CN107451951A - 一种结合低秩表示和图像融合的高光谱图像降维方法 - Google Patents
一种结合低秩表示和图像融合的高光谱图像降维方法 Download PDFInfo
- Publication number
- CN107451951A CN107451951A CN201710568428.XA CN201710568428A CN107451951A CN 107451951 A CN107451951 A CN 107451951A CN 201710568428 A CN201710568428 A CN 201710568428A CN 107451951 A CN107451951 A CN 107451951A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- msub
- low
- rank
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000009467 reduction Effects 0.000 title claims abstract description 16
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 65
- 230000004927 fusion Effects 0.000 claims description 30
- 238000010187 selection method Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
- G06T3/067—Reshaping or unfolding 3D tree structures onto 2D planes
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种结合低秩表示和图像融合的高光谱图像降维方法，包含如下步骤：变换数据空间；显著性检测；计算相似度；融合相似波段；得到融合数据；恢复图像数据。本发明能够有效地减少高光谱图像的波段数，实现对高光谱图像的降维，同时能去除大量的冗余信息，提高高光谱图像的分类效率，因此具有较高的使用价值。
Description
技术领域
本发明涉及一种结合低秩表示和图像融合的高光谱图像降维方法，属于高光谱图像降维处理技术领域。
背景技术
高光谱遥感图像自上个世纪80年代兴起后一直处于对遥感图像研究的前沿，高光谱遥感图像是结合成像技术与光谱技术来共同获取数据，其获取的数据不仅具有地物的二维空间信息，还包括了一维的光谱信息。高光谱图像具有更高的分辨率，带来的好处显而易见，但其数据中一个潜在的缺点也不容忽视。从多光谱到高光谱的一个显著的转变就是数据量的大大增加，这就导致了不仅人工解译变得耗时耗力，而且使得分类器训练也变得不尽如人意，即“维数灾难”。高光谱图像中的波段较多，可能有几十甚至几百个波段，这些波段在提供详细且丰富的地物信息的同时，也具有很强的相关性，尤其是相邻的波段之间相关性更强，导致数据中存在大量的冗余信息。研究发现其实在高光谱图像的分类实验中并不是所有的波段都对实验的效果做出积极的贡献，甚至可以舍弃其中94％的光谱波段而最终并不会对分类精度造成影响。如何有效地降低数据维度，减少数据的冗余信息，提高高光谱图像的质量，也是一个亟待解决的问题。
发明内容
本发明所要解决的技术问题是：提供一种结合低秩表示和图像融合的高光谱图像降维方法，有效降低了高光谱图像的数据维度。
本发明为解决上述技术问题采用以下技术方案：
一种结合低秩表示和图像融合的高光谱图像降维方法，包括如下步骤：
步骤1，将给定的高光谱图像X转换成空间光谱联合的二维矩阵D；
步骤2，采用低秩表示对高光谱图像X的空间光谱联合的二维矩阵D进行显著性检测，将二维矩阵D分解成一个低秩矩阵L＝AZ和一个稀疏矩阵E；
步骤3，对于低秩矩阵L＝[l1,l2,…,lb]T中的每个波段li,i＝1,…,b，计算其与其他各波段之间的差异性，将差异性最小的波段与波段li视为一对最相似波段，从而得到对最相似波段，b是高光谱图像X的波段数；
步骤4，对每一对最相似波段，采用绝对值选大法的融合规则对最相似波段的对应的低秩系数进行融合，得到新的低秩系数矩阵Zd，同样采用绝对值选大法的融合规则对最相似波段对应的稀疏矩阵进行融合，得到新的稀疏矩阵Ed；
步骤5，根据新的低秩系数矩阵Zd和新的稀疏矩阵Ed，利用低秩模型重构新的空间光谱联合的二维矩阵Dd；
步骤6，根据步骤1的逆变换将新的空间光谱联合的二维矩阵Dd转化为新的高光谱图像。
作为本发明的一种优选方案，所述步骤2具体过程为：
对高光谱图像X的空间光谱联合的二维矩阵D，其低秩模型表示为：
D＝L+E
其中，L∈Rb×mn代表低秩矩阵，E∈Rb×mn代表稀疏矩阵，m、n分别是高光谱图像X空间结构的行数、列数，b是高光谱图像X的波段数，R表示空间；
则该低秩模型的求解模型表示为：
s.t.D＝AZ+E
其中，A∈Rb×mn为字典矩阵，Z∈Rmn×mn为低秩系数矩阵，λ为低秩模型折中因子，||||0表示0范数；
将上述求解模型转换为如下凸优化问题：
s.t.D＝DZ+E
其中，|| ||*表示核范数，|| ||1表示1范数；
利用增广拉格朗日乘子法求解上述凸优化问题，得到低秩系数矩阵Z和稀疏矩阵E。
作为本发明的一种优选方案，步骤3所述差异性，计算公式为：
其中，εij表示波段li与波段lj之间的差异性，表示2范数的平方，b是高光谱图像X的波段数。
作为本发明的一种优选方案，所述步骤4具体过程为：
对每一对最相似波段li、lj，i＝1,…,b,j＝1,…,b,j≠i，b是高光谱图像X的波段数，采用绝对值选大法的融合规则对最相似波段的对应的低秩系数Zi、Zj进行融合，得到新的低秩系数矩阵融合规则如下：
采用绝对值选大法的融合规则对最相似波段对应的稀疏矩阵Ei、Ej进行融合，得到新的稀疏矩阵融合规则如下：
作为本发明的一种优选方案，步骤5所述新的空间光谱联合的二维矩阵Dd，表示为：
Dd＝DZd+Ed
其中，D为空间光谱联合的二维矩阵，Zd为新的低秩系数矩阵，Ed为新的稀疏矩阵。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明能够有效地降低数据维度，去除大量的冗余信息，提高后续分类的准确率，因此具有较高的使用价值。
附图说明
图1是本发明高光谱图像降维方法的整体架构图。
图2是本发明显著性检测方法的求解流程。
图3是本发明高光谱图像降维方法的使用流程。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
如图1所示，本发明公开了一种结合低秩表示和图像融合的高光谱图像降维方法，包含如下步骤：
步骤1，变换数据空间：为了方便数据的综合处理，需要将三维的高光谱图像X，转换成空间光谱联合的二维矩阵D；
对于任一幅高光谱图像X∈Rm×n×b，其中m、n分别是其空间结构的行数和列数，b是波段数。将高光谱图像的每个像元在所有波段上的值记为向量dw∈Rb(w＝1,2,…,mn)，那么所有像元dw放在一起就构成了一个空间光谱联合的二维矩阵D＝[d1,d2,…,dmn]∈Rb×mn。
步骤2，显著性检测：采用低秩表示(LRR)对高光谱图像的空间光谱联合的二维矩阵D进行显著性检测，将图像数据分解成一个低秩的主要特征部分L＝AZ和一个稀疏的显著特征部分E；显著性检测具体包括如下步骤：
首先对一幅无噪的高光谱遥感图像数据X∈Rm×n×b，转换为与其对应的空间光谱联合的二维矩阵D∈Rb×mn。其低秩模型可以表示为：
D＝L+E
其中L∈Rb×mn代表低秩部分，它包含了二维矩阵D的主要信息，E∈Rb×mn是稀疏部分，包含了二维矩阵D的显著信息。那么其求解模型则表示为：
s.t.D＝AZ+E
其中L＝AZ，A∈Rb×mn为字典矩阵，此处选择数据本身作为字典矩阵，Z∈Rmn×mn为低秩系数。根据相关知识，将上述模型转换成如下一个凸优化问题：
s.t.D＝DZ+E
其中DZ就代表了主要特征信息，E则代表了显著的特征信息。
对于上述模型的求解首先为优化问题引入一个新的矩阵J∈Rn×n，转化为其等价问题，即：
s.t.D＝DZ+E,Z＝J
再为其构造增广拉格朗日乘子函数：
其中Y1∈Rm×n，Y2∈Rn×n是拉格朗日乘子，μ(>0)为惩罚因子。
(1)固定其他项，J的更新公式为：
(2)固定其他项，更新Z：
(3)固定其他项，更新E：
(4)更新拉格朗日乘子Y1、Y2，其迭代公式为：
(5)更新参数μ，其迭代公式为：
μk+1＝min(ρμk,μmax)
其中，ρ>1是常数。
(6)最后一步，判断迭代终止条件，即满足下列条件，迭代终止输出Z、E，否则继续迭代：
||D-DZ-E||∞<ε&&||Z-J||∞<ε
其中，ε是一个非常小的正数。
步骤2方法的求解流程如图2所示。
步骤3，计算相似度：分别计算每个波段的主要特征L＝AZ之间的差异性，找出差异性最小即最相似的两个波段；计算相似度具体包括如下步骤：
对于主要特征部分L＝[l1,l2,…,lb]T中的任一波段li，寻找与其最相似的波段lj，首先计算剩余所有波段与当前波段的差异性，差异性最小的即为最相似的波段：
其中i和j分别表示L中的来自两个波段的主要特征的标号。εij为两者之间的误差。当找出两个主要特征最相似的波段时，那么这两个波段的对应的显著特征便也可以轻松找出来。
步骤4，融合相似波段：低秩系数Z的元素的绝对值越大其在字典上的响应越强，即越大的系数表征更为显著的特征，因此采用绝对值选大法的融合规则对最相似波段的低秩系数Zi和Zj进行融合，同样采用绝对值选大法的融合规则对Ei和Ej进行融合；融合相似波段包括以下步骤：
为了获得这两个波段的融合波段，需要将源波段对应的低秩系数Zi和Zj融合成新的低秩系数将显著的稀疏部分Ei和Ej合成融合的显著部分低秩系数表示的是波段在数据字典上的响应，系数值越大则表明其响应越强，即越大的系数表征更为显著的特征信息。而图像融合的目的就是提取源图像的特征，综合成高质量的图像，因此选用绝对值最大法作为低秩系数的融合规则：
对稀疏部分E也采用相同的融合规则：
步骤5，得到融合数据：利用低秩模型重构新的空间光谱联合的二维矩阵Dd；
获得融合后的主要特征的低秩系数和显著特征，可以利用低秩模型重构新的空间光谱联合的二维矩阵Dd：
Dd＝DZd+Ed
步骤6，恢复图像数据：根据步骤1的逆变换再将二维矩阵Dd转化为新的高光谱遥感图像。
如图3所示，为本发明高光谱图像降维方法的使用流程。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (5)
1.一种结合低秩表示和图像融合的高光谱图像降维方法，其特征在于，包括如下步骤：
步骤1，将给定的高光谱图像X转换成空间光谱联合的二维矩阵D；
步骤2，采用低秩表示对高光谱图像X的空间光谱联合的二维矩阵D进行显著性检测，将二维矩阵D分解成一个低秩矩阵L＝AZ和一个稀疏矩阵E；
步骤3，对于低秩矩阵L＝[l1,l2,…,lb]T中的每个波段li,i＝1,…,b，计算其与其他各波段之间的差异性，将差异性最小的波段与波段li视为一对最相似波段，从而得到对最相似波段，b是高光谱图像X的波段数；
步骤4，对每一对最相似波段，采用绝对值选大法的融合规则对最相似波段的对应的低秩系数进行融合，得到新的低秩系数矩阵Zd，同样采用绝对值选大法的融合规则对最相似波段对应的稀疏矩阵进行融合，得到新的稀疏矩阵Ed；
步骤5，根据新的低秩系数矩阵Zd和新的稀疏矩阵Ed，利用低秩模型重构新的空间光谱联合的二维矩阵Dd；
步骤6，根据步骤1的逆变换将新的空间光谱联合的二维矩阵Dd转化为新的高光谱图像。
2.根据权利要求1所述结合低秩表示和图像融合的高光谱图像降维方法，其特征在于，所述步骤2具体过程为：
对高光谱图像X的空间光谱联合的二维矩阵D，其低秩模型表示为：
D＝L+E
其中，L∈Rb×mn代表低秩矩阵，E∈Rb×mn代表稀疏矩阵，m、n分别是高光谱图像X空间结构的行数、列数，b是高光谱图像X的波段数，R表示空间；
则该低秩模型的求解模型表示为：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>Z</mi>
<mo>,</mo>
<mi>E</mi>
</mrow>
</munder>
</mtd>
<mtd>
<mrow>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>Z</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>E</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
s.t. D＝AZ+E
其中，A∈Rb×mn为字典矩阵，Z∈Rmn×mn为低秩系数矩阵，λ为低秩模型折中因子，||||0表示0范数；
将上述求解模型转换为如下凸优化问题：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>Z</mi>
<mo>,</mo>
<mi>E</mi>
</mrow>
</munder>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>Z</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mo>*</mo>
</msub>
<mo>+</mo>
<mi>&lambda;</mi>
<mo>|</mo>
<mo>|</mo>
<mi>E</mi>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>1</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
s.t. D＝DZ+E
其中，||||*表示核范数，||||1表示1范数；
利用增广拉格朗日乘子法求解上述凸优化问题，得到低秩系数矩阵Z和稀疏矩阵E。
3.根据权利要求1所述结合低秩表示和图像融合的高光谱图像降维方法，其特征在于，步骤3所述差异性，计算公式为：
<mrow>
<msub>
<mi>&epsiv;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>l</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<msub>
<mi>l</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mn>2</mn>
<mn>2</mn>
</msubsup>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>b</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>b</mi>
<mo>,</mo>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
</mrow>
其中，εij表示波段li与波段lj之间的差异性，表示2范数的平方，b是高光谱图像X的波段数。
4.根据权利要求1所述结合低秩表示和图像融合的高光谱图像降维方法，其特征在于，所述步骤4具体过程为：
对每一对最相似波段li、lj，i＝1,…,b,j＝1,…,b,j≠i，b是高光谱图像X的波段数，采用绝对值选大法的融合规则对最相似波段的对应的低秩系数Zi、Zj进行融合，得到新的低秩系数矩阵融合规则如下：
<mrow>
<msubsup>
<mi>Z</mi>
<mi>p</mi>
<mi>d</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>Z</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mrow>
<mo>|</mo>
<msub>
<mi>Z</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>Z</mi>
<mi>j</mi>
</msub>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
采用绝对值选大法的融合规则对最相似波段对应的稀疏矩阵Ei、Ej进行融合，得到新的稀疏矩阵融合规则如下：
<mrow>
<msubsup>
<mi>E</mi>
<mi>p</mi>
<mi>d</mi>
</msubsup>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
</mtd>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>i</mi>
<mi>f</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mrow>
<mo>|</mo>
<msub>
<mi>E</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mrow>
<mo>|</mo>
<msub>
<mi>E</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>E</mi>
<mi>j</mi>
</msub>
</mtd>
<mtd>
<mrow>
<mi>e</mi>
<mi>l</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
5.根据权利要求1所述结合低秩表示和图像融合的高光谱图像降维方法，其特征在于，步骤5所述新的空间光谱联合的二维矩阵Dd，表示为：
Dd＝DZd+Ed
其中，D为空间光谱联合的二维矩阵，Zd为新的低秩系数矩阵，Ed为新的稀疏矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710568428.XA CN107451951A (zh) | 2017-07-13 | 2017-07-13 | 一种结合低秩表示和图像融合的高光谱图像降维方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710568428.XA CN107451951A (zh) | 2017-07-13 | 2017-07-13 | 一种结合低秩表示和图像融合的高光谱图像降维方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107451951A true CN107451951A (zh) | 2017-12-08 |
Family
ID=60488560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710568428.XA Pending CN107451951A (zh) | 2017-07-13 | 2017-07-13 | 一种结合低秩表示和图像融合的高光谱图像降维方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107451951A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109410157A (zh) * | 2018-06-19 | 2019-03-01 | 昆明理工大学 | 基于低秩稀疏分解和pcnn的图像融合方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886334A (zh) * | 2014-04-08 | 2014-06-25 | 河海大学 | 一种多指标融合的高光谱遥感影像降维方法 |
| CN105046276A (zh) * | 2015-07-14 | 2015-11-11 | 西安电子科技大学 | 基于低秩表示的高光谱图像波段选择方法 |
| CN105574548A (zh) * | 2015-12-23 | 2016-05-11 | 北京化工大学 | 一种基于稀疏和低秩表示图的高光谱数据降维方法 |
| CN106408530A (zh) * | 2016-09-07 | 2017-02-15 | 厦门大学 | 基于稀疏与低秩矩阵逼近的高光谱图像恢复方法 |
| CN106709896A (zh) * | 2016-12-08 | 2017-05-24 | 江苏大学 | 一种医学图像融合方法 |
-
2017
- 2017-07-13 CN CN201710568428.XA patent/CN107451951A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886334A (zh) * | 2014-04-08 | 2014-06-25 | 河海大学 | 一种多指标融合的高光谱遥感影像降维方法 |
| CN105046276A (zh) * | 2015-07-14 | 2015-11-11 | 西安电子科技大学 | 基于低秩表示的高光谱图像波段选择方法 |
| CN105574548A (zh) * | 2015-12-23 | 2016-05-11 | 北京化工大学 | 一种基于稀疏和低秩表示图的高光谱数据降维方法 |
| CN106408530A (zh) * | 2016-09-07 | 2017-02-15 | 厦门大学 | 基于稀疏与低秩矩阵逼近的高光谱图像恢复方法 |
| CN106709896A (zh) * | 2016-12-08 | 2017-05-24 | 江苏大学 | 一种医学图像融合方法 |
Non-Patent Citations (1)
| Title |
|---|
| 韩超: ""基于稀疏表示和低秩表示的高光谱图像波段选择方法研究"", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109410157A (zh) * | 2018-06-19 | 2019-03-01 | 昆明理工大学 | 基于低秩稀疏分解和pcnn的图像融合方法 |
| CN109410157B (zh) * | 2018-06-19 | 2022-02-08 | 昆明理工大学 | 基于低秩稀疏分解和pcnn的图像融合方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dong et al. | Deep spatial–spectral representation learning for hyperspectral image denoising | |
| CN106709881B (zh) | 一种基于非凸低秩矩阵分解的高光谱图像去噪方法 | |
| Qi et al. | Multi-dimensional sparse models | |
| Huang et al. | Deep hyperspectral image fusion network with iterative spatio-spectral regularization | |
| CN114119444B (zh) | 一种基于深度神经网络的多源遥感图像融合方法 | |
| CN110415199B (zh) | 基于残差学习的多光谱遥感图像融合方法及装置 | |
| CN103871041B (zh) | 基于认知正则化参数构建的图像超分辨率重构方法 | |
| CN104867124B (zh) | 基于对偶稀疏非负矩阵分解的多光谱与全色图像融合方法 | |
| CN107977951B (zh) | 基于耦合张量分解的多光谱与高光谱图像融合方法 | |
| Xu et al. | Hyperspectral computational imaging via collaborative Tucker3 tensor decomposition | |
| CN103150713A (zh) | 利用图像块分类稀疏表示与自适应聚合的图像超分辨方法 | |
| CN106097278B (zh) | 一种多维信号的稀疏模型、重建方法和字典训练方法 | |
| CN108520495B (zh) | 基于聚类流形先验的高光谱图像超分辨重建方法 | |
| CN114998167B (zh) | 一种基于空间-光谱联合低秩的高光谱与多光谱图像融合方法 | |
| CN102842115A (zh) | 基于双重字典学习的压缩感知图像超分辨率重建方法 | |
| Gao et al. | Multi-modal convolutional dictionary learning | |
| Liu et al. | Research on super-resolution reconstruction of remote sensing images: A comprehensive review | |
| CN114022393A (zh) | 基于全变分和低秩方向稀疏约束的图像条带噪声去除算法 | |
| CN104820967B (zh) | 在轨计算成像方法 | |
| CN115131258A (zh) | 一种基于稀疏张量先验的高光谱、多光谱和全色图像融合方法 | |
| CN104504672A (zh) | 基于NormLV特征的低秩稀疏邻域嵌入超分辨方法 | |
| CN115984155A (zh) | 一种基于光谱解混的高光谱、多光谱和全色图像融合方法 | |
| CN106780423B (zh) | 一种基于少数波段高分辨率图像的光谱重建方法 | |
| CN106780424A (zh) | 一种基于极少数优化选择波段的高光谱图像获取方法 | |
| CN106296583A (zh) | 基于图像块组稀疏编码与成对映射的含噪高光谱图像超分辨率重构方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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: 20171208 |