CN103325096B - 基于多/高光谱图像融合的宽幅高光谱图像重构方法 - Google Patents
基于多/高光谱图像融合的宽幅高光谱图像重构方法 Download PDFInfo
- Publication number
- CN103325096B CN103325096B CN201310256179.2A CN201310256179A CN103325096B CN 103325096 B CN103325096 B CN 103325096B CN 201310256179 A CN201310256179 A CN 201310256179A CN 103325096 B CN103325096 B CN 103325096B
- Authority
- CN
- China
- Prior art keywords
- spectral
- high spectrum
- spectrum image
- image
- many
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种基于多/高光谱图像融合的宽幅高光谱图像重构方法,包括:在多/高光谱图像的重合区域同步进行地物端元的提取;分端元构建多/高光谱图像间的融合模型,建立转换关系,并进行模型参数解算,建立模型参数库;通过光谱匹配进行模型参数的选择,对多光谱图像逐像元地进行光谱重构获取高光谱信息。本发明的技术方案可以通过数据融合,从其它多光谱遥感数据中重构得到连续的具有较高光谱分辨率的宽幅高光谱图像,该图像的光谱分辨率与原始高光谱数据一致,空间分辨率和幅宽与原始多光谱数据一致,在保持原始高光谱图像高光谱分辨率的同时,提高了其空间分辨率和幅宽。
Description
技术领域
本发明涉及遥感技术领域,尤其涉及一种通过对卫星多/高光谱遥感图像的融合,重构得到高空间分辨率的宽幅高光谱图像的方法。
背景技术
高光谱遥感数据提供了地物大量光谱信息,有利于地物精细分类和定量遥感。然而,高光谱遥感至今没有得到大面积推广应用和普及,主要原因在于目前的卫星高光谱数据空间分辨率较低,扫描幅宽窄,其应用能力受到了很大的制约。卫星遥感成像系统的设计中,为了满足信噪比的要求,在获取高光谱遥感数据的同时,必须牺牲一定的空间分辨率和幅宽,图像信噪比、空间分辨率和光谱分辨率三者之间是相互制约的,不能同时满足。多光谱传感器可以快速获取地物遥感信息,具有覆盖范围大、空间分辨率高、获取成本低、回访周期相对较短等特点。
目前,解决高光谱遥感数据空间分辨率低的问题主要采用多源数据融合的方法。现有的主要高光谱图像融合方法可参见文献1:R.C.Hardie,M.T.Eismann,andG.L.Wilson,"MAPestimationforhyperspectralimageresolutionenhancementusinganauxiliarysensor,"IeeeTransactionsonImageProcessing,vol.13,pp.1174-1184,Sep2004文献2:N.Yokoya,T.Yairi,andA.Iwasaki,"CoupledNonnegativeMatrixFactorizationUnmixingforHyperspectralandMultispectralDataFusion,"IeeeTransactionsonGeoscienceandRemoteSensing,vol.50,pp.528-537,Feb2012及文献3:M.E.Winter,E.M.Winter,S.G.Beaven,andA.J.Ratkowski,"Hyperspectralimagesharpeningusingmultispectraldata,"2007IeeeAerospaceConference,Vols1-9,pp.2079-2087,2007。然而上述数据融合的方法虽然可以提高高光谱数据的空间分辨率,但对于非重叠区域却难以处理。也就是说,传统算法通过高光谱数据与高空间分辨率全色或多光谱数据的融合,只能对两种数据的重叠区域进行融合处理,对于非重叠区域始终无能为力,高光谱数据的瓶颈难题仍然没有解决。
发明内容
(一)要解决的技术问题
本发明的目的是提供一种基于多/高光谱图像融合的宽幅高光谱图像重构方法,以解决现有技术遥感图像的获取中由于受到太阳反射能量的限制,图像的光谱分辨率、空间分辨率、幅宽及信噪比不能同时保证的问题。
(二)技术方案
为解决上述问题,本发明提供一种基于多/高光谱图像融合的宽幅高光谱图像重构方法,包括:在多/高光谱图像的重合区域同步进行地物端元的提取;分端元构建多/高光谱图像间的融合模型,建立转换关系,并进行模型参数解算,建立模型参数库;通过光谱匹配进行模型参数的选择,对多光谱图像逐像元地进行光谱重构获取高光谱信息。
优选地,所述在多/高光谱图像的重合区域同步进行地物端元的提取之前还包括:利用多光谱传感器获取所述多光谱图像数据;利用高光谱传感器获取所述高光谱图像数据;根据遥感图像处理流程,对多/高光谱图像分别进行预处理,获取反射率数据;对多/高光谱图像的重合区域进行精配准,作为地物端元同步提取与数据融合之前的步骤。
优选地,所述在多/高光谱图像的重合区域同步进行地物端元的提取具体包括:对高光谱图像进行光谱降维与特征提取,确定包含的地物端元类型;针对每一地物端元类型,按照对应像元位置,同时在已配准的多/高光谱图像中提取相等数量的地物光谱,并以二维矩阵格式保存为光谱库文件。
优选地,所述地物光谱的数量不少于多光谱图像的波段数目。
优选地,所述分端元构建多/高光谱图像间的融合模型,建立转换关系,并进行模型参数解算,建立模型参数库具体包括:将从原始多/高光谱图像中提取的不同地物类型的像元光谱根据地物种类分为N组,并且每条光谱用一个列向量来表示,每种地物类型的多/高光谱数据的关系被表示为:
G′(g)PM(g)=PH(g)+r(g)(1)
式中表示光谱向量组m(g)的一个L×T维矩阵,表示光谱向量组h(g)的一个K×T维矩阵,T是从地物类型g中提取的光谱的数量,g取值为1到N,当T的值大于或等于L,则对应地物类型g的一个特定转换矩阵G′(g)从下式计算:
在图像中选取N种地物类型得到N个转换矩阵,即N套转换参数,构成包含N套参数的转换模型参数库。
优选地,所述通过光谱匹配进行模型参数的选择,对多光谱图像逐像元地进行光谱重构获取高光谱信息具体包括:利用G′(g)乘以多光谱图像中拥有L个波段的一条像元光谱向量重构出一条拥有K个波段的光谱向量
优选地,在进行上述重构过程之前,通过基于光谱角加权的最小距离SAWMD光谱匹配算法,选择正确的转换矩阵G′来完成光谱转换,其原理为:
式中表示光谱向量和的欧氏距离,表示两个光谱向量光谱角的余弦值,索引b表示光谱向量中第b行的值,参数n是对光谱角权重的一个调节,其中,光谱匹配效果越好,D(g)的值越小。
优选地,将重构出的每条高光谱向量与原始高光谱向量的平均值相匹配,把用于匹配效果最好的光谱向量的转换矩阵G′(g),作为最优的选择;用光谱匹配的方式完成对转换矩阵的选择后,正确的重构光谱向量通过以下原理来得到:
这一过程被重复应用在多光谱图像的所有像元,从而得到最终重构的宽幅高光谱图像。
(三)有益效果
本发明的技术方案可以通过数据融合,从其它多光谱遥感数据中重构得到连续的具有较高光谱分辨率的宽幅高光谱图像,该图像的光谱分辨率与原始高光谱数据一致,空间分辨率和幅宽与原始多光谱数据一致,在保持原始高光谱图像高光谱分辨率的同时,提高了其空间分辨率和幅宽。
附图说明
图1为本发明基于多/高光谱数据融合的宽幅高光谱图像重构方法实施例流程图;
图2(a)~2(b)为用于实施例中的原始Hyperion高光谱图像和原始ALI多光谱图像;
图3(a)~3(p)为实施例中从Hyperion和ALI图像重合区域同步提取的8种地物的反射率光谱曲线;
图4为本发明实施例中与之进行光谱匹配的8种地物类型的原始Hyperion高光谱向量的平均光谱;
图5为本发明实施例中最终重构的宽幅Hyperion高光谱图像。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明的技术方案提出一种基于多/高光谱图像融合的宽幅高光谱图像重构方法,包括:
在多/高光谱图像的重合区域同步进行地物端元的提取;
分端元构建多/高光谱图像间的融合模型,建立转换关系,并进行模型参数解算,建立模型参数库;
通过光谱匹配进行模型参数的选择,对多光谱图像逐像元地进行光谱重构获取高光谱信息。
上述的宽幅高光谱图像获取方法中,所述在多/高光谱图像的重合区域同步进行地物端元的提取之前还包括:
利用多光谱传感器获取所述多光谱图像数据;
利用高光谱传感器获取所述高光谱图像数据;
根据遥感图像处理流程,对多/高光谱图像分别进行预处理,获取反射率数据;
对多/高光谱图像的重合区域进行精配准,作为地物端元同步提取与数据融合之前的必要步骤。
上述的高光谱融合方法中,所述在多/高光谱图像的重合区域同步进行地物端元的提取具体包括:
对高光谱图像进行光谱降维与特征提取,确定包含的地物端元类型(包括混合地物);
针对每一地物端元类型,按照对应像元位置,同时在已配准的多/高光谱图像中提取相等数量的地物光谱(数量不少于多光谱图像的波段数目),并以二维矩阵格式保存为光谱库文件。
上述的高光谱融合方法中,所述分端元构建多/高光谱图像间的融合模型,建立转换关系,并进行模型参数解算,建立模型参数库具体包括:
将从原始多/高光谱图像中提取的不同地物类型的像元光谱根据地物种类分为N组,并且每条光谱用一个列向量来表示,每种地物类型的多/高光谱数据的关系可以被表示为:
G′(g)PM(g)=PH(g)+r(g)(1)
式中表示光谱向量组m(g)的一个L×T维矩阵;表示光谱向量组h(g)的一个K×T维矩阵;T是从地物类型g中提取的光谱的数量(g取值为1到N)。
只要T的值大于或等于L,则对应地物类型g的一个特定转换矩阵G′(g)就可以被计算出来:
在图像中选取N种地物类型可以得到N个转换矩阵,即N套转换参数,构成包含N套参数的转换模型参数库。
上述的高光谱融合方法中,所述通过光谱匹配进行模型参数的选择,对多光谱图像逐像元地进行光谱重构获取高光谱信息具体包括:
利用G′(g)乘以多光谱图像中拥有L个波段的一条像元光谱向量就可以重构出一条拥有K个波段的光谱向量
在进行上述重构过程之前,必须选择正确的转换矩阵G′来完成光谱转换。为解决这一问题,提出了一种基于光谱角加权的最小距离SAWMD(SpectralAngleWeightedMinimumDistance)光谱匹配算法,其原理为:
式中表示光谱向量和的欧氏距离;表示两个光谱向量光谱角的余弦值;索引b表示光谱向量中第b行的值;参数n是对光谱角权重的一个调节(一般取值为1)。光谱匹配效果越好,D(g)的值越小。
将重构出的每条高光谱向量与原始高光谱向量的平均值相匹配,把用于匹配效果最好的光谱向量的转换矩阵G′(g),作为最优的选择。
用光谱匹配的方式完成对转换矩阵的选择后,正确的重构光谱向量可以通过以下原理来得到:
这一过程被重复应用在多光谱图像的所有像元,可以得到最终重构的宽幅高光谱图像。
图1为本发明基于多/高光谱数据融合的宽幅高光谱图像重构方法实施例流程图,如图所示,本实施例的高光谱重构方法包括以下步骤:
S101、获取原始多光谱和高光谱图像数据;
本实施例中,以从ALI多光谱图像重构Hyperion高光谱图像为例,利用ALI传感器获取的原始的ALI多光谱图像数据,并利用Hyperion传感器获取的原始的Hyperion高光谱图像数据。图2(a)为原始Hyperion高光谱图像数据,共242个波段,空间分辨率30米,幅宽7.5km;图2(b)为原始ALI多光谱图像数据,共9个波段,空间分辨率30米,幅宽37km。
S102、分别对原始多/高光谱数据进行预处理,获得反射率数据产品;
对原始Hyperion数据的预处理首先进行坏线与条带的去除,完成smile效应矫正;然后利用FLAASH等大气校正软件模块进行反射率反演,得到反射率数据;最后去除低信噪比、强水汽吸收和氧气吸收波段,保留487-905nm、972-1104nm、1175-1326nm、1497-1770nm和2032-2355nm间的133个波段。
表1Hyperion数据波段选择
对原始ALI多光谱数据,首先进行辐射定标,然后直接利用FLAASH等大气校正软件模型进行反射率反演,得到反射率数据。
S103、对多/高光谱图像的重合区域精配准,然后同步进行地物端元的提取;
对从步骤S102得到的Hyperion和ALI反射率数据的重合区域进行配准,配准精度在1个像元以内。
对Hyperion数据进行MNF维度变换,利用PPI指数对图像包含的地物端元数量进行判定,确定了8种地物端元类型(包括混合地物):植被、裸土、河流、池塘、农田、人工地物、云和云影。在Hyperion图像中提取8种地物端元的地物光谱,每种地物提取25条;根据Hyperion影像中提取的光谱的像元位置,在已配准的ALI图像同步的提取8种地物端元的地物光谱,每种地物的提取数量同样为25条。图3为从Hyperion和ALI图像重合区域同步提取的8种地物的反射率光谱曲线,图中(a)和(b),(c)和(d),(e)和(f),(g)和(h),(i)和(j),(k)和(l),(m)和(n),(o)和(p)分别显示植被、裸土、河流、池塘、农田、人工地物、云和云影这8种地物的光谱曲线,每种地物分别提取25条Hyperion和ALI像元光谱。提取的地物高光谱和多光谱数据均以二维矩阵格式保存为光谱库文件。
S104、分端元构建多/高光谱图像间的融合模型,建立转换关系,并进行模型参数解算,建立模型参数库;
将从S103步骤得到的不同地物类型的像元光谱根据地物种类分为8组,并且每条光谱用一个列向量来表示,每种地物类型的Hyperion和ALI光谱数据的关系可以被表示为:
G′(g)PM(g)=PH(g)+r(g)(1)
式中表示光谱向量组m(g)的一个9×T维矩阵;表示光谱向量组h(g)的一个133×T维矩阵;T是从地物类型g中提取的光谱的数量(g取值为1到8)。
本实施例中,T的值远大于9,则对应地物类型g的一个特定转换矩阵G′(g)被计算出来:
根据不同地物类型可以得到8个转换矩阵,构成包含8套参数的转换模型参数库。
S105、通过光谱匹配选择模型参数,对多光谱图像逐像元地进行光谱重构获取高光谱信息。
选择从S104中得到的转换矩阵G′(g)乘以ALI多光谱图像中拥有9个波段的一条像元光谱向量就可以重构出一条拥有133个波段的重构Hyperion光谱向量
在进行上述重构过程之前,通过SAWMD光谱匹配算法进行转换矩阵G′(g)的选择:
式中表示光谱向量和的欧氏距离;表示两个光谱向量光谱角的余弦值;索引b表示光谱向量中第b行的值;参数n取值为1。将重构出的每条高光谱向量与原始高光谱向量的平均值相匹配(本实施例中如图4所示),把用于匹配效果最好的光谱向量的转换矩阵G′(g),作为最优的选择。
上述光谱匹配过程完成后,正确的重构光谱向量可以通过以下原理来得到:
这一过程被重复应用在从步骤S102中获得的ALI多光谱图像的所有像元,可以得到最终重构的宽幅Hyperion高光谱图像(如图5所示)。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (7)
1.一种基于多/高光谱图像融合的宽幅高光谱图像重构方法,其特征在于,包括:
对多/高光谱图像的重合区域进行精配准;
在所述多/高光谱图像的重合区域同步进行地物端元的提取;
分端元构建多/高光谱图像间的融合模型,建立转换关系,并进行模型参数解算,建立模型参数库;
通过光谱匹配进行模型参数的选择,对多光谱图像逐像元地进行光谱重构获取高光谱信息。
2.如权利要求1所述的方法,其特征在于,所述在多/高光谱图像的重合区域同步进行地物端元的提取之前还包括:
利用多光谱传感器获取所述多光谱图像数据;
利用高光谱传感器获取所述高光谱图像数据;
根据遥感图像处理流程,对多/高光谱图像分别进行预处理,获取反射率数据;
作为对多/高光谱图像的重合区域进行精配准之前的步骤。
3.如权利要求1或2所述的方法,其特征在于,所述在多/高光谱图像的重合区域同步进行地物端元的提取具体包括:
对高光谱图像进行光谱降维与特征提取,确定包含的地物端元类型;
针对每一地物端元类型,按照对应像元位置,同时在已配准的多/高光谱图像中提取相等数量的地物光谱,并以二维矩阵格式保存为光谱库文件。
4.如权利要求3所述的方法,其特征在于,所述地物光谱的数量不少于多光谱图像的波段数目。
5.如权利要求3所述的方法,其特征在于,所述分端元构建多/高光谱图像间的融合模型,建立转换关系,并进行模型参数解算,建立模型参数库具体包括:
将从原始多/高光谱图像中提取的不同地物类型的像元光谱根据地物种类分为N组,并且每条光谱用一个列向量来表示,每种地物类型的多/高光谱数据的关系被表示为:
G′(g)PM(g)=PH(g)+r(g)(1)
式中表示光谱向量组m(g)的一个L×T维矩阵,表示光谱向量组h(g)的一个K×T维矩阵,T是从地物类型g中提取的光谱的数量,g取值为1到N,当T的值大于或等于L,则对应地物类型g的一个特定转换矩阵G′(g)从下式计算:
在图像中选取N种地物类型得到N个转换矩阵,即N套转换参数,构成包含N套参数的转换模型参数库。
6.如权利要求5所述的方法,其特征在于,所述通过光谱匹配进行模型参数的选择,对多光谱图像逐像元地进行光谱重构获取高光谱信息具体包括:
利用G′(g)乘以多光谱图像中拥有L个波段的一条像元光谱向量重构出一条拥有K个波段的光谱向量
。
7.如权利要求6所述的方法,其特征在于,在进行上述重构过程之前,通过基于光谱角加权的最小距离SAWMD光谱匹配算法,选择正确的转换矩阵G′(g)来完成光谱转换,其原理为:
式中表示光谱向量和的欧氏距离,表示两个光谱向量光谱角的余弦值,索引b表示光谱向量中第b行的值,参数n是对光谱角权重的一个调节,其中,光谱匹配效果越好,D(g)的值越小;
将重构出的每条高光谱向量与原始高光谱向量的平均值相匹配,把用于匹配效果最好的光谱向量的转换矩阵G′(g),作为最优的选择;用光谱匹配的方式完成对转换矩阵的选择后,正确的重构光谱向量通过以下原理来得到:
这一过程被重复应用在多光谱图像的所有像元,从而得到最终重构的宽幅高光谱图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310256179.2A CN103325096B (zh) | 2013-06-25 | 2013-06-25 | 基于多/高光谱图像融合的宽幅高光谱图像重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310256179.2A CN103325096B (zh) | 2013-06-25 | 2013-06-25 | 基于多/高光谱图像融合的宽幅高光谱图像重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103325096A CN103325096A (zh) | 2013-09-25 |
CN103325096B true CN103325096B (zh) | 2016-04-13 |
Family
ID=49193819
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310256179.2A Active CN103325096B (zh) | 2013-06-25 | 2013-06-25 | 基于多/高光谱图像融合的宽幅高光谱图像重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103325096B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182953B (zh) * | 2013-12-30 | 2017-02-01 | 北京大学 | 像元解混逆过程:规格化多端元分解的高光谱重构方法 |
KR102049373B1 (ko) * | 2015-07-30 | 2019-11-27 | 테크놀로지 이노베이션 모멘텀 펀드 (이스라엘) 리미티드 파트너쉽 | 스펙트럼 영상처리 방법, 스펙트럼 영상처리 시스템 및 제어 유닛 |
CN105809148B (zh) * | 2016-03-29 | 2019-12-24 | 中国科学院遥感与数字地球研究所 | 基于遥感时空谱融合的作物干旱识别及风险评估方法 |
CN106056044B (zh) * | 2016-05-19 | 2019-03-29 | 北京环境特性研究所 | 一种基于端元丰度反演的高光谱图像发射率光谱提取方法 |
CN107274460B (zh) * | 2017-06-14 | 2019-01-29 | 中国科学院遥感与数字地球研究所 | 一种全谱段高光谱图像模拟方法及装置 |
CN107389571B (zh) * | 2017-07-21 | 2019-06-14 | 中国科学院遥感与数字地球研究所 | 一种矿物组分高光谱遥感精细鉴别方法 |
CN107832263B (zh) * | 2017-11-08 | 2021-04-27 | 凌云光技术股份有限公司 | 光谱曲线重构方法、装置和系统 |
CN108257107A (zh) * | 2018-01-11 | 2018-07-06 | 天津大学 | 基于局部低秩矩阵和光谱分解的图像融合算法 |
CN108549902B (zh) * | 2018-03-14 | 2022-08-16 | 中国科学院遥感与数字地球研究所 | 一种改进的sar图像与多光谱光学图像融合方法 |
CN109509209B (zh) * | 2018-11-15 | 2023-08-15 | 上海卫星工程研究所 | 利用高光谱技术探测海空环境空中动目标的分析方法 |
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 |
CN111988558B (zh) * | 2019-05-23 | 2022-03-11 | 海南大学 | 高光谱广域监控系统 |
CN110517212A (zh) * | 2019-08-21 | 2019-11-29 | 西北工业大学 | 基于非重叠波段模拟的高光谱和多光谱图像融合方法 |
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 |
CN113222836B (zh) * | 2021-04-25 | 2024-03-01 | 自然资源部国土卫星遥感应用中心 | 一种高光谱与多光谱遥感信息融合方法及系统 |
CN113281282B (zh) * | 2021-06-17 | 2022-05-13 | 四川九洲电器集团有限责任公司 | 一种图像采集与重构方法、设备及存储介质 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127086A (zh) * | 2007-09-12 | 2008-02-20 | 哈尔滨工程大学 | 高光谱图像复选性加权分类方法 |
CN103150580A (zh) * | 2013-03-18 | 2013-06-12 | 武汉大学 | 一种高光谱图像半监督分类方法及装置 |
-
2013
- 2013-06-25 CN CN201310256179.2A patent/CN103325096B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127086A (zh) * | 2007-09-12 | 2008-02-20 | 哈尔滨工程大学 | 高光谱图像复选性加权分类方法 |
CN103150580A (zh) * | 2013-03-18 | 2013-06-12 | 武汉大学 | 一种高光谱图像半监督分类方法及装置 |
Non-Patent Citations (3)
Title |
---|
Coupled Nonnegative Matrix Factorization Unmixing for Hyperspectral and Multispectral Data Fusion;Naoto Yokoya et al;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20120229;第50卷(第2期);全文 * |
Hyperspectral Image Sharpening Using Multispectral Data" Michael E. Winter;Michael E. Winter et al;《2007 IEEE Aerospace Conference》;20070310;第2页右栏第3-5段、第3页左栏第1段-右栏第1段 * |
Using spectral distances for speedup in hyperspectral image processing;S. A. ROBILA;《International Journal of Remote Sensing》;20051220;第26卷(第24期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103325096A (zh) | 2013-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103325096B (zh) | 基于多/高光谱图像融合的宽幅高光谱图像重构方法 | |
Wu et al. | Spatially continuous and high-resolution land surface temperature product generation: A review of reconstruction and spatiotemporal fusion techniques | |
Pisek et al. | Comparison and validation of MODIS and VEGETATION global LAI products over four BigFoot sites in North America | |
Claverie et al. | Validation of coarse spatial resolution LAI and FAPAR time series over cropland in southwest France | |
Hladik et al. | Salt marsh elevation and habitat mapping using hyperspectral and LIDAR data | |
CN104915674B (zh) | Landsat8和MODIS融合构建高时空分辨率数据识别秋粮作物的方法 | |
Wang et al. | Estimation of tree height and aboveground biomass of coniferous forests in North China using stereo ZY-3, multispectral Sentinel-2, and DEM data | |
Pasolli et al. | Retrieval of Leaf Area Index in mountain grasslands in the Alps from MODIS satellite imagery | |
Zhang et al. | Object-based rice mapping using time-series and phenological data | |
CN104484859B (zh) | 一种多光谱光学遥感图像数据去除薄云的方法 | |
CN106384332A (zh) | 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法 | |
CN112884672B (zh) | 一种基于同期卫星影像的多架次无人机影像相对辐射校正方法 | |
Michishita et al. | Bi-scale analysis of multitemporal land cover fractions for wetland vegetation mapping | |
CN114821261A (zh) | 一种图像融合的算法 | |
Lu et al. | How can UAV contribute in satellite-based Phragmites australis aboveground biomass estimating? | |
Jeong et al. | Tracking diurnal to seasonal variations of gross primary productivity using a geostationary satellite, GK-2A advanced meteorological imager | |
Li et al. | WHU-OHS: A benchmark dataset for large-scale hersepctral image classification | |
Sun et al. | Unsupervised 3D tensor subspace decomposition network for spatial-temporal-spectral fusion of hyperspectral and multispectral images | |
Vinod et al. | Assessment of Trees Outside Forest (TOF) in urban landscape using High-Resolution satellite images and Deep learning techniques | |
Li | Dynamic monitoring algorithm of natural resources in scenic spots based on MODIS Remote Sensing technology | |
Pisek et al. | Assessment of a global leaf area index product from SPOT-4 VEGETATION data over selected sites in Canada | |
Meng et al. | Mapping properties of vegetation in a tidal salt marsh from multi-spectral satellite imagery using the SCOPE model | |
Zhang et al. | Hyperspectral Data Fusion Using Multidimensional Information | |
Hong et al. | Mangrove extraction from super-resolution images generated by deep learning models | |
Liu et al. | Mapping the number of mangrove trees in the Guangdong-Hong Kong-Macao Greater Bay Area |
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 |