CN103646409A - 多元向量量化的高光谱图像压缩编码方法 - Google Patents
多元向量量化的高光谱图像压缩编码方法 Download PDFInfo
- Publication number
- CN103646409A CN103646409A CN201310699067.4A CN201310699067A CN103646409A CN 103646409 A CN103646409 A CN 103646409A CN 201310699067 A CN201310699067 A CN 201310699067A CN 103646409 A CN103646409 A CN 103646409A
- Authority
- CN
- China
- Prior art keywords
- dictionary
- vector
- compression
- classification
- atom
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及的是一种高光谱图像压缩编码方法,具体地说是一种多元向量量化的高光谱图像压缩编码方法。多元向量量化的高光谱图像压缩编码方法,包括读入高光谱图像数据;构建压缩字典:根据2种多元向量量化模型和字典原子选择策略,利用多元回归计算每一像元压缩时所使用的字典原子及其系数压缩和编码。本发明重新构建向量量化模型,提出2种多元向量量化模型,省略的误差信息要比传统的向量量化方法中的误差信息量少,而且在新提出的多元向量量化模型中,选取出的字典原子的系数也没有限定,其值为根据光谱本身和字典构成计算得出,从而保证了重建图像的质量,减小压缩编码所造成的图像失真。
Description
技术领域
本发明涉及的是一种高光谱图像压缩编码方法,具体地说是一种多元向量量化的高光谱图像压缩编码方法。
背景技术
高光谱图像压缩编码技术作为高光谱图像处理的重要研究方向,长期以来受到各国专家学者以及工程技术人员的广泛关注,并已经在农业,矿物勘探,军事国防等领域得到了广泛的应用。高光谱图像通过利用成像和光谱技术能够提供大量的地物细节信息。它能够反映地物在成百上千的电磁光谱波段上的特征。但是伴随着高光谱技术的不断发展,人们对高光谱图像的要求也逐渐增高,这就造成了空间、光谱分辨率,光谱波段数的不断扩大;从而使高光谱数据立方体的体积不断变大,因而在存储和传输高光谱图像数据会产生困难。为此,高光谱图像压缩编码是解决这一问题的唯一选择。目前主要的高光谱图像压缩方法主要可以分为三类:预测模型方法、向量量化方法和变换技术。在预测模型方法中,通过考虑光谱数据的空间相关性和谱间相关性,建立一个数学模型,通过一部分图像数据来预测并编码整幅图像数据。但是这种方法的性能在很大程度上取决于所选取的数学模型。在变换技术中,通常有两个步骤:首先,将图像数据变换到新的域,获得一系列的系数,然后在对系数进行编码。较为常用和典型的变换方法有离散余弦变换(DCT)、离散小波变换(DWT)和K-L变换(KLT)。虽然KLT是效果最优秀的变换方法,但是其计算代价较高。而在向量量化方法中,会根据图像数据建立一个编码表和每一个像元所对应的标号,然后进行存储和传输。这种方法过程简单,通常能够获得一个较高的压缩比特率,但是随着技术的不断进步,用户对减小图像失真的要求越来越严格。而传统的向量量化方法中,由于直接将误差省略,使压缩会造成无法恢复的图像质量的退化,这就对后续的图像处理造成很大的影响。
发明内容
本发明的目的在于提供一种能够减小图像失真,防止图像质量过度退化的高光谱图像压缩编码方案——一种多元向量量化的高光谱图像压缩编码方法。
多元向量量化的高光谱图像压缩编码方法,包括下列步骤:
(2)构建压缩字典:
a.根据图像本身的特征,设定需要计算的类别数范围。类别数范围设定为类别数的1-3倍;
b.遍历设定的类别数范围内的每一个类别数,利用FCM算法聚类,计算在不同类别数下的代价,代价函数为:
c=Nθ*JN
c.根据在不同类别数下的代价,选择代价最小的类别数作为最佳的聚类类别数,并提取在此类别时的类别中心向量,构成字典;同时记录字典中每个原子在监督数据中所对应的地物种类;
(3)根据2种多元向量量化模型和字典原子选择策略,利用多元回归计算每一像元压缩时所使用的字典原子及其系数;其中第一种多元向量量化模型将像元光谱表示为2个字典原子以及误差信息的线性组合:
Y=α1Xi1+α2Xi2+∈1
其中,Xi1和Xi2表示从步骤2中确定的字典中选取的2个字典原子,其对应的权值系数为α1和α2,同时向量∈1表示误差信息,在有损的压缩编码过程中被直接省略,第二种多元向量量化模型为
Y=βXi1+(1-β)Xi2+∈2
限制条件为α1+α2=1;
(4)压缩和编码:在计算完所有像元的原子编号和系数后,分别对压缩字典、每个像元使用的字典原子编号以及其系数进行压缩和编码,并将各部分压缩编码后的比特流串联,得到最后的压缩数据。
字典原子选择策略为:
a.根据监督数据,确定当前像元所属的类别;
b.在压缩字典中找出属于此类的字典原子;
c.将找出的字典原子与原始的像元光谱向量比较,选取其欧式距离最小的字典原子做为其多元向量量化模型中的第一个原子;
d.在确定一个原子的情况下,考虑所有可能的字典原子组合,共N-1种可能的组合,分 别使用多元回归计算其系数以及误差向量;
e.选取误差最小的组合中的2个原子为最终压缩编码所使用的2个原子;同时记录下这2个原子的编号,以及其所对应的系数。
本发明方法的优点在于:
在传统的基于向量量化的压缩方法中,根据一定的规则制定压缩的编码字典,然后将高光谱图像中包含的所有像元光谱数据都表示为字典原子的编号和误差信息。由于字典原子已经包含了大部分的图像信息,为了简化压缩过程和减小二进制流的长度,误差信息在有损压缩中一般直接省略;而且仅仅选择一个字典原子来表示像元光谱,这一原子的全职恒定为1,这就限制了向量量化的精确度。然而在解压重构图像后,由于所有的光谱信息只有其编号所代表的原子信息,缺少细节变化的误差信息,这就无法避免的造成了图像的失真。为保证图像的质量,本发明重新构建向量量化模型,提出2种多元向量量化模型,虽然在压缩和编码过程中仍将误差信息直接省略,但是这里省略的误差信息要比比传统的向量量化方法中的误差信息量少很多,而且在新提出的多元向量量化模型中,选取出的字典原子的系数也没有限定,其值为根据光谱本身和字典构成计算得出,从而保证了重建图像的质量,减小压缩编码所造成的图像失真。
附图说明
图1(a)模拟高光谱图像数据的第50波段图像;
图1(b)模拟高光谱图像数据的真实地物类别分布;
图1(c)像元对应的最佳字典原子示意图;
图2(a)Salinas高光谱图像数据的第50波段图像;
图2(b)Salinas高光谱图像数据的监督信息;
图2(c)Pavia University高光谱图像数据的第50波段图像;
图2(d)Pavia University高光谱图像数据的监督信息;
图2(e)Indian Pines高光谱图像数据的第50波段图像;
图2(f)Indian Pines高光谱图像数据的监督信息;
图3(a)使用传统向量量化方法压缩Salinas的图像失真;
图3(b)使用扩展字典的传统向量量化方法压缩Salinas的图像失真;
图3(c)对Salinas图像使用第一种多元向量量化模型的图像失真;
图3(d)对Salinas图像使用第二种多元向量量化模型的图像失真;
图4(a)Salinas数据的图像失真直方图;
图4(b)Pavia University数据的图像失真直方图;
图4(c)Indian Pines数据的图像失真直方图。
具体实施方式
下面结合附图对本发明做进一步描述。
多重向量量化的高光谱图像压缩编码方法,包括下列步骤:
步骤1:利用FCM算法构造量化字典;
步骤2:根据2种多元向量量化模型和3种字典原子选择策略,利用多元回归计算每一像元压缩时所使用的字典原子及其系数;
步骤3:分别对字典、字典原子编号及系数的压缩和编码。
所述步骤1是过程包括下列步骤:
(1)设定聚类类别数的可能范围;
(2)在确定聚类类别数后,对高光谱图像像元光谱聚类,并计算其代价
(3)根据代价大小,选取最适合的聚类类别数,提取在此类别时的类别中心向量,构成字典。
所述步骤2包括下列步骤:
(1)使用步骤1中构造的字典;
(2)根据需要选择使用的多元向量量化模型和字典原子选择策略;
(3)利用多元回归计算每一像元的最佳字典原子及其对应的系数;
所述步骤3包括下列步骤:
(1)压缩步骤1中构造的字典
(2)提取步骤2中计算得到的图像中每一像元的字典原子编号及其系数,并分别压缩和编码;
(3)将各个部分得到的比特率串联,得到最终的压缩数据比流。
本发明的具体实现步骤为:
2.构建压缩字典,这里采用一种基于模糊C均值聚类(Fuzzy C-Means,FCM)的字典构建方法。在高光谱的图像空间中,存在一定数量类别的地物,归属于同一种地物类别的像元的光谱在一定程度上具有高度的相关性,因而较适合采用聚类算法来构建压缩字典。
a.根据图像本身的特征,设定需要计算的类别数范围。在监督信息已知的条件下,图像中所包换的地物种类数目是已知的,将此图像需要计算的类别数范围设定为类别数的1倍到2-3倍左右;
b.遍历设定的类别数范围内的每一个类别数,利用FCM算法聚类,计算在不同类别数下的代价;代价函数为
C=Nθ*JN
c.根据在不同类别数下的代价,选择代价最小的类别数作为最佳的聚类类别数,并提取在此类别时的类别中心向量,构成字典;同时记录字典中每个原子在监督数据中所对应的地物种类。
3.根据2种多元向量量化模型和字典原子选择策略,利用多元回归计算每一像元压缩时所使用的字典原子及其系数;其中第一种多元向量量化模型将像元光谱表示为2个字典原子以及误差信息的线性组合,其公式如下:
Y=α1Xi1+α2Xi2+∈1
其中,Xi1和Xi2表示从步骤2中确定的字典中选取的2个字典原子,其对应的权值系数为α1和α2,同时向量∈1表示误差信息,在有损的压缩编码过程中被直接省略。在这一多元向量量化模型中,需要压缩和编码的信息有2个原子的编号和其对应的系数,以及压缩字典。为了得到更好的压缩结果,减小压缩后二进制流的长度,第二种多元向量量化模型将在第一种模型的基础上增加了一个限制条件,即
α1+α2=1
因此第二种多元向量量化模型为
Y=βXi1+(1-β)Xi2+∈2
其中,向量∈2仍然表示误差信息,并且在有损的压缩编码过程中被直接省略。这样第二种多元向量量化模型中需要压缩的就只有2个原子的编号和其对应的一个系数。在实际操作中,根据对压缩结果二进制流的要求,来确定使用哪种模型。
同时,由于本压缩编码方法中从压缩字典中选取2个原子来表示原始的光谱向量,在上面提出的2种多元向量量化模型中,都需要确定使用字典中的哪2个原子以及其所对应的系数,而不同的原子选择策略也对压缩结果有影响。本方法提出的字典原子选择策略利用图像的监督信息,可以很快速的找到最适合的2个原子,其具体方法如下。
a.根据监督数据,确定当前像元所属的类别;
b.在压缩字典中找出属于此类的字典原子;
c.将找出的字典原子与原始的像元光谱向量比较,选取其欧式距离最小的字典原子做为其多元向量量化模型中的第一个原子;
d.在确定一个原子的情况下,考虑所有可能的字典原子组合,共N-1种可能的组合,分别使用多元回归计算其系数以及误差向量;
e.选取误差最小的组合中的2个原子为最终压缩编码所使用的2个原子;同时记录下这2个原子的编号,以及其所对应的系数。
4.压缩和编码;在计算完所有像元的原子编号和系数后,分别对压缩字典、每个像元使用的字典原子编号以及其系数进行压缩和编码,并将各个部分压缩编码后的比特流串联,得到最后的压缩数据。为方便使用,这里采用WinRAR对数据进行压缩。
为验证本专利提出的算法的性能,使用一幅模拟高光谱图像对字典构造方法的有效性进行了验证;然后在仿真实验中,分别进针对3组真实的高光谱数据:Salinas,Pavia University和Indian Pines数据的压缩编码结果及重建图像进行了比较,从而验证本发明所提出的压缩方案在保证图像质量上的作用。
在表1中显示了不同方法的压缩结果比较。其中,CBR表示压缩比特率,MSE表示压缩结果的均方误差。从中我们可以看出,本专利中提出的多元向量量化方案能够取得更好的压缩结果,虽然与传统的向量量化方法相比,其压缩结果的CBR有所上升,但是其图像的失真,也就是MSE大幅减小;即使将传统的向量量化方法的CBR扩大到与本专利所提出的多元向量量化方法相当的水平,其MSE也要比本专利提出的多元向量量化方案高很多,从而说明本方案的有效性。
表1压缩结果比较
下面结合附图对本发明做更详细的描述:
结合图1。图中显示了使用一幅模拟得高光谱图像数据的仿真实验来验证本方案中所提出得构造压缩字典方法得有效性。这幅模拟图像的大小为30×30,包含了6种不同的地物光 谱,其中每种地物为30×5的矩形,如图1所示。其中图1(a)和(b)分别显示了此图像数据的一个波段的图像和其监督信息;图1(c)显示了使用本方法提出的构造字典方法所得到的每个像元所对应的最佳字典原子示意图。从图中可以看出,最佳字典原子相同的像元实际上属于同一种地物;同一种地物对应于2个不同的字典原子,这就说明了本方法中提出的构造字典方法能够得到较好的压缩字典。
结合图2。为了检验和证明本专利所提出的方法的有效性和高效性,我们使用了三幅真实高光谱图像数据进行仿真实验,这3幅图像数据的示意图如图2所示,图中显示的是3幅高光谱图像数据的第50波段的图像和其真实的地物分布图。图2(a)和(b)是在美国加利福尼亚Salinas采集的AVIRIS数据,图像大小为150×150,包含了9种不同的地物。其空间分辨率为3.7米,在去掉水的吸收带等波段后,余下的204个光谱波段数据参加仿真实验。图2(c)和(d)显示高光谱图像数据的是采集于意大利的Pavia University,使用了ROSIS传感器,它包含了103个光谱波段,图像大小为150×150,包含了9种不同的地物,其空间分辨率为1.3米。图2(e)和(f)显示的是著名的AVIRIS数据Indian Pine,采集在美国的印第安纳州。图像大小为145×145,200个空间分辨率为20米的波段数据参与实验,其中包含了16个不同的地物种类,其中较大的9类地物参与实验。
结合图3。图3中所示为以Salinas图像为例的失真图像比较,分别为本发明中所提出的使用2种不同模型的多元向量量化压缩方法与传统向量量化压缩方法的失真图像。其余两幅高光谱图像Pavia University和Indian Pine都能得到相似的失真图像和结论,因此并没有显示。总共对2种多元向量量化压缩方法和2种传统向量量化压缩方法的图像失真进行了比较。从图中明显可以看出,使用本发明中提出的多元向量量化方法的图像失真叫小,而且其是真较大的像元主要分布在背景部分。同时2种不同的多元向量量化模型的图像失真在图中没有明显的区别。本发明中提出的多元向量量化方案的图像能够减小图像失真,更多地保留原图像的信息。
结合图4。图4显示的是三幅高光谱图像数据Salinas,Pavia University和Indian Pine图像分别使用几种方法的失真图像幅度统计直方图的比较。从图中可以明显看出,本发明中提出的多元向量量化方法能够获得较低的图像失真,传统的向量量化方法的图像失真分布在较大的范围内,而使用不同种多元向量量化模型的2种方法的结果差别不大。这也证明了本方法的有效性。
同时,为了更好的比较图像失真,每种方法的平均失真(MVD)和超过固定门限的像元百分(PPD)比作为比较参数,对几种方法的结果进行评价,如表2所示。我们可以看到,这三幅图像在使用多元向量量化方案时,其图像失真较小。尤其是使用第一种多元向量量化模型的 结果,其MVD是这几种方法中最小的。
表2图像失真比较
Claims (2)
1.多元向量量化的高光谱图像压缩编码方法,其特征在于,包括下列步骤:
(2)构建压缩字典:
a.根据图像本身的特征,设定需要计算的类别数范围,类别数范围设定为类别数的1-3倍;
b.遍历设定的类别数范围内的每一个类别数,利用FCM算法聚类,计算在不同类别数下的代价,代价函数为:
C=Nθ*JN,
c.根据在不同类别数下的代价,选择代价最小的类别数作为最佳的聚类类别数,并提取在此类别时的类别中心向量,构成字典;同时记录字典中每个原子在监督数据中所对应的地物种类;
(3)根据2种多元向量量化模型和字典原子选择策略,利用多元回归计算每一像元压缩时所使用的字典原子及其系数;其中第一种多元向量量化模型将像元光谱表示为2个字典原子以及误差信息的线性组合:
Y=α1Xi1+α2Xi2+∈1,
其中,Xi1和Xi2表示从步骤2中确定的字典中选取的2个字典原子,其对应的权值系数为α1和α2,同时向量∈1表示误差信息,在有损的压缩编码过程中被直接省略,第二种多元向量量化模型为
Y=βXi1+(1-β)Xi2+∈2,
限制条件为α1+α21=1;
(4)压缩和编码:在计算完所有像元的原子编号和系数后,分别对压缩字典、每个像元使用的字典原子编号以及其系数进行压缩和编码,并将各部分压缩编码后的比特流串联,得到最后的压缩数据。
2.根据权利要求1所述的多元向量量化的高光谱图像压缩编码方法,其特征在于,所述的字典原子选择策略为:
a.根据监督数据,确定当前像元所属的类别;
b.在压缩字典中找出属于此类的字典原子;
c.将找出的字典原子与原始的像元光谱向量比较,选取其欧式距离最小的字典原子做为其多元向量量化模型中的第一个原子;
d.在确定一个原子的情况下,考虑所有可能的字典原子组合,共N-1种可能的组合,分别使用多元回归计算其系数以及误差向量;
e.选取误差最小的组合中的2个原子为最终压缩编码所使用的2个原子;同时记录下这2个原子的编号,以及其所对应的系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310699067.4A CN103646409B (zh) | 2013-12-19 | 2013-12-19 | 多元向量量化的高光谱图像压缩编码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310699067.4A CN103646409B (zh) | 2013-12-19 | 2013-12-19 | 多元向量量化的高光谱图像压缩编码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103646409A true CN103646409A (zh) | 2014-03-19 |
CN103646409B CN103646409B (zh) | 2016-08-17 |
Family
ID=50251619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310699067.4A Expired - Fee Related CN103646409B (zh) | 2013-12-19 | 2013-12-19 | 多元向量量化的高光谱图像压缩编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103646409B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104270640A (zh) * | 2014-09-09 | 2015-01-07 | 西安电子科技大学 | 基于支持向量回归的光谱图像无损压缩方法 |
CN106326926A (zh) * | 2016-08-23 | 2017-01-11 | 复旦大学 | 一种高光谱图像目标光谱学习方法 |
CN110765871A (zh) * | 2019-09-19 | 2020-02-07 | 北京航空航天大学 | 一种基于字典表示的高光谱图像波段质量分析方法 |
CN113298892A (zh) * | 2021-04-09 | 2021-08-24 | 北京沃东天骏信息技术有限公司 | 一种图像编码方法和设备,及存储介质 |
CN116486160A (zh) * | 2023-04-25 | 2023-07-25 | 北京卫星信息工程研究所 | 基于光谱重建的高光谱遥感图像分类方法、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1632479A (zh) * | 2005-01-20 | 2005-06-29 | 北京工业大学 | 一种基于三维预测的高光谱图像无损压缩方法 |
CN103020955A (zh) * | 2012-11-16 | 2013-04-03 | 哈尔滨工程大学 | 邻域空间窗口的高光谱图像稀疏表示目标检测方法 |
CN103391438A (zh) * | 2013-07-19 | 2013-11-13 | 哈尔滨工程大学 | 一种高光谱图像压缩编码方法及装置 |
-
2013
- 2013-12-19 CN CN201310699067.4A patent/CN103646409B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1632479A (zh) * | 2005-01-20 | 2005-06-29 | 北京工业大学 | 一种基于三维预测的高光谱图像无损压缩方法 |
CN103020955A (zh) * | 2012-11-16 | 2013-04-03 | 哈尔滨工程大学 | 邻域空间窗口的高光谱图像稀疏表示目标检测方法 |
CN103391438A (zh) * | 2013-07-19 | 2013-11-13 | 哈尔滨工程大学 | 一种高光谱图像压缩编码方法及装置 |
Non-Patent Citations (4)
Title |
---|
GLEN P: "Compression of Hyperspectral Imagery Using the 3-D DCT and Hybrid DPCMDCT", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
JING WANG: "Independent Component Analysis-Based Dimensionality Reduction With Applications in Hyperspectral Image Analysis", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
王春胜等: "高光谱图像数据变换编码压缩方法", 《遥感学报》 * |
赵春晖等: "一种基于矢量量化的高光谱遥感图像压缩算法", 《哈尔滨工程大学学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104270640A (zh) * | 2014-09-09 | 2015-01-07 | 西安电子科技大学 | 基于支持向量回归的光谱图像无损压缩方法 |
CN104270640B (zh) * | 2014-09-09 | 2018-07-31 | 西安电子科技大学 | 基于支持向量回归的光谱图像无损压缩方法 |
CN106326926A (zh) * | 2016-08-23 | 2017-01-11 | 复旦大学 | 一种高光谱图像目标光谱学习方法 |
CN106326926B (zh) * | 2016-08-23 | 2020-05-26 | 复旦大学 | 一种高光谱图像目标光谱学习方法 |
CN110765871A (zh) * | 2019-09-19 | 2020-02-07 | 北京航空航天大学 | 一种基于字典表示的高光谱图像波段质量分析方法 |
CN113298892A (zh) * | 2021-04-09 | 2021-08-24 | 北京沃东天骏信息技术有限公司 | 一种图像编码方法和设备,及存储介质 |
CN116486160A (zh) * | 2023-04-25 | 2023-07-25 | 北京卫星信息工程研究所 | 基于光谱重建的高光谱遥感图像分类方法、设备及介质 |
CN116486160B (zh) * | 2023-04-25 | 2023-12-19 | 北京卫星信息工程研究所 | 基于光谱重建的高光谱遥感图像分类方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103646409B (zh) | 2016-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113658115B (zh) | 一种基于深度卷积生成对抗网络的图像异常检测方法 | |
CN111540193B (zh) | 一种基于图卷积时序生成对抗网络的交通数据修复方法 | |
US20200151915A1 (en) | Hierarchical division-based point cloud attribute compression method | |
BARBER et al. | SAR sea ice discrimination using texture statistics- A multivariate approach | |
CN103646409A (zh) | 多元向量量化的高光谱图像压缩编码方法 | |
CN111639587B (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN103761742B (zh) | 一种基于同质指数的高光谱遥感图像稀疏解混方法 | |
CN106203444B (zh) | 基于条带波与卷积神经网络的极化sar图像分类方法 | |
CN102722892A (zh) | 基于低秩矩阵分解的sar图像变化检测方法 | |
CN110826684A (zh) | 卷积神经网络的压缩方法、装置、电子设备和介质 | |
CN103226826B (zh) | 基于局部熵视觉注意模型的遥感图像变化检测方法 | |
CN108053396A (zh) | 一种多失真图像质量的无参考评价方法 | |
CN101483777B (zh) | 基于自适应多尺度Bandelet包的SAR图像去噪压缩方法 | |
CN105160667A (zh) | 联合梯度和拉普拉斯-高斯信号的盲图像质量评价方法 | |
CN105374054A (zh) | 基于空谱特性的高光谱图像压缩方法 | |
CN112560966B (zh) | 基于散射图卷积网络的极化sar图像分类方法、介质及设备 | |
CN107392122A (zh) | 基于多极化特征和fcn‑crf融合网络的极化sar影像目标检测方法 | |
CN110248190A (zh) | 一种基于压缩感知的多层残差系数图像编码方法 | |
CN112734648A (zh) | 基于深度学习超分辨率网络的降水时间降尺度预测方法 | |
CN102186069A (zh) | 一种保持量测性能的遥感影像数据压缩方法 | |
CN117992757B (zh) | 基于多维数据的国土生态环境遥感数据分析方法 | |
CN104270640A (zh) | 基于支持向量回归的光谱图像无损压缩方法 | |
CN103226825A (zh) | 基于低秩稀疏模型的遥感图像变化检测方法 | |
Ji et al. | CLGAN: a generative adversarial network (GAN)-based video prediction model for precipitation nowcasting | |
CN102254185A (zh) | 基于对比度敏感函数的背景杂波量化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160817 Termination date: 20211219 |