhancement | |
CN108427964B (zh) | 一种遥感图像与地球化学的融合方法及系统 | |
CN104715467A (zh) | 一种改进型多源遥感数据时空融合方法 | |
CN112991288A (zh) | 基于丰度图像锐化重构的高光谱遥感图像融合方法 | |
CN105651263A (zh) | 浅海水深多源遥感融合反演方法 | |
CN102436655B (zh) | 一种基于svd的超分辨率重建图像质量评价方法 | |
CN101421758B (zh) | 图像变换装置和图像变换方法 | |
Tang et al. | Quantifying the effect of registration error on spatio-temporal fusion | |
CN110503137B (zh) | 基于交叉融合的遥感影像时空融合基础图像对的确定方法 | |
Wang et al. | Sentinel-2A image fusion using a machine learning approach | |
CN108491869B (zh) | 一种全色波段灰度值自适应反转的主成分变换遥感图像融合方法 | |
CN105976351A (zh) | 基于中央偏移的立体图像质量评价方法 | |
CN103186893A (zh) | 一种普适的高分辨率遥感图像融合方法 | |
CN106508048B (zh) | 一种基于多尺度基本形式的相似尺度图像融合方法 | |
CN113902646A (zh) | 基于深浅层特征加权融合网络的遥感影像泛锐化方法 | |
CN113008371B (zh) | 一种深度学习解色散模糊的高光谱成像方法 | |
CN112529828B (zh) | 参考数据非敏感的遥感影像时空融合模型构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130424 |