CN104851091A - 一种基于卷积增强和hcs变换的遥感影像融合方法 - Google Patents
一种基于卷积增强和hcs变换的遥感影像融合方法 Download PDFInfo
- Publication number
- CN104851091A CN104851091A CN201510210332.7A CN201510210332A CN104851091A CN 104851091 A CN104851091 A CN 104851091A CN 201510210332 A CN201510210332 A CN 201510210332A CN 104851091 A CN104851091 A CN 104851091A
- Authority
- CN
- China
- Prior art keywords
- image
- spatial resolution
- spatial
- strength component
- represent
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
-
- 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
Abstract
本发明公开一种基于卷积增强和HCS变换的遥感影像融合方法,对低空间分辨率的多光谱影像和高空间分辨率的全色影像进行影像配准,将低空间分辨率的多光谱影像重采样至与高空间分辨率的全色影像相同像元尺寸,裁剪得到相同图幅范围的多光谱影像和全色影像等待融合;对低空间分辨率的多光谱影像进行HCS变换得到强度分量和若干角度分量;对高空间分辨率的全色影像采用空间滤波算子进行卷积滤波得到空间细节信息;将空间细节信息以权重补充到强度分量中得到增强后的强度分量;对增强后的强度分量使用之前得到的若干角度分量进行分解得到最终融合影像。本法是将HCS变换、卷积滤波算法应用于多光谱影像与全色影像的融合,极大增强了融合结果的空间细节信息。
Description
技术领域
本发明属于遥感影像处理数据融合领域,涉及一种基于卷积增强和HCS变换的遥感影像融合方法,是采用卷积滤波的技术手段进行空间细节增强的遥感影像融合方法。
技术背景
通过对高空间分辨率单个光谱波段的全色影像与低空间分辨率的多光谱影像进行影像融合以得到兼具高空间分辨率和多光谱两大重要特性的遥感影像已经基本上成为高空间分辨率遥感分析的一个必须的预处理环节。就该领域内的方法而言,目前影像融合可分为像素级、特征级和决策级融合;三个级别中,又以像素级融合的理论基础最为完善、应用最为广泛,其中典型代表有IHS融合、PCA融合、小波融合、滤波融合、比值法、乘积法等等。
在传统的IHS融合法及其改进算法中,影像融合难以打破亮度-色调-饱和度三维度局限性的弊端,这显然不适用于当代遥感数据多光谱、高光谱甚至超高光谱的特性。直至近年来HCS变换被引入影像融合领域,利用其二次拟合强度分量配合若干维度的角度分量的方式,将N维笛卡尔空间上的多光谱遥感数据严格地转化到N维超球面几何空间中,彻底打破了传统IHS空间的三维度局限性,为影像融合领域开辟了一类新的具有高光谱保持性的融合技术。然而就目前基于HCS变换的融合理论(如Mode和Smart Mode)而言,其对影像中的空间信息考虑不足,对空间细节的增强能力有限。
发明内容
为了克服现有技术的不足,本发明提出一种基于卷积增强和HCS变换的遥感影像融合方法,是基于HCS变换并且具有极强空间细节增强能力的影像融合方法,该方法在充分发挥HCS变换维度自由的特性的同时,极大程度地增强了融合结果的空间细节信息。
为了实现上述目的,本发明的技术方案为:
一种基于卷积增强和HCS变换的遥感影像融合方法,是采用卷积滤波进行空间细节增强的遥感影像融合方法,所述方法包括的步骤为:
对低空间分辨率的多光谱影像和高空间分辨率的全色影像进行影像配准,并将低空间分辨率的多光谱影像重采样至与高空间分辨率的全色影像相同像元尺寸,裁剪得到相同图幅范围的多光谱影像和全色影像等待融合;
对低空间分辨率的多光谱影像进行HCS变换得到强度分量和若干角度分量;
对高空间分辨率的全色影像采用一空间滤波算子进行卷积滤波得到空间细节信息;
将空间细节信息以权重补充到强度分量中得到增强后的强度分量;
对增强后的强度分量使用之前得到的若干角度分量进行分解得到最终融合影像。
优选地,所述的对低空间分辨率的多光谱影像进行HCS变换得到强度分量和角度分量的方法为:
{χN}={χ1,χ2,...,χi,...,χn}
式中:I表示强度分量,n表示多光谱数据的波段总数;表示角度分量的集合,集合内共有n-1个角度分量,表示第k个角度分量;k取值范围为1、2、3、…、n-1;{χN}表示原始多光谱数据单一波段集,集合内共有n个波段,χi表示第i个波段的原始多光谱数据。
优选地,所述的对高空间分辨率的全色影像采用空间滤波算子进行卷积滤波得到空间细节信息的步骤为:采用空间滤波算子与高空间分辨率的全色影像求卷积,卷积得到的结果即为所需的空间细节信息。
优选地,所述的对高空间分辨率的全色影像采用空间滤波算子进行卷积滤波得到空间细节信息之前还包括:根据全色影像空间细节信息特性或人为选取空间滤波算子。
优选地,所述的:将空间细节信息以权重补充到强度分量中得到增强后的强度分量之前还包括:根据强度分量和空间细节信息的数据特性,获取融合所需的权重。
优选地,所述的对增强后的强度分量使用之前得到的若干角度分量进行分解得到最终融合影像的方法为:
式中:Iadj表示增强后的强度分量,n表示多光谱数据的波段总数;表示第1个波段的融合结果,表示第h个波段的融合结果,表示最后一个波段的融合结果;表示第h个角度分量,h取值范围为2、3、4、…、n-1。
上述的HCS结合卷积滤波融合法中,在HCS变换的基础上,将卷积滤波技术应用于低空间分辨率的多光谱影像和高空间分辨率的全色影像的融合中,在彻底打破了传统IHS融合三维度局限性的同时,尽可能地增加了融合结果中边缘信息、纹理信息、阴影信息和斑点信息等空间细节信息。
上述的HCS结合卷积滤波融合法中,HCS变换尽可能保证多光谱数据的光谱分辨率,保留融合结果中的光谱信息;空间卷积滤波尽可能提取全色数据的空间细节,增加融合结果的空间细节信息。由此得到的融合结果兼具多光谱特性、较高的空间分辨率和极为丰富的空间细节信息,在土地利用分类、遥感解译、影像分割、道路提取等方面可以发挥巨大的作用,以满足空间数据发展的要求。
附图说明
图1为本发明的流程图。
图2为实施例1中的高空间分辨率全色影像图。
图3为为实施例1中的低空间分辨率多光谱影像图(标准假彩色合成)。
图4为为实施例1中的最终融合结果图(标准假彩色合成)。
具体实施方式
实施例1
图1给出了基于卷积增强和HCS变换的遥感影像融合方法的流程图,包括以下步骤:
分别获取原始多光谱数据和原始全色数据;
对上述数据进行影像配准;
对配准后的数据进行重采样,继而对采样后的数据进行影像裁剪;
影像裁剪后分别得到多光谱数据(Mul)和全色数据(P);
对多光谱数据(Mul)进行HSC变换,得到强度分量和若干角度分量;
对全色数据(P)采用空间滤波算子进行卷积滤波得到空间细节信息,该空间滤波算子是根据筛选算子选取的空间滤波算子;
将空间细节信息以一定权重补充到强度分量中得到增强后的强度分量Iadj;
对增强后的强度分量使用若干角度分量进行分解得到最终融合影像。
上述的权重是根据评价权重获取得到的融合权重。
在步骤“影像配准”中,将原始多光谱影像配准到原始全色影像上去。本实施例中,采用二次项式配准,双线性内插法重采样。
在步骤“重采样”中,将多光谱影像重采样到与全色影像相同像元尺寸大小。本实施例中,采用双线性内插法进行重采样。
在步骤“影像裁剪”选取适当区域裁取相同图幅范围,得到待融合的多光谱影像和全色影像。本实施例中,裁取4.5km*4.5km范围内的涵括农田、水体、道路和裸土的实验区域。
在步骤“HCS变换”中,依据如下公式进行强度分量和若干角度分量的提取:
{χN}={χ1,χ2,...,χi,...,χn}
式中:I表示强度分量,n表示多光谱数据的波段总数;表示角度分量的集合,集合内共有n-1个角度分量,表示第k个角度分量;k取值范围为1、2、3、…、n-1;{χN}表示原始多光谱数据单一波段集,集合内共有n个波段,χi表示第i个波段的原始多光谱数据。
在步骤“筛选算子”中,根据全色影像空间细节信息特性或人为选取适当的空间滤波算子,如Roberts算子、Sobel算子、Prewitt算子、Laplacian算子、Wallis算子、LOG算子和Canny算子等。
本实施例中依据算子降噪性能及边缘信息提取能力选取LOG算子进行卷积滤波提取空间细节信息,算子如下:
2 | -4 | -4 | -4 | -2 |
-4 | 0 | 8 | 0 | -4 |
-4 | 8 | 24 | 8 | -4 |
-4 | 0 | 8 | 0 | -4 |
-2 | -4 | -4 | -4 | -2 |
在步骤“卷积滤波”中,使用选好的空间滤波算子对全色数据进行卷积处理,公式如下:
式中:Plog为LOG算子卷积处理后得到的空间细节信息,为LOG算子,D(x,y)为全色数据。
在步骤“评价权重”中,根据强度分量和空间细节信息的数据特性,按一定方法获取融合所需的归一化融合权重。具体地,本实施例中采用依据实验效果人工调试的方法获得权重,经过多次实验调试,最终确定强度分量的归一化权重和空间细节信息的归一化权重。
在步骤“加权求和”中,将强度分量与空间细节信息对应位置上像元的数据值按已经确定的权重求加权平均数,构建增强后的强度分量,公式如下:
Iadj=wp·Plog+wi·I
式中:Iadj为增强后的强度分量,I为“HCS变换”中提取的强度分量,Plog为“卷积滤波”中提取的空间细节信息,wp和wi为融合时Plog与I的权重,由“评价权重”步骤获得。
在步骤“逆HCS变换”中,使用“HCS变换”中得到的N-1个角度分量将增强后的强度分量Iadj分解,得到最后的融合结果。具体公式如下:
式中:Iadj表示增强后的强度分量,n表示多光谱数据的波段总数;表示第1个波段的融合结果,表示第h个波段的融合结果,表示最后一个波段的融合结果;表示第h个角度分量,h取值范围为2、3、4、…、n-1。
下面结合一个实施例来阐述基于卷积增强的HCS融合法:该实施例中,原始多光谱数据为国产资源三号多光谱数据(四波段),空间分辨率5.8m,原始全色数据为国产资源三号全色数据,空间分辨率2.1m。经过“影像配准”,“重采样”和“影像裁剪”得到待融合的全色影像,局部示意图如图2所示,以及待融合的多光谱影像,局部示意图如图3所示。对多光谱影像进行HCS变换得到强度分量和角度分量集合对全色影像用LOG算子提取空间细节信息。采用人工调试的方法经多次实验得到强度分量的归一化权重为0.85,空间细节信息的归一化权重为0.15,加权求和得到增强后的强度分量。最后用对增强后的强度分量进行分解得到最终的融合结果,其局部示意图如图4所示。由结果图的目视效果进行定性评价,可以看到该融合结果不仅较好地保留了多光谱数据的光谱信息,还极大地增强了融合结果的边缘信息、纹理信息、阴影信息和斑点信息等空间细节信息。
对于最终的融合结果,采用均值、标准差、信息熵和平均梯度这四可以反映融合结果信息质量的指标进行定量评价;为了方便比较和定位,本申请采用目前基于HCS变换的另外两种已实现的融合模型进行相同的融合处理和定量评价,评价结果如表1:
表1:融合结果定量评价表
由表1的定量评价结果可知,与目前已存在的两种基于HCS变换的融合算法相比,本申请提出的方法无论在影像平均亮度(均值)、影像信息量(标准差)和影像信息丰富程度(信息熵),还是在影像清晰程度(平均梯度)上均表现出明显的优越性。尤其是平均梯度值远远高于其他两种方法,这表明本申请提出的方法的融合结果在信息判别的容易程度和准确程度方面远远优于基于同样理论的其他方法。
上述的HCS结合卷积滤波融合法中,在HCS变换的基础上,将卷积滤波技术应用于低空间分辨率的多光谱影像和高空间分辨率的全色影像的融合中,可以在较好地保证融合结果的光谱保真性的同时,尽可能地增加了融合结果中边缘信息、纹理信息、阴影信息和斑点信息等空间细节信息。
上述的基于HCS结合卷积滤波的影像融合方法中,HCS变换尽可能保证多光谱数据的光谱分辨率,保留融合结果中的光谱信息;空间卷积滤波尽可能提取全色数据的空间细节,增加融合结果的空间细节信息。由此得到的融合结果兼具多光谱特性与较高的空间分辨率,并且具有极其丰富的空间细节信息,在土地利用分类、遥感解译、影像分割、道路提取等方面可以发挥巨大的作用,以满足空间数据发展的要求。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详尽,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于卷积增强和HCS变换的遥感影像融合方法,其特征在于,包括:
S1.对低空间分辨率的多光谱影像和高空间分辨率的全色影像进行影像配准,并将低空间分辨率的多光谱影像重采样至与高空间分辨率的全色影像相同像元尺寸,裁剪得到相同图幅范围的多光谱影像和全色影像等待融合;
S2.对低空间分辨率的多光谱影像进行HCS变换得到强度分量和若干角度分量;
S3.对高空间分辨率的全色影像采用空间滤波算子进行卷积滤波得到空间细节信息;
S4.将空间细节信息以权重补充到强度分量中得到增强后的强度分量;
S5.对增强后的强度分量使用若干角度分量进行分解得到最终融合影像。
2.根据权利要求1所述的遥感影像融合方法,其特征在于,对低空间分辨率的多光谱影像进行HCS变换得到强度分量和角度分量的方法为:
{χN}={χ1,χ2,...,χi,...,χn}
式中:I表示强度分量,n表示多光谱数据的波段总数;表示角度分量的集合,集合内共有n-1个角度分量,表示第k个角度分量;k取值范围为1、2、3、…、n-1;{χN}表示原始多光谱数据单一波段集,集合内共有n个波段,χi表示第i个波段的原始多光谱数据。
3.根据权利要求1所述的遥感影像融合方法,其特征在于,对高空间分辨率的全色影像采用一空间滤波算子进行卷积滤波得到空间细节信息的步骤为:
采用空间滤波算子与高空间分辨率的全色影像求卷积,卷积得到的结果即为所需的空间细节信息。
4.根据权利要求3所述的遥感影像融合方法,其特征在于,对高空间分辨率的全色影像采用一空间滤波算子进行卷积滤波得到空间细节信息之前还包括:
根据全色影像空间细节信息特性或人为选取空间滤波算子。
5.根据权利要求1所述的遥感影像融合方法,其特征在于,将空间细节信息以权重补充到强度分量中得到增强后的强度分量之前还包括:
根据强度分量和空间细节信息的数据特性,获取融合所需的权重。
6.根据权利要求1所述的遥感影像融合方法,其特征在于,对增强后的强度分量使用之前得到的若干角度分量进行分解得到最终融合影像的方法为:
式中:Iadj表示增强后的强度分量,n表示多光谱数据的波段总数;表示第1个波段的融合结果,表示第h个波段的融合结果,表示最后一个波段的融合结果;表示第h个角度分量,h取值范围为2、3、4、…、n-1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510210332.7A CN104851091A (zh) | 2015-04-28 | 2015-04-28 | 一种基于卷积增强和hcs变换的遥感影像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510210332.7A CN104851091A (zh) | 2015-04-28 | 2015-04-28 | 一种基于卷积增强和hcs变换的遥感影像融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104851091A true CN104851091A (zh) | 2015-08-19 |
Family
ID=53850718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510210332.7A Pending CN104851091A (zh) | 2015-04-28 | 2015-04-28 | 一种基于卷积增强和hcs变换的遥感影像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104851091A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204508A (zh) * | 2016-06-30 | 2016-12-07 | 西北工业大学 | 基于非负稀疏矩阵的WorldView‑2遥感全色与多光谱图像融合方法 |
CN109118461A (zh) * | 2018-07-06 | 2019-01-01 | 航天星图科技(北京)有限公司 | 一种基于分布式框架的his融合方法 |
CN110035687A (zh) * | 2016-11-30 | 2019-07-19 | 卡普索影像公司 | 对使用胶囊相机所撷取的图像进行图像拼接的方法及装置 |
CN110533600A (zh) * | 2019-07-10 | 2019-12-03 | 宁波大学 | 一种同/异质遥感影像高保真广义空-谱融合方法 |
CN111552004A (zh) * | 2020-04-24 | 2020-08-18 | 中国地质科学院矿产资源研究所 | 一种遥感数据角度异常信息提取方法及系统 |
CN111563866A (zh) * | 2020-05-07 | 2020-08-21 | 重庆三峡学院 | 一种多源遥感图像融合方法 |
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 |
CN112330581A (zh) * | 2020-11-02 | 2021-02-05 | 燕山大学 | 一种sar和多光谱影像的融合方法及系统 |
CN113446992A (zh) * | 2021-06-28 | 2021-09-28 | 中国水利水电科学研究院 | 地形勘测中的地形勘测点布测优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010006001A2 (en) * | 2008-07-08 | 2010-01-14 | Harris Corporation | Optical flow registration of panchromatic/multi-spectral image pairs |
CN104346790A (zh) * | 2014-10-30 | 2015-02-11 | 中山大学 | 一种hcs结合小波变换的遥感图像融合方法 |
-
2015
- 2015-04-28 CN CN201510210332.7A patent/CN104851091A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010006001A2 (en) * | 2008-07-08 | 2010-01-14 | Harris Corporation | Optical flow registration of panchromatic/multi-spectral image pairs |
CN104346790A (zh) * | 2014-10-30 | 2015-02-11 | 中山大学 | 一种hcs结合小波变换的遥感图像融合方法 |
Non-Patent Citations (2)
Title |
---|
CHRIS PADWICK等: "WORLDVIEW-2 PAN-SHARPENING", 《ASPRS2010 ANNUAL CONFERENCE》 * |
孙铁军等: "应用ERDAS进行高分辨率卫星PAN和MS影像融合的探讨", 《北京测绘》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204508B (zh) * | 2016-06-30 | 2018-12-14 | 西北工业大学 | 基于非负稀疏矩阵的WorldView-2遥感全色与多光谱图像融合方法 |
CN106204508A (zh) * | 2016-06-30 | 2016-12-07 | 西北工业大学 | 基于非负稀疏矩阵的WorldView‑2遥感全色与多光谱图像融合方法 |
CN110035687B (zh) * | 2016-11-30 | 2022-02-11 | 卡普索影像公司 | 对使用胶囊相机所撷取的图像进行图像拼接的方法及装置 |
CN110035687A (zh) * | 2016-11-30 | 2019-07-19 | 卡普索影像公司 | 对使用胶囊相机所撷取的图像进行图像拼接的方法及装置 |
CN109118461A (zh) * | 2018-07-06 | 2019-01-01 | 航天星图科技(北京)有限公司 | 一种基于分布式框架的his融合方法 |
CN110533600B (zh) * | 2019-07-10 | 2022-07-19 | 宁波大学 | 一种同/异质遥感影像高保真广义空-谱融合方法 |
CN110533600A (zh) * | 2019-07-10 | 2019-12-03 | 宁波大学 | 一种同/异质遥感影像高保真广义空-谱融合方法 |
CN111552004A (zh) * | 2020-04-24 | 2020-08-18 | 中国地质科学院矿产资源研究所 | 一种遥感数据角度异常信息提取方法及系统 |
CN111552004B (zh) * | 2020-04-24 | 2023-04-18 | 中国地质科学院矿产资源研究所 | 一种遥感数据角度异常信息提取方法及系统 |
CN111563866A (zh) * | 2020-05-07 | 2020-08-21 | 重庆三峡学院 | 一种多源遥感图像融合方法 |
CN111563866B (zh) * | 2020-05-07 | 2023-05-12 | 重庆三峡学院 | 一种多源遥感图像融合方法 |
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 |
CN112330581A (zh) * | 2020-11-02 | 2021-02-05 | 燕山大学 | 一种sar和多光谱影像的融合方法及系统 |
CN112330581B (zh) * | 2020-11-02 | 2022-07-12 | 燕山大学 | 一种sar和多光谱影像的融合方法及系统 |
CN113446992A (zh) * | 2021-06-28 | 2021-09-28 | 中国水利水电科学研究院 | 地形勘测中的地形勘测点布测优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104851091A (zh) | 一种基于卷积增强和hcs变换的遥感影像融合方法 | |
Zhong et al. | Remote sensing image fusion with convolutional neural network | |
CN107492070B (zh) | 一种双通道卷积神经网络的单图像超分辨率计算方法 | |
CN103093433B (zh) | 基于区域划分和字典学习的自然图像去噪方法 | |
CN104851077B (zh) | 一种自适应的遥感图像全色锐化方法 | |
CN102663702B (zh) | 基于区域划分的自然图像去噪方法 | |
CN109272010A (zh) | 基于卷积神经网络的多尺度遥感图像融合方法 | |
CN103208097B (zh) | 图像多方向形态结构分组的主分量分析协同滤波方法 | |
CN102800094A (zh) | 一种快速彩色图像分割方法 | |
CN105261000A (zh) | 一种基于端元提取与光谱解混的高光谱图像融合方法 | |
CN107169946B (zh) | 基于非负稀疏矩阵与超球面彩色变换的图像融合方法 | |
CN103116881A (zh) | 基于PCA与Shearlet变换的遥感图像融合方法 | |
CN105160647A (zh) | 一种全色多光谱影像融合方法 | |
CN106600564A (zh) | 一种新型图像增强方法 | |
CN104021523A (zh) | 一种基于边缘分类的图像超分辨率放大的新方法 | |
CN103914816A (zh) | 一种基于非局部正则化和关键帧的视频超分辨方法 | |
CN104504672A (zh) | 基于NormLV特征的低秩稀疏邻域嵌入超分辨方法 | |
CN104182939A (zh) | 一种医疗影像图像细节增强方法 | |
CN102496144A (zh) | 基于hsv色彩空间的nsct水声图像增强方法 | |
CN105678698A (zh) | 一种非局部正则化遥感图像超分辨重建方法 | |
CN106157240A (zh) | 基于字典学习的遥感图像超分辨率方法 | |
CN102289793B (zh) | 一种面向游牧服务的多尺度图像处理方法 | |
CN107622479B (zh) | 一种多谱段图像全色锐化的轮廓波子带自适应细节注入方法 | |
CN104809735A (zh) | 基于傅里叶变换实现图像雾霾评价的系统及方法 | |
CN109522918B (zh) | 基于改进的局部奇异谱分析的高光谱图像特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150819 |