CN106508048B - 一种基于多尺度基本形式的相似尺度图像融合方法 - Google Patents
一种基于多尺度基本形式的相似尺度图像融合方法Info
- Publication number
- CN106508048B CN106508048B CN201110014846.7A CN201110014846A CN106508048B CN 106508048 B CN106508048 B CN 106508048B CN 201110014846 A CN201110014846 A CN 201110014846A CN 106508048 B CN106508048 B CN 106508048B
- Authority
- CN
- China
- Prior art keywords
- image
- frequency information
- low
- full
- spectrum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000004927 fusion Effects 0.000 claims abstract description 24
- 238000001228 spectrum Methods 0.000 claims description 37
- 238000000354 decomposition reaction Methods 0.000 claims description 17
- 238000007500 overflow downdraw method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 238000000844 transformation Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数字图像处理技术领域,公开了一种基于多尺度基本形式的相似尺度图像融合方法,包括:对全色图像进行离散小波变换,得到与多光谱图像具有相似尺度的全色图像的低频信息以及高频信息;基于多尺度基本形式将该全色图像的低频信息与多光谱图像进行融合,得到待融合结果的低频信息,并将该待融合结果的低频信息与该全色图像的高频信息进行结合,得到待融合结果;以及利用逆小波变换对该待融合结果进行重建。利用本发明,使融合的信息在尺度空间具有一致性,大大提高了高分率全色图像和低分辨率多光谱图像的融合效果。
Description
技术领域
本发明涉及数字图像处理技术领域,特别是一种基于多尺度基本形式(multiscale fundamental form,MFF)的相似尺度图像融合方法。
背景技术
由于超大规模集成电路(VLSI)和超高速集成电路(VHSIC)、高精度数控机床、计算机辅助设计和制造,以及其它设计和生产的改进,传感器性能大大提高。从20世纪70年代起,一门新兴的学科——多传感器信息融合(Multisensor Data Fusion)便迅速发展起来。图像融合(Image Fusion)是指联合两个或两个以上的图像通过某种算法得到一幅更高质量的新图像。图像融合是数据融合技术领域中的一个重要分支,它的研究具有十分重要的实际意义。单个传感器图像或者单幅图像,由于受物理条件的限制和成像环境的影响,往往不能提供人们所需要的足够多的信息。例如,全色(Panchromatic)图像具有的较高空间分辨率可以对目标进行更好的定位,但是低的谱分辨率导致识别能力较差;反过来,多光谱图像具有较高的谱分辨率可以较好地识别目标,但是低的空间分辨率导致定位不准确。融合多光谱图像和全色图像,可以得到具有较高空间分辨率的多光谱图像,从而更好地实现目标的识别和定位等后续处理。
总的来说,综合多个传感器图像的信息,可以降低图像信息的不确定性,增加图像信息的可靠性、鲁棒性,加大信息表达的范围和能力,有利于图像的理解和场景解释。图像融合技术还对图像去噪、图像复原、图像超分辨率等其它图像处理技术起到促进作用。同时,许多领域中的多传感器、多时相、多分辨率和多光谱(超光谱)图像的大量涌现,为了更好地存储、处理和利用这些数据,迫切要求一门综合处理多源图像的技术和系统。现在,图像融合广泛地应用于许多领域,包括遥感、医学影像、人工智能、隐藏武器检测、自动导航着陆、质量和故障检测,工业监测和军事国防等。
图像融合方法是图像融合系统的核心部分。图像融合方法大致可以分为七类:一是彩色相关的方法;二是数值方法;三是基于概率统计的方法;四是基于多尺度分解的方法;五是神经网络融合方法;六是基于谱分离的方法;七是变分融合方法。其中Sharama在对图像融合作了深刻的分析的基础上提出了一种新的概率模型及参数估计方法。Zhang及Blum以在数字相机的应用为背景总结了基于多尺度分解的图像融合算法。Mohammad-Djafari则论述了贝叶斯估计方法在图像中的应用。
在这些算法中,其中基于多尺度分解的方法得到最为广泛的应用,其融合过程分为多尺度分解、信息转移和多尺度重建等三个步骤。使用多尺度分解的图像融合方法,融合之前先要对多光谱图像进行插值以使它的尺寸跟全色图像一样。然后,再将全色图像的细节信息融入到插值之后的多光谱图像中。这样,融合得到的多光谱图像就具有了更高的分辨率了;同时光谱图像的谱信息也会被保留。
但是,这些方法没有意识到一点:尺寸相同并不等于尺度相同。虽然全色图像和插值的多光谱图像具有相同的尺寸,但是显然的是后者的实际分辨率要低于前者。这时,两者的信息并不处于同一尺度空间,直接的融合可能导致信息的失真和扭曲,从而降低融合质量。在基于多尺度的分解方法的基础上,本发明提出了一种改进的分解方法方法,即相似尺度融合思想,认为全色图像与多光谱图像的融合应该考虑到尺度之间的不一致性(虽然尺寸一样)。基于相似尺度思想,文中给出了基于MFF的相似尺度图像融合算法。与其他基于多尺度分解方法相比,本发明大大提高了高分率全色图像和低分辨率多光谱图像的融合效果。
可参考的文献有以下几篇:
[1]刘同明,夏祖勋,解洪成,数据融合技术及其应用,国防工业出版社,北京,1998.
[2]何友,王国宏,陆大金,彭应宁,多传感器信息融合及应用,电子工业出版社,北京,2000.
[3]R.K.Sharama,Probabilistic model-based multisensor image fusion,PHD dissertation,Oregon Graduate Institute,Portland,OR,October 1999.
[4]Zhong Zhang,Rick S.Blum,A categorization ofmultiscale-decomposition-based image fusion schemes with a performancestudy for a digital camera application,Proceedings of the IEEE,vol.87,pp.1315-1328,1999.
[5]A.Mohammad-Djafari,Bayesian approach for data and imagefusion,in Int.Workshop on Bayesian and Maximum Entropy Methods.MaxEnt2002,Moscow,Idaho,USA,AIP Proceedings vol.659,Aug.3-9,2002.
[6]C.K.Munechika,J.S.Wamick,C.Salvaggio and J.R.Schott,Resolution enhancement of multispectral image data to improve classificationaccuracy,Photogrammetric Engineering and Remote Sensing,vol.59,pp.67-72,1993.
[7]L.A.Klein,Sensor and data fusion concepts and applications,SPIEOptical Engineering Press,Tutorial Texts,vol.14,pp.132-135,1993.
[8]J.Sporring and J.Weickert,“Information measures in scale-spaces,”IEEE Trans.Information Theory,vol.45,no.3,pp.1051-1058,1999.
[9]P.Scheunders,S.De Backer,Fusion and merging of multispectralimages using multiscale fundamental forms,Journal of the Optical Society ofAmerica,vol.18,no.10,pp.2468-2477,2001.
[10]P.Scheunders,A multivalued image wavelet representation based onmultiscale fundamental forms,IEEE Transactions on Image Processing,vol.11,no.5,pp.568-575,2002.
发明内容
(一)要解决的技术问题
有鉴于此,本发明的主要目的在于提供一种基于多尺度基本形式的相似尺度图像融合方法,以解决以往图像融合没有考虑待融合的高分辨率图像和高光谱图像尺度不一致的问题,达到改进图像融合效果的目的。
(二)技术方案
为达到上述目的,本发明提供了一种基于多尺度基本形式的相似尺度图像融合方法,包括:对全色图像进行离散小波变换,得到与多光谱图像具有相似尺度的全色图像的低频信息以及高频信息;基于多尺度基本形式将该全色图像的低频信息与多光谱图像进行融合,得到待融合结果的低频信息,并将该待融合结果的低频信息与该全色图像的高频信息进行结合,得到待融合结果;以及利用逆小波变换对该待融合结果进行重建。
上述方案中,所述对全色图像进行离散小波变换,得到与多光谱图像具有相似尺度的全色图像的低频信息以及高频信息,包括:对全色图像进行小波分解,计算全色图像小波分解的低频信息与多光谱图像各谱带灰度值的算术平均值两者之间的尺度相关性,得到与多光谱图像具有相似尺度的全色图像的低频信息以及高频信息。
上述方案中,所述基于多尺度基本形式将该全色图像的低频信息与多光谱图像进行融合,是采用基于多尺度基本形式的融合方法,分别将该全色图像的低频信息与多光谱图像MS的每一个谱带MSi进行融合,包括:将该全色图像的低频信息与多光谱图像MS的每一个谱带MSi看成一幅多值图像;根据MFF基本形式的d级尺度上的权值对多值图像各带进行“àtrous”小波变换,进行逐点加权平均得到d级低通分量和高通分量;由d级低通分量和高通分量表示多值图像;以及对此合成的多尺度表示进行“àtrous”小波逆变换,得到原图像的待融合结果的低频信息。
上述方案中,所述利用逆小波变换对该待融合结果进行重建,包括:对该待融合结果进行逆小波变换得到高空间分辨率的多光谱图像;以及对灰度匹配使其具有与MSi同样大小的均值和方差,其中MSi是融合之前的多光谱图像的MS谱带,是进行“à trous”逆小波变换得到高空间分辨率的多光谱图像的谱带。
(三)有益效果
从上述技术方案可以看出,本发明具有以下有益效果:
1、本发明提供的基于多尺度基本形式的相似尺度图像融合方法,使融合的信息在尺度空间具有一致性,提高了高分率全色图像和低分辨率多光谱图像的融合效果。
2、本发明提供的基于多尺度基本形式的相似尺度图像融合方法,通过从全色图像获得的多尺度信息,多光谱图像的空间分辨率得到提高,输入图像的谱信息通过相似尺度得到保持。
3、本发明提供的基于多尺度基本形式的相似尺度图像融合方法,首次提出相似尺度图像融合方法,一般的融合方法都是直接融合低分辨率多光谱图像与高分辨率全色图像以得到高分辨率的光谱图像,而没有考虑图像尺度空间的不一致性。本发明提供的基于多尺度基本形式的相似尺度图像融合方法,没有直接对输入图像进行融合,而是先对低通全色图像与多光谱图像进行融合,取得了更好的实验效果。
4、本发明提供的基于多尺度基本形式的相似尺度图像融合方法,与基于AW和MFF的方法相比,本方法效果更优。
附图说明
图l是依照本发明实施例基于多尺度基本形式的相似尺度图像融合的方法流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
对于高分辨率的全色图像与低分辨率的多光谱图像的融合,现有一般的方法是先对多光谱图像进行插值使之与全色图像具有同样的大小,然后就对它们进行融合。但应该注意到的是:全色图像和插值的多光谱图像虽然具有同样的大小,但是在尺度空间中的尺度并不一样。大小并不等价于尺度。显然,全色图像比多光谱图像包含的细节要多一些,应该具有更细的尺度。当不在同一或相近尺度空间融合时,所融合的输入图像的信息不在同一尺度上,会导致图像信息的扭曲,没能充分地利用输入图像的信息,从而使融合结果中出现较多的伪信息。考虑到这种尺度间的差异,本发明首次明确提出了“相似尺度融合”的思想,将全色图像和多光谱图像在相近尺度上进行融合。基于相似尺度的思想,本发明提出了多尺度分解框架下的融合方法,即一种基于多尺度基本形式的相似尺度图像融合方法。
所述多尺度基本形式(multiscale fundamental form,MFF),是在多尺度基本形式(multiscale fundamental form,MFF)的基础上,提出的一种改进的形式,单值图像被赋予不同的自适应权重,单值图像的变化量越大,对应的权重也就越高。所述相似尺度图像融合思想,是对全色图像进行“àtrous”离散小波变换,使其低通与多光谱图像具有相似的尺度。尺寸相同并不等于尺度相同。虽然全色图像和插值的多光谱图像具有相同的尺寸,但是显然的是后者的实际分辨率要低于前者。这时,两者的信息并不处于同一尺度空间,直接的融合可能导致信息的失真和扭曲,从而降低融合质量。因此需要在“相似尺度”上进行图像融合。
本发明提供的基于多尺度基本形式的相似尺度图像融合方法,其基本思想为:对全色图像进行“à trous”离散小波变换,得到与多光谱图像具有相似尺度的低通全色图像。为了使融合在相同或者相似的尺度上进行,一个直接的想法就是将高分辨率的图像进行低通滤波使滤波后的图像与低分辨率图像的尺度最为接近,由于“à trous”离散小波变换是非正交的和移不变的,对于图像融合来说,这种移不变的小波能取得更好的融合结果。然后基于MFF将该低通全色图像与多光谱图像进行融合,即选取与多光谱图像尺度相似的某一级别上低通全色图像,将选取的低通全色图像与多光谱图像的各个谱带分别进行基于WMFF的图像融合。最后利用逆“àtrous”小波变换对图像融合结果进行重建。
如图1所示,图1是依照本发明实施例基于多尺度基本形式的相似尺度图像融合的方法流程图,该方法包括以下步骤:
步骤1:对全色图像进行“à trous”离散小波变换,得到与多光谱图像具有相似尺度的全色图像的低频信息以及高频信息,其中高频信息为
其中,所述对全色图像进行离散小波变换,得到与多光谱图像具有相似尺度的全色图像的低频信息以及高频信息,包括:对全色图像进行小波分解,计算全色图像小波分解的低频信息与多光谱图像各谱带灰度值的算术平均值两者之间的尺度相关性,得到与多光谱图像具有相似尺度的全色图像的低频信息以及高频信息。所述计算全色图像灰度值的算术平均值与多光谱图像各谱带灰度值的算术平均值两者之间的尺度相关性,包括:计算全色图像小波分解低频信息的一般熵关于尺度的导数,计算与多光谱图像各谱带灰度值的算术平均值的一般熵关于尺度的导数,计算这两个导数的皮尔森相关系数,将该皮尔森相关系数作为尺度相关性度量值。
其中,熵导数的定义如下:
尺度空间的t处的图像p(t)=(p1(t),p2(t),…,pN(t))T,pi(t)对所有的i,i是图像中象素的索引。
小波分解级数J通过以下方式确定:比较第J级的一般熵导数的相关性CJ与第J+1级的一般熵导数的相关性CJ+1的大小,如果CJ≥CJ+1,则停止小波分解,同时得到全色图像PAN的J级小波表示,其中CJ表示第J级的一般熵导数的相关性,J为自然数。
步骤2:基于多尺度基本形式将该全色图像的低频信息与多光谱图像进行融合,得到待融合结果的低频信息,并将该待融合结果的低频信息与该全色图像的高频信息进行结合,得到待融合结果;
其中,所述基于多尺度基本形式将该全色图像的低频信息与多光谱图像进行融合,是采用基于多尺度基本形式的融合方法,分别将该全色图像的低频信息与多光谱图像MS的每一个谱带MSi进行融合,具体包括:将该全色图像的低频信息与多光谱图像MS的每一个谱带MSi看成一幅多值图像;根据MFF基本形式的d级尺度上的权值对多值图像各带进行“à trous”小波变换,进行逐点加权平均得到d级低通分量和高通分量;由d级低通分量和高通分量表示多值图像;以及对此合成的多尺度表示进行“à trous”小波逆变换,得到原图像的待融合结果的低频信息;
所述将该待融合结果的低频信息与该全色图像的高频信息进行结合,得到待融合结果,是对于得到的待融合结果的低频信息与全色图像的小波分解高频信息求和得到计算过程如下式:
其中是全色图像的高频部分,Pan表示全色图像,J表示小波分解级数,j表示索引,表示步骤2前半部分待融合结果的低频信息。
步骤3:利用逆小波变换对该待融合结果进行重建;包括:对该待融合结果进行逆小波变换得到高空间分辨率的多光谱图像;以及对灰度匹配使其具有与MSi同样大小的均值和方差,其中MSi是融合之前的多光谱图像的MS谱带,是进行“à trous”逆小波变换得到高空间分辨率的多光谱图像的谱带。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种基于多尺度基本形式的相似尺度图像融合方法,其特征在于,包括:
对全色图像进行离散小波变换,得到与多光谱图像具有相似尺度的全色图像的低频信息以及高频信息;
基于多尺度基本形式将该全色图像的低频信息与多光谱图像进行融合,得到待融合结果的低频信息,并将该待融合结果的低频信息与该全色图像的高频信息进行结合,得到待融合结果;以及
利用逆小波变换对该待融合结果进行重建;
其中,所述对全色图像进行离散小波变换,得到与多光谱图像具有相似尺度的全色图像的低频信息以及高频信息,包括:对全色图像进行小波分解,计算全色图像小波分解的低频信息与多光谱图像各谱带灰度值的算术平均值两者之间的尺度相关性,得到与多光谱图像具有相似尺度的全色图像的低频信息以及高频信息;其中,所述计算全色图像灰度值的算术平均值与多光谱图像各谱带灰度值的算术平均值两者之间的尺度相关性,包括:计算全色图像小波分解低频信息的一般熵关于尺度的导数,计算与多光谱图像各谱带灰度值的算术平均值的一般熵关于尺度的导数,计算这两个导数的皮尔森相关系数,将该皮尔森相关系数作为尺度相关性度量值;
所述基于多尺度基本形式将该全色图像的低频信息与多光谱图像进行融合,是采用基于多尺度基本形式的融合方法,分别将该全色图像的低频信息与多光谱图像MS的每一个谱带MSi进行融合,其中i表示MSi为MS的第i个谱带;其中,所述采用基于多尺度基本形式的融合方法,分别将该全色图像的低频信息与多光谱图像MS的每一个谱带MSi进行融合,包括:将该全色图像的低频信息与多光谱图像MS的每一个谱带MSi看成一幅多值图像;根据MFF基本形式的d级尺度上的权值对多值图像各带进行“à trous”小波变换,进行逐点加权平均得到d级低通分量和高通分量;由d级低通分量和高通分量表示多值图像;以及对此合成的多尺度表示进行“à trous”小波逆变换,得到原图像的待融合结果的低频信息;
所述利用逆小波变换对该待融合结果进行重建,包括:对该待融合结果进行逆小波变换得到高空间分辨率的多光谱图像;以及对灰度匹配使其具有与MSi同样大小的均值和方差,其中MSi是融合之前的多光谱图像MS的第i个谱带,是进行“à trous”逆小波变换得到高空间分辨率的多光谱图像的第i个谱带。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110014846.7A CN106508048B (zh) | 2011-12-05 | 2011-12-05 | 一种基于多尺度基本形式的相似尺度图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110014846.7A CN106508048B (zh) | 2011-12-05 | 2011-12-05 | 一种基于多尺度基本形式的相似尺度图像融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106508048B true CN106508048B (zh) | 2014-08-27 |
Family
ID=58359244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110014846.7A Active CN106508048B (zh) | 2011-12-05 | 2011-12-05 | 一种基于多尺度基本形式的相似尺度图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106508048B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726748A (zh) * | 2018-12-21 | 2019-05-07 | 长沙理工大学 | 一种基于频带特征融合的gl-cnn遥感图像场景分类方法 |
CN111263128A (zh) * | 2018-11-30 | 2020-06-09 | 展讯通信(上海)有限公司 | 图像插值方法及装置、存储介质、终端 |
CN111626934A (zh) * | 2020-05-14 | 2020-09-04 | 山东师范大学 | 高空间分辨率多光谱图的重构方法、系统、介质及设备 |
CN111915490A (zh) * | 2020-08-14 | 2020-11-10 | 深圳清研智城科技有限公司 | 一种基于多尺度特征的车牌图像超分辨率重建模型及方法 |
CN112800993A (zh) * | 2021-02-03 | 2021-05-14 | 北华航天工业学院 | 一种基于离散小波变换的区域尺度工业厂房信息增强方法 |
CN113191325A (zh) * | 2021-05-24 | 2021-07-30 | 中国科学院深圳先进技术研究院 | 一种图像融合方法、系统及其应用 |
-
2011
- 2011-12-05 CN CN201110014846.7A patent/CN106508048B/zh active Active
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111263128A (zh) * | 2018-11-30 | 2020-06-09 | 展讯通信(上海)有限公司 | 图像插值方法及装置、存储介质、终端 |
CN111263128B (zh) * | 2018-11-30 | 2021-06-25 | 展讯通信(上海)有限公司 | 图像插值方法及装置、存储介质、终端 |
CN109726748A (zh) * | 2018-12-21 | 2019-05-07 | 长沙理工大学 | 一种基于频带特征融合的gl-cnn遥感图像场景分类方法 |
CN109726748B (zh) * | 2018-12-21 | 2020-10-09 | 长沙理工大学 | 一种基于频带特征融合的gl-cnn遥感图像场景分类方法 |
CN111626934A (zh) * | 2020-05-14 | 2020-09-04 | 山东师范大学 | 高空间分辨率多光谱图的重构方法、系统、介质及设备 |
CN111915490A (zh) * | 2020-08-14 | 2020-11-10 | 深圳清研智城科技有限公司 | 一种基于多尺度特征的车牌图像超分辨率重建模型及方法 |
CN112800993A (zh) * | 2021-02-03 | 2021-05-14 | 北华航天工业学院 | 一种基于离散小波变换的区域尺度工业厂房信息增强方法 |
CN113191325A (zh) * | 2021-05-24 | 2021-07-30 | 中国科学院深圳先进技术研究院 | 一种图像融合方法、系统及其应用 |
CN113191325B (zh) * | 2021-05-24 | 2023-12-12 | 中国科学院深圳先进技术研究院 | 一种图像融合方法、系统及其应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
CN109509152B (zh) | 一种基于特征融合的生成对抗网络的图像超分辨率重建方法 | |
CN112507997B (zh) | 一种基于多尺度卷积和感受野特征融合的人脸超分辨系统 | |
CN112767251B (zh) | 基于多尺度细节特征融合神经网络的图像超分辨率方法 | |
CN106508048B (zh) | 一种基于多尺度基本形式的相似尺度图像融合方法 | |
CN112734646B (zh) | 一种基于特征通道划分的图像超分辨率重建方法 | |
CN113673590B (zh) | 基于多尺度沙漏密集连接网络的去雨方法、系统和介质 | |
CN116309070A (zh) | 一种高光谱遥感图像超分辨率重建方法、装置及计算机设备 | |
CN117788296B (zh) | 基于异构组合深度网络的红外遥感图像超分辨率重建方法 | |
CN115511767A (zh) | 一种自监督学习的多模态图像融合方法及其应用 | |
CN115578262A (zh) | 基于afan模型的偏振图像超分辨率重建方法 | |
Ye et al. | An unsupervised SAR and optical image fusion network based on structure-texture decomposition | |
CN112686830B (zh) | 基于图像分解的单一深度图的超分辨率方法 | |
CN113538402A (zh) | 一种基于密度估计的人群计数方法及系统 | |
CN117333750A (zh) | 空间配准与局部全局多尺度的多模态医学图像融合方法 | |
CN116681592A (zh) | 基于多尺度自适应非局部注意力网络的图像超分辨率方法 | |
Gao et al. | Algorithms of image fusion based on wavelet transform | |
Kuang | Single image super resolution reconstruction algorithm based on deep learning | |
CN117911830B (zh) | 一种光谱保真的全局交互高光谱多光谱跨模态融合方法 | |
CN117576483B (zh) | 基于多尺度卷积自编码器的多源数据融合地物分类方法 | |
Wen et al. | Overview of traditional denoising and deep learning-based denoising | |
Liu et al. | Super-resolution reconstruction of thermal imaging of power equipment based on Generative Adversarial Network with Channel Filtering | |
He | An Adaptive Fusion Method of Color Indoor Images Based on Improved U-shaped Neural Network | |
Wang et al. | Neighbor Spectra Maintenance and Context Affinity Enhancement for Single Hyperspectral Image Super-Resolution | |
Ding et al. | Remote Sensing Image Denoising Based on Multi-Scale Feature Fusion and Regional Contextual Information |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR03 | Grant of secret patent right | ||
GRSP | Grant of secret patent right | ||
DC01 | Secret patent status has been lifted | ||
DCSP | Declassification of secret patent |