CN108460749B - 一种高光谱与多光谱图像的快速融合方法 - Google Patents

一种高光谱与多光谱图像的快速融合方法 Download PDF

Info

Publication number
CN108460749B
CN108460749B CN201810230035.2A CN201810230035A CN108460749B CN 108460749 B CN108460749 B CN 108460749B CN 201810230035 A CN201810230035 A CN 201810230035A CN 108460749 B CN108460749 B CN 108460749B
Authority
CN
China
Prior art keywords
resolution
image
hyperspectral
low
model
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
Application number
CN201810230035.2A
Other languages
English (en)
Other versions
CN108460749A (zh
Inventor
陈渤
李婉萍
王正珏
张昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201810230035.2A priority Critical patent/CN108460749B/zh
Publication of CN108460749A publication Critical patent/CN108460749A/zh
Application granted granted Critical
Publication of CN108460749B publication Critical patent/CN108460749B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • 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
    • G06T2207/20081—Training; Learning
    • 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

本发明公开了一种高光谱与多光谱图像的快速融合方法，其实现步骤为：(1)建立训练集与测试集；(2)输入光谱图像；(3)建立概率生成模型；(4)训练概率生成模型；(5)得到融合后的光谱图像。本发明克服了现有技术中表征能力弱，模型不稳定和运算时间长的问题，生成的高分辨率的高光谱图像包含更多的信息，并且利用无先验条件的空间转换矩阵，使得模型更加稳定，融合速度更快，是一种高速高效的高光谱图像融合处理方法。

Description

一种高光谱与多光谱图像的快速融合方法
技术领域
本发明属于图像处理技术领域，更进一步涉及图像融合技术领域的一种高光谱与多光谱图像的快速融合方法。本发明可用于低分辨率的高光谱图像与高分辨率的多光谱图像，利用图像融合技术，生成高分辨率的高光谱图像。
背景技术
高光谱图像集图像信息与光谱信息于一身，图像信息可以反映样本的大小、形状、缺陷等外部品质特征，由于不同成分对光谱吸收的多少不同，在某个特定波长下图像对某个缺陷会有较显著的反映，这些特点决定了高光谱图像在检测方面的独特优势。与多光谱图像相比，高光谱图像不仅在信息丰富程度方面有了极大的提高，在处理技术上也使对光谱数据进行更为合理的、有效的分析处理提供了可能。因此，高光谱图像在各个领域得到广泛的应用，包括矿产探测、环境检测、生物医学等。但是，由于硬件和预算等约束，要在高光谱传感器的空间分辨率和光谱分辨率之间进行权衡。因此，开发基于软件技术来提高高光谱图像的空间分辨率具有重要的现实意义。现有的图像融合算法主要分两种：基于非多尺度变换的图像融合方法、基于多尺度变换的图像融合算法。
R.Dian,L.Fang,S.Li等人在其发表的论文“Hyperspectral image super-resolution via non-local sparse tensor factorization.”(IEEE Conference onComputer Vision and Pattern Recognition,2017,pages3862–3871.)中公开了一种基于非局部稀疏张量分解的光谱图像融合方法。该方法首先将高光谱图像块分解为一个核张量和三个模方向的字典，从低分辨率的高光谱图像中学习谱字典，从高分辨率的多光谱图像学习宽高字典，最后通过对每一个块进行稀疏编码学习核心张量，完成光谱图像的融合。该方法在高光谱图像重建技术中表现出了较好的性能，也很好的保留了光谱图像结构上的信息。但是，该方法仍然存在的不足之处是：该方法并没有考虑到利用低分辨率的高光谱图像的信息，谱字典与宽高字典之间没有联系，使得该方法得到的高光谱图像不能很好的保留图像维的信息，且该方法需要不断迭代来实现图像的融合问题，造成融合图像的速度变差。
北京航空航天大学在其申请的专利文献“基于光谱重构的三步高光谱图像融合方法”(专利申请专利号201310656056.8，公开号103714572A)中提出了一种基于光谱重构的高光谱图像融合方法。该方法通过高光谱图像波段选择模块设计波段选择矩阵，再通过高光谱图像-高空间分辨率图像融合模块对输入的图像进行主成分分析融合，经过高精度光谱重构输出最终融合图像。该方法减少了融合数据，降低光谱畸变概率，提升光谱保持性并增强了图像质量。但是，该方法仍然存在的不足之处是：该方法只是利用了一个线性模型来表征图像，只利用了浅层的概率模型融合图像，并不能体现出原图像中的所有信息，其中涉及的方法限制了最终得到的图像所包含的信息。
发明内容
本发明的目的在于针对上述现有技术的缺陷，提出了一种高光谱与多光谱图像的快速融合方法，利用非线性模型对样本建模，提高生成的高分辨率的高光谱图像的分辨率的同时提高生成图像的速度。
实现本发明上述目的的思路是：建立训练集与测试集，并输入光谱图像；将训练集中的低分辨率的高光谱图像输入低分辨生成子模型，高分辨率的多光谱图像输入高分辨生成子模型；训练概率生成模型时，同时训练低分辨生成子模型与高分辨生成子模型的隐层与模型参数，利用随机梯度下降算法对其进行更新；为了得到融合后的高光谱图像，将测试集中的高分辨率的多光谱图像输入高分辨生成子模型，用训练概率生成模型时得到的参数生成高分辨率的高光谱图像，实现对低分辨率的高光谱图像与高分辨率的多光谱图像的融合。
为实现上述目的，本发明的具体步骤如下：
(1)建立训练集与测试集：
(1a)建立一个用于训练模型的训练集，与一个用于测试模型的测试集，两者均为空集；
(2)输入光谱图像：
(2a)将单幅低分辨率的高光谱图像，以及该高光谱图像对应的相同场景下的高分辨率的多光谱图像，输入到训练集中，同时将两者之间的光谱转换矩阵输入训练集中；
(2b)将与训练集中不同的单幅低分辨率的高光谱图像，以及该高光谱图像对应的高分辨率的多光谱图像，输入到测试集中，同时将两者之间的光谱转换矩阵输入到测试集中；
(3)建立概率生成模型：
(3a)建立一个低分辨生成子模型，该子模型包含一个低分辨图像输入层、两个隐层和一个顶层，每层之间有一个多层感知机操作；
(3b)建立一个高分辨生成子模型，该子模型包含一个高分辨图像输入层、三个隐层和一个顶层，每层之间有一个多层感知机操作；
(4)训练概率生成模型：
(4a)将训练集中的低分辩率的高光谱图像，输入到概率生成模型中的低分辨生成子模型，同时将训练集中的高分辨率的多光谱图像，输入到概率生成模型中的高分辨生成子模型；
(4b)使用随机梯度下降算法，对高光谱与多光谱图像联合分布的对数求梯度，最大化该对数，得到低分辨生成子模型和高分辨生成子模型的隐层与所有模型参数；
(5)得到融合后的光谱图像：
(5a)将测试集中的低分辨率的高光谱图像，输入到低分辩子模型中，同时将测试集中的高分辨率的多光谱图像，输入到高分辨生成子模型中，使用训练好的模型参数，得到重构的高分辨率的高光谱图像；
(5b)对重构的高分辨率的高光谱图像进行优化处理，得到融合后的高分辨率的高光谱图像。
本发明与现有的技术相比具有以下优点：
第一，由于本发明建立一个低分辨生成子模型，该子模型包含一个低分辨图像输入层、两个隐层和一个顶层，每层之间有一个多层感知机操作，克服了现有技术中利用了一个线性模型来表征图像，只用了浅层的概率模型融合图像，并不能体现出原图像中的所有信息，其中涉及的方法限制了最终得到的图像所包含的信息的问题，使得本发明生成的高分辨率的高光谱图像包含更多的信息。
第二，由于本发明同时训练低分辨生成子模型与高分辨生成子模型的隐层与模型参数，克服了现有技术中并没有考虑到利用低分辨率的高光谱图像的信息，谱字典与宽高字典之间没有联系的问题，使得本发明具有广泛的实际应用价值，方法的可行性与稳健性更好。
第三，由于本发明利用学习的方式，先用训练集图像训练模型，再得到融合后的光谱图像，克服了现有技术中必须经过不断迭代来实现图像的融合问题，导致运算时间长的问题，使得本发明测试时间短，生成高分辨率的高光谱图像的效率更高。
附图说明
图1是本发明的流程图；
图2是本发明实施例中低分辨率的高光谱图像；
图3是本发明实施例中高分辨率的多光谱图像；
图4是采用本发明得到的最终的高分辨率的高光谱图像。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1，本发明的具体实施步骤如下。
步骤1.建立训练集与测试集：。
建立一个用于训练模型的训练集，与一个用于测试模型的测试集，两者均为空集。
步骤2.输入光谱图像。
将单幅低分辨率的高光谱图像，以及该高光谱图像对应的相同场景下的高分辨率的多光谱图像，输入到训练集中，同时将两者之间的光谱转换矩阵输入训练集中。
所述低分辨率的高光谱图像是指，光谱维分辨率高，图像维分辨率低的图像。
所述高分辨率的多光谱图像是指，光谱维分辨率低，图像维分辨率高的图像。
所述光谱转换矩阵如下：
Xm＝Φ·Xh+nm
其中，Xm表示高分辨率的多光谱图像，且满足
Figure GDA0002336065740000041
其中，∈表示属于符号，
Figure GDA0002336065740000042
表示实数域，E表示光谱图像的光谱维度为E维，E取值为正整数，AB表示光谱图像的图像维度为A×B维，A与B取值为正整数，Φ表示光谱转换矩阵，·表示乘法符号，Xh表示高分辨率的高光谱图像，且满足
Figure GDA0002336065740000043
其中，F表示光谱图像的光谱维度为F维，F取值为正整数,nm表示高光谱与多光谱图像之间的噪声，且满足
Figure GDA0002336065740000051
将与训练集中不同的单幅低分辨率的高光谱图像，以及该高光谱图像对应的高分辨率的多光谱图像，输入到测试集中，同时将两者之间的光谱转换矩阵输入到测试集中。
步骤3.建立概率生成模型。
建立一个低分辨生成子模型，该子模型包含一个低分辨图像输入层、两个隐层和一个顶层，每层之间有一个多层感知机操作。
所述的低分辨生成子模型的参数设置如下：
将低分辨率的高光谱图像的分布近似为高斯分布，其初始均值设置为0，初始方差设置为1，多层感知机操作的激活函数为双曲正切函数，初始权值设置为1，初始偏置设置为0。
建立一个高分辨生成子模型，该子模型包含一个高分辨图像输入层、三个隐层和一个顶层，每层之间有一个多层感知机操作。
所述的高分辨生成子模型的参数设置如下：
将高分辨率的多光谱图像的分布近似为高斯分布，其初始均值设置为0，初始方差设置为1，多层感知机操作的激活函数为双曲正切函数，初始权值设置为1，初始偏置设置为0。
步骤4.训练概率生成模型。
将训练集中的高光谱图像，输入到概率生成模型中的低分辨生成子模型，同时将训练集中的多光谱图像，输入到概率生成模型中的高分辨生成子模型。
使用随机梯度下降算法，对高光谱与多光谱图像联合分布的对数求梯度，最大化该对数，得到低分辨生成子模型和高分辨生成子模型的隐层与所有模型参数。
步骤5.得到融合后的光谱图像。
将测试集中的低分辨率的高光谱图像，输入到低分辩子模型中，同时将测试集中的高分辨率的多光谱图像，输入到高分辨生成子模型中，使用训练好的模型参数，得到重构的高分辨率的高光谱图像。
对重构的高分辨率的高光谱图像进行优化处理，得到融合后的高分辨率的高光谱图像。
所述的对重构的高分辨率的高光谱图像进行优化处理是指利用下式进行的操作：
Figure GDA0002336065740000061
其中，
Figure GDA0002336065740000062
表示最终的高分辨率的高光谱图像，
Figure GDA0002336065740000063
表示使函数取最小值时Xh的值，||·||表示范数操作，S表示下采样操作，H表示高斯平滑滤波操作，其中高斯平滑滤波操作是根据高斯函数的形状选择滤波权值的线性平滑滤波操作，
Figure GDA0002336065740000064
表示二范数的二次方操作，c表示常数0.1，
Figure GDA0002336065740000065
表示重构的高分辨率的高光谱图像。
本发明的效果可通过以下仿真进一步说明。
1.仿真条件：
本发明的仿真试验是在主频3.2GHz的Intel(R)Core(TM)i5-6500CPU、内存8GB的硬件环境和基于Python2.5的软件环境下进行的。
2.仿真内容：
本发明仿真是对例如图2的高分辨率的多光谱图像与图3的低分辨率的高光谱图像进行仿真实验，图2与图3来源于公开的CAVE图像集。本发明仿真所用的训练集为公开的具有50幅高分辨率的高光谱图像的Harvard图像集，所用测试集来自于CAVE图像集，由32幅高分辨率的高光谱图像。
本发明仿真内容为：采用本发明的方法用训练样本训练概率生成模型，用测试样本测试概率生成模型后，得到如图4的最终的高分辨率的高光谱图像。
3.仿真效果分析：
用本发明的方法、现有GSOMP和BSR的方法对测试集CAVE的图像作为测试数据进行图像融合实验，采用均方根误差RMSE、光谱角匹配SAM和测试时间来作为比较标准，当RMSE值与SAM值越高，图像融合的结果越好，测试时间越短，图像融合的速度越高。
其中，GSOMP是一种基于正交匹配的高光谱图像融合方法，BSR是一种基于贝叶斯稀疏表示的高光谱图像融合方法，结果如表1。
表1.GSOMP、BSR、本发明方法在仿真中得到的RMSE、SAM和测试时间
方法 RMSE() SAM(°) 测试时间(秒)
GSOMP 1.52 1.64 290
BSR 1.57 1.61 2897
本发明 1.31 1.29 4.68
表1为GSOMP、BSR、本发明方法在仿真中得到的RMSE、SAM和测试时间的统计结果，以上结果表示：与现有的GSOMP和BSR光谱图像融合方法相比，本发明得到的均方根误差RMSE和光谱角匹配SAM更小，测试时间更短，表示本发明提出的这种基于概率生成模型的高光谱与多光谱图像融合方法，改进了上述两种方法的不足，能使生成高分辨率的高光谱图像的效果更好，效率更高。

Claims (7)

1.一种高光谱与多光谱图像的快速融合方法，其特征在于，将低分辨率的高光谱图像输入概率生成模型的低分辨生成子模型，将高分辨的多光谱图像输入概率生成模型的高分辨子模型，使用随机梯度下降算法，得到低分辨生成子模型和高分辨生成子模型的隐层与所有模型参数，使用训练好的模型参数，得到重构的高分辨率的高光谱图像，对重构的高分辨率的高光谱图像进行优化处理，得到融合后的高分辨率的高光谱图像，该方法的具体步骤包括如下：
(1)建立训练集与测试集：
(1a)建立一个用于训练模型的训练集，与一个用于测试模型的测试集，两者均为空集；
(2)输入光谱图像：
(2a)将单幅低分辨率的高光谱图像，以及该高光谱图像对应的相同场景下的高分辨率的多光谱图像，输入到训练集中，同时将两者之间的光谱转换矩阵输入训练集中；
(2b)将与训练集中不同的单幅低分辨率的高光谱图像，以及该高光谱图像对应的高分辨率的多光谱图像，输入到测试集中，同时将两者之间的光谱转换矩阵输入到测试集中；
(3)建立概率生成模型：
(3a)建立一个低分辨生成子模型，该子模型包含一个低分辨图像输入层、两个隐层和一个顶层，每层之间有一个多层感知机操作；
(3b)建立一个高分辨生成子模型，该子模型包含一个高分辨图像输入层、三个隐层和一个顶层，每层之间有一个多层感知机操作；
(4)训练概率生成模型：
(4a)将训练集中的低分辩率的高光谱图像，输入到概率生成模型中的低分辨生成子模型，同时将训练集中的高分辨率的多光谱图像，输入到概率生成模型中的高分辨生成子模型；
(4b)使用随机梯度下降算法，对高光谱与多光谱图像联合分布的对数求梯度，最大化该对数，得到低分辨生成子模型和高分辨生成子模型的隐层与所有模型参数；
(5)得到融合后的光谱图像：
(5a)将测试集中的低分辨率的高光谱图像，输入到低分辩子模型中，同时将测试集中的高分辨率的多光谱图像，输入到高分辨生成子模型中，使用训练好的模型参数，得到重构的高分辨率的高光谱图像；
(5b)对重构的高分辨率的高光谱图像进行优化处理，得到融合后的高分辨率的高光谱图像。
2.根据权利要求1所述的一种高光谱与多光谱图像快速融合方法，其特征在于，步骤(2a)中所述低分辨率的高光谱图像是指，光谱维分辨率高，图像维分辨率低的图像。
3.根据权利要求1所述的一种高光谱与多光谱图像快速融合方法，其特征在于，步骤(2a)中所述高分辨率的多光谱图像是指，光谱维分辨率低，图像维分辨率高的图像。
4.根据权利要求1所述的一种高光谱与多光谱图像快速融合方法，其特征在于，步骤(2a)中所述光谱转换矩阵如下：
Xm＝Φ·Xh+nm
其中，Xm表示高分辨率的多光谱图像，且满足
Figure FDA0002336065730000021
其中，∈表示属于符号，
Figure FDA0002336065730000022
表示实数域，E表示光谱图像的光谱维度为E维，E取值为正整数，AB表示光谱图像的图像维度为A×B维，A与B取值为正整数，Φ表示光谱转换矩阵，·表示乘法符号，Xh表示高分辨率的高光谱图像，且满足
Figure FDA0002336065730000023
其中，F表示光谱图像的光谱维度为F维，F取值为正整数,nm表示高光谱与多光谱图像之间的噪声，且满足
Figure FDA0002336065730000024
5.根据权利要求4所述的一种高光谱与多光谱图像快速融合方法，其特征在于，步骤(3a)中所述的低分辨生成子模型的参数设置如下：
将低分辨率的高光谱图像的分布近似为高斯分布，其初始均值设置为0，初始方差设置为1，多层感知机操作的激活函数为双曲正切函数，初始权值设置为1，初始偏置设置为0。
6.根据权利要求5所述的一种高光谱与多光谱图像快速融合方法，其特征在于，步骤(3b)中所述的高分辨生成子模型的参数设置如下：
将高分辨率的多光谱图像的分布近似为高斯分布，其初始均值设置为0，初始方差设置为1，多层感知机操作的激活函数为双曲正切函数，初始权值设置为1，初始偏置设置为0。
7.根据权利要求6所述的一种高光谱与多光谱图像快速融合方法，其特征在于，步骤(5b)中所述的对重构的高分辨率的高光谱图像进行优化处理是指利用下式进行的操作：
Figure FDA0002336065730000031
其中，表示最终的高分辨率的高光谱图像，
Figure FDA0002336065730000033
表示使函数取最小值时Xh的值，||·||表示范数操作，S表示下采样操作，H表示高斯平滑滤波操作，其中高斯平滑滤波操作是根据高斯函数的形状选择滤波权值的线性平滑滤波操作，
Figure FDA0002336065730000034
表示二范数的二次方操作，c表示常数0.1，
Figure FDA0002336065730000035
表示重构的高分辨率的高光谱图像。
CN201810230035.2A 2018-03-20 2018-03-20 一种高光谱与多光谱图像的快速融合方法 Active CN108460749B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810230035.2A CN108460749B (zh) 2018-03-20 2018-03-20 一种高光谱与多光谱图像的快速融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810230035.2A CN108460749B (zh) 2018-03-20 2018-03-20 一种高光谱与多光谱图像的快速融合方法

Publications (2)

Publication Number Publication Date
CN108460749A CN108460749A (zh) 2018-08-28
CN108460749B true CN108460749B (zh) 2020-06-16

Family

ID=63237538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810230035.2A Active CN108460749B (zh) 2018-03-20 2018-03-20 一种高光谱与多光谱图像的快速融合方法

Country Status (1)

Country Link
CN (1) CN108460749B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111369487B (zh) * 2020-05-26 2020-09-18 湖南大学 一种高光谱和多光谱图像融合方法、系统及介质
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
CN114998167B (zh) * 2022-05-16 2024-04-05 电子科技大学 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
CN116245779B (zh) * 2023-05-11 2023-08-22 四川工程职业技术学院 一种图像融合方法、装置、存储介质及电子设备
CN116429710B (zh) * 2023-06-15 2023-09-26 武汉大学人民医院（湖北省人民医院） 一种药物组分检测方法、装置、设备及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103208102A (zh) * 2013-03-29 2013-07-17 上海交通大学 一种基于稀疏表示的遥感图像融合方法
CN104112263A (zh) * 2014-06-28 2014-10-22 南京理工大学 基于深度神经网络的全色图像与多光谱图像融合的方法
US9501852B2 (en) * 2013-01-18 2016-11-22 Nokia Technologies Oy Method and apparatus for image fusion

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9501852B2 (en) * 2013-01-18 2016-11-22 Nokia Technologies Oy Method and apparatus for image fusion
CN103208102A (zh) * 2013-03-29 2013-07-17 上海交通大学 一种基于稀疏表示的遥感图像融合方法
CN104112263A (zh) * 2014-06-28 2014-10-22 南京理工大学 基于深度神经网络的全色图像与多光谱图像融合的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度支撑值学习网络的遥感图像融合;李红;《计算机学报》;20160831;全文 *

Also Published As

Publication number Publication date
CN108460749A (zh) 2018-08-28

Similar Documents

Publication Publication Date Title
CN108460749B (zh) 一种高光谱与多光谱图像的快速融合方法
Xu et al. Reweighted sparse subspace clustering
Ghorai et al. Multiple pyramids based image inpainting using local patch statistics and steering kernel feature
Zheng et al. Fast ship detection based on lightweight YOLOv5 network
CN112116065A (zh) 一种rgb图像光谱重建方法、系统、存储介质及应用
CN113902622B (zh) 基于深度先验联合注意力的光谱超分辨率方法
Luo et al. Hyperspectral mixed noise removal via spatial-spectral constrained unsupervised deep image prior
Wang et al. A new blind image denoising method based on asymmetric generative adversarial network
Chen et al. Learning one‐to‐many stylised Chinese character transformation and generation by generative adversarial networks
Qian et al. Circular lbp prior-based enhanced GAN for image style transfer
Feng et al. Research on infrared and visible image fusion based on tetrolet transform and convolution sparse representation
Wu et al. Hprn: Holistic prior-embedded relation network for spectral super-resolution
Li et al. Edge‐aware image outpainting with attentional generative adversarial networks
Lin et al. Generative adversarial image super‐resolution network for multiple degradations
CN108492253B (zh) 基于概率生成模型的高光谱图像超分辨方法
Pandey et al. A conspectus of deep learning techniques for single-image super-resolution
Chen et al. Hyperspectral remote sensing IQA via learning multiple kernels from mid-level features
Wang et al. Deep learning for font recognition and retrieval
Wang et al. Image super‐resolution based on self‐similarity generative adversarial networks
Li et al. A method of inpainting moles and acne on the high‐resolution face photos
Kasem et al. DRCS-SR: Deep robust compressed sensing for single image super-resolution
Mo et al. Fast Training of Diffusion Transformer with Extreme Masking for 3D Point Clouds Generation
CN113627556B (zh) 一种图像分类的实现方法、装置、电子设备和存储介质
Wang et al. A CBAM‐GAN‐based method for super‐resolution reconstruction of remote sensing image
Ren et al. BESRGAN: Boundary equilibrium face super‐resolution generative adversarial networks

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
GR01 Patent grant
GR01 Patent grant