CN108960345A - 一种遥感图像的融合方法、系统及相关组件 - Google Patents
一种遥感图像的融合方法、系统及相关组件 Download PDFInfo
- Publication number
- CN108960345A CN108960345A CN201810896255.9A CN201810896255A CN108960345A CN 108960345 A CN108960345 A CN 108960345A CN 201810896255 A CN201810896255 A CN 201810896255A CN 108960345 A CN108960345 A CN 108960345A
- Authority
- CN
- China
- Prior art keywords
- image
- neural network
- multispectral
- training
- sampling
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Abstract
本申请公开了一种遥感图像的融合方法,所述融合方法包括对训练样本进行预处理得到训练数据集;将训练数据集输入至特征提取神经网络得到全色特征信息和多光谱特征信息;利用所有全色特征信息和所有多光谱特征信息训练特征融合神经网络得到融合特征和编码特征图;将融合特征和编码特征图输入图像重构神经网络,并利用图像重构神经网络的反卷积层进行重建操作得到高分辨率多光谱图像,以便训练图像重构神经网络;构建深度神经网络模型,并利用深度神经网络模型进行遥感图像融合操作。本方法能够提高融合全色图像和多光谱图像的质量。本申请还公开了一种遥感图像的融合系统、一种计算机可读存储介质及一种电子设备,具有以上有益效果。
Description
技术领域
本发明涉及图像处理领域,特别涉及一种遥感图像的融合方法、系统、一种计算机可读存储介质及一种电子设备。
背景技术
多传感器遥感系统能够为用户提供高空间分辨率、高光谱分辨率、高时间分辨率的海量图像。但是,由于每一种图像数据都有其固有的特点和特定的应用领域,因此如何融合来自各种类型遥感图像信息,弥补单一遥感图像信息的不足,综合利用各遥感图像的优势,已成为当前迫切需要解决的问题。
现有技术中,全色图像与多光谱图像融合技术主要有基于元素替换的IHS(Intensity-Hue-Saturation)方法,以及基于多分辨分析的小波变换的方法,即,在全色图像上提取高频信息然后将其注入多光谱图像。通过现有技术融合后的图像只能在高空间分辨率和高光谱分辨率之间权衡,无法得到既有高空间分辨率又有高光谱分辨率的融合图像。
因此,如何提高融合全色图像和多光谱图像的质量是本领域技术人员目前需要解决的技术问题。
发明内容
本申请的目的是提供一种遥感图像的融合方法、系统、一种计算机可读存储介质及一种电子设备,能够提高融合全色图像和多光谱图像的质量。
为解决上述技术问题,本申请提供一种遥感图像的融合方法,该融合方法包括:
对训练样本进行预处理得到训练数据集;其中,所述训练数据集包括多张全色图像和多张多光谱图像;
将所述训练数据集输入至特征提取神经网络,对所述特征提取神经网络进行训练得到全色特征信息和多光谱特征信息;
利用所有所述全色特征信息和所有所述多光谱特征信息训练特征融合神经网络得到融合特征和编码特征图;其中,所述编码特征图由所述特征融合神经网络对所有所述全色图像和所有所述多光谱图像进行编码操作得到;
将所述融合特征和所述编码特征图输入图像重构神经网络,并利用所述图像重构神经网络的反卷积层进行重建操作得到高分辨率多光谱图像,以便训练所述图像重构神经网络;
根据训练后的所述特征提取神经网络、训练后的所述特征融合神经网络和训练后的所述图像重构神经网络构建深度神经网络模型,并利用所述深度神经网络模型进行遥感图像融合操作。
可选的,所述对训练样本进行预处理得到训练数据集包括:
将所述训练样本中对同一区域采集的全色图像与多光谱图像设置为一个图像组;
对每一所述图像组的全色图像和多光谱图像分别下采样得到预设尺寸的下采样全色图像和下采样多光谱图像;
对所述下采样多光谱图像进行逐波段的插值操作,以使插值操作后的下采样多光谱图像中每个波段图像的像素大小与所述下采样多光谱图像中每个波段图像的像素大小相等;
根据所有所述下采样全色图像和所述下采样多光谱图像构建所述训练数据集。
可选的,将所述训练数据集输入至特征提取神经网络,对所述特征提取神经网络进行训练得到全色特征信息和多光谱特征信息包括:
将所述下采样全色图像和所述下采样多光谱图像分别输入至特征提取神经网络的第一子卷积神经网络和第二子卷积神经网络得到中间全色特征信息和中间多光谱特征信息;其中,所述第一子卷积神经网络和所述第二子卷积神经网络分别设有非线性激活单元,所述特征提取神经网络包括所述所述第一子卷积神经网络、所述第二子卷积神经网络、所述非线性激活单元和卷积核;
将所述中间全色特征信息和所述中间多光谱特征信息输入所述卷积核进行下采样得到所述全色特征信息和所述多光谱特征信息。
可选的,将所述融合特征和所述编码特征图输入图像重构神经网络,并利用所述图像重构神经网络的反卷积层进行重建操作得到高分辨率多光谱图像包括:
将图像重构神经网络中每两层中的所述编码特征图向上采样作为所述图像编码器的对称结构,将所述图像重构神经网络设置为图像解码器,并在所述图像编码器和所述图像解码器之间添加跳转连接;其中,所述图像编码器为所述特征提取神经网络和所述特征融合神经网络的整体连接网络;
将所述图像编码器中的特征映射复制到所述图像解码器中,并建立所述图像解码器与所述图像编码器之间的特征映射级联;
将所述融合特征和所述编码特征图输入图像重构神经网络,并利用所述图像重构神经网络的反卷积层进行重建操作得到高分辨率多光谱图像。
可选的,在重构神经网络构建深度神经网络模型之后,还包括:
将所述训练数据集中的所有图像组输入至所述深度神经网络模型,并采用损失函数和随机梯度下降方法对所述深度神经网络模型进行训练;其中,为所述下采样全色图像,为所述下采样多光谱图像,所述损失函数Yi为所述图像组对应的高分辨率多光谱图像,N为所述图像组的数量,Θ是神经网络参数;
当所述深度神经网络模型的损失函数与区域局部最优解之差小于预设值时,停止训练所述深度神经网络模型。
本申请还提供了一种遥感图像的融合系统,该系统包括:
预处理模块,用于对训练样本进行预处理得到训练数据集;其中,所述训练数据集包括多张全色图像和多张多光谱图像;
第一训练模块,用于将所述训练数据集输入至特征提取神经网络,对所述特征提取神经网络进行训练得到全色特征信息和多光谱特征信息;
第二训练模块,用于利用所有所述全色特征信息和所有所述多光谱特征信息训练特征融合神经网络得到融合特征和编码特征图;其中,所述编码特征图由所述特征融合神经网络对所有所述全色图像和所有所述多光谱图像进行编码操作得到;
第三训练模块,用于将所述融合特征和所述编码特征图输入图像重构神经网络,并利用所述图像重构神经网络的反卷积层进行重建操作得到高分辨率多光谱图像,以便训练所述图像重构神经网络;
模型构建模块,用于根据训练后的所述特征提取神经网络、训练后的所述特征融合神经网络和训练后的所述图像重构神经网络构建深度神经网络模型,并利用所述深度神经网络模型进行遥感图像融合操作。
可选的,所述预处理模块包括:
图像组确定单元,用于将所述训练样本中对同一区域采集的全色图像与多光谱图像设置为一个图像组;
下采样单元,用于对每一所述图像组的全色图像和多光谱图像分别下采样得到预设尺寸的下采样全色图像和下采样多光谱图像;
插值处理单元,用于对所述下采样多光谱图像进行逐波段的插值操作,以使插值操作后的下采样多光谱图像中每个波段图像的像素大小与所述下采样多光谱图像中每个波段图像的像素大小相等;
构建单元,用于根据所有所述下采样全色图像和所述下采样多光谱图像构建所述训练数据集。
可选的,所述第一训练模块包括:
第一特征提取单元,用于将所述下采样全色图像和所述下采样多光谱图像分别输入至特征提取神经网络的第一子卷积神经网络和第二子卷积神经网络得到中间全色特征信息和中间多光谱特征信息;其中,所述第一子卷积神经网络和所述第二子卷积神经网络分别设有非线性激活单元,所述特征提取神经网络包括所述所述第一子卷积神经网络、所述第二子卷积神经网络、所述非线性激活单元和卷积核;
第二特征提取单元,用于将所述中间全色特征信息和所述中间多光谱特征信息输入所述卷积核进行下采样得到所述全色特征信息和所述多光谱特征信息。
本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序执行时实现上述遥感图像的融合方法执行的步骤。
本申请还提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器调用所述存储器中的计算机程序时实现上述遥感图像的融合方法执行的步骤。
本发明提供了一种遥感图像的融合方法,包括对训练样本进行预处理得到训练数据集;将所述训练数据集输入至特征提取神经网络,对所述特征提取神经网络进行训练得到全色特征信息和多光谱特征信息;利用所有所述全色特征信息和所有所述多光谱特征信息训练特征融合神经网络得到融合特征和编码特征图;将所述融合特征和所述编码特征图输入图像重构神经网络,并利用所述图像重构神经网络的反卷积层进行重建操作得到高分辨率多光谱图像,以便训练所述图像重构神经网络;根据训练后的所述特征提取神经网络、训练后的所述特征融合神经网络和训练后的所述图像重构神经网络构建深度神经网络模型,并利用所述深度神经网络模型进行遥感图像融合操作。
本发明通过利用训练数据集训练特征提取神经网络全色特征信息和多光谱特征信息,并利用全色特征信息和多光谱特征信息训练特征融合神经网络得到融合特征,进而利用构建好的深度神经网络模型从特征级进行图像融合操作。由于深度神经网络可以表示输入的层级特征,且高分辨率多光谱图是从这些特征中进行重建得到的,故本申请能够提高融合全色图像和多光谱图像的质量,减少光谱损失。本申请同时还提供了一种遥感图像的融合系统、一种计算机可读存储介质和一种电子设备,具有上述有益效果,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种遥感图像的融合方法的流程图;
图2为本申请实施例所提供的另一种遥感图像的融合方法的流程图;
图3为深度神经网络的网络结构图;
图4为本申请实施例所提供的一种遥感图像的融合系统的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
下面请参见图1,图1为本申请实施例所提供的一种遥感图像的融合方法的流程图。
具体步骤可以包括:
S101:对训练样本进行预处理得到训练数据集;
其中,所述训练数据集包括多张全色图像和多张多光谱图像;
本实施例默认训练样本包括有多张全色图像和多张多光谱图像的,且训练样本中的每一张全色图像都存在一张与其对应的多光谱图像。例如:存在高空间分辨率的全色图像A、B、C,低空间分辨率的多光谱图像a、b、c,将全色图与多光谱图是同一区域的不同传感器成像图片设置为一组,即存在A-a,B-b,C-c的对应关系,一对全色图像和多光谱图像为不同传感器对同一区域拍摄的不同图像。
具体的,对训练样本进行预处理得到训练数据集可以包括以下操作:
步骤1:将所述训练样本中对同一区域采集的全色图像与多光谱图像设置为一个图像组;
其中,可以选取作为训练使用的高空间分辨率的全色图像和低空间分辨率的多光谱图像,构建高空间分辨率与低空间分辨率图像块对的训练集;每一个图像组都有不同传感器对同一区域采集的全色图像和多光谱图像。
步骤2:对每一所述图像组的全色图像和多光谱图像分别下采样得到预设尺寸的下采样全色图像和下采样多光谱图像;
步骤3:对所述下采样多光谱图像进行逐波段的插值操作,以使插值操作后的下采样多光谱图像中每个波段图像的像素大小与所述下采样多光谱图像中每个波段图像的像素大小相等;
具体的,可以使用双立方插值算法对输入的多光谱图像进行逐波段的插值操作,得到初始放大的多光谱图像,得多光谱图像中每个波段图像的像素大小与全色图像的大小保持一致。还可以分别对已知的高分辨全色图像和初始放大的多光谱图像的每个波段像素进行最大最小归一化方法,使每一个像素取值范围在[0,1]之间。
步骤4:根据所有所述下采样全色图像和所述下采样多光谱图像构建所述训练数据集。
S102:将所述训练数据集输入至特征提取神经网络,对所述特征提取神经网络进行训练得到全色特征信息和多光谱特征信息;
其中,本步骤相当于利用训练数据集对特征提取神经网络进行训练的过程。由于本实施例的目的在于将多光谱图像和全色图像进行融合,因此在实施本步骤时需要多光谱图像及其对应的全色图像一同输入特征提取神经网络得到全色特征信息和多光谱特征信息,训练数据集可以包括多张全色图像和多张多光谱图像,因此再将训练数据集中的图像输入值特征提取神经网络得到相应的特征信息后,即可完成特征提取神经网络的训练。目前,训练特征提取神经网络的技术手段已经很成熟,此处不赘述具体的训练过程,总之本步骤通过输入训练数据集至特征提取神经网络得到得到全色特征信息和多光谱特征信息实现对于特征提取神经网络的训练。
具体的,特征提取神经网络可以包括所述所述第一子卷积神经网络、所述第二子卷积神经网络、所述非线性激活单元和卷积核;将训练数据集中的两种图像分别输入至特征提取神经网络的第一子卷积神经网络和第二子卷积神经网络得到中间全色特征信息和中间多光谱特征信息,将所述中间全色特征信息和所述中间多光谱特征信息输入所述卷积核进行下采样得到所述全色特征信息和所述多光谱特征信息。其中,所述第一子卷积神经网络和所述第二子卷积神经网络分别设有非线性激活单元,非线性激活单元(ReLU)的作用在于:加速收敛过程,等效于对网络进行无监督学习的预训练。
S103:利用所有所述全色特征信息和所有所述多光谱特征信息训练特征融合神经网络得到融合特征和编码特征图;其中,所述编码特征图由所述特征融合神经网络对所有所述全色图像和所有所述多光谱图像进行编码操作得到;
其中,本步骤的目的是训练特征融合神经网络,本实施例默认S102中的特征提取神经网络与特征融合神经网络连接,具体的,特征提取神经网络输出的结果是特征融合神经网络的输入数据。
在已经得到全色特征信息和多光谱特征信息的基础上可以利用融合神经网络进行融合操作得到融合特征,融合特征是既包含全色特征信息又包含多光谱特征信息的特征,即可以理解为融合特征包括了全色图像和多光谱图像的互补信息。进一步的在特征融合神经网络内还存在对训练数据集中的多光谱图像和全色图像进行编码的操作,将一张多光谱图像和一张全色图像进行编码得到一张编码特征图。
S104:将所述融合特征和所述编码特征图输入图像重构神经网络,并利用所述图像重构神经网络的反卷积层进行重建操作得到高分辨率多光谱图像,以便训练所述图像重构神经网络;
其中,本步骤的目的是训练图像重构神经网络,图像重构神经网络可以与特征融合神经网络连接,将特征融合神经网络输出的结果输入图像重构神经网络利用所述图像重构神经网络的反卷积层进行重建操作得到高分辨率多光谱图像。
具体的,本步骤中训练图像重构神经网络的步骤可以包括:
步骤1:将图像重构神经网络中每两层中的所述编码特征图向上采样作为所述图像编码器的对称结构,将所述图像重构神经网络设置为图像解码器,并在所述图像编码器和所述图像解码器之间添加跳转连接;其中,所述图像编码器为所述特征提取神经网络和所述特征融合神经网络的整体连接网络;
步骤2:将所述图像编码器中的特征映射复制到所述图像解码器中,并建立所述图像解码器与所述图像编码器之间的特征映射级联;
步骤3:将所述融合特征和所述编码特征图输入图像重构神经网络,并利用所述图像重构神经网络的反卷积层进行重建操作得到高分辨率多光谱图像。
S105:根据训练后的所述特征提取神经网络、训练后的所述特征融合神经网络和训练后的所述图像重构神经网络构建深度神经网络模型,并利用所述深度神经网络模型进行遥感图像融合操作。
其中,本步骤建立在已经对特征提取神经网络、特征融合神经网络和所述图像重构神经网络均已经训练完毕的基础上,构建深度神经网络模型。根据特征提取神经网络、特征融合神经网络和所述图像重构神经网络三者的所起的作用可知,特征提取神经网络与特征融合神经网络连接,特征融合神经网络与图像重构神经网络连接,特征提取神经网络将提取到的图像特征输入特征融合神经网络,特征融合神经网络将得到的融合特征和编码特征图输入图像重构神经网络。
需要说明的是,在构件好深度神经网络模型之后还可以存在对深度神经网络模型进行训练的过程,具体步骤如下:
步骤1:将所述训练数据集中的所有图像组输入至所述深度神经网络模型,并采用损失函数和随机梯度下降方法对所述深度神经网络模型进行训练;其中,为所述下采样全色图像,为所述下采样多光谱图像,所述损失函数Yi为所述图像组对应的高分辨率多光谱图像,N为所述图像组的数量,Θ是神经网络参数;损失函数是为了评估模型得到的数据与真实数据之间的误差值,这个值越小代表模型越好。
步骤2:当所述深度神经网络模型的损失函数与区域局部最优解之差小于预设值时,停止训练所述深度神经网络模型。
本实施例通过利用训练数据集训练特征提取神经网络全色特征信息和多光谱特征信息,并利用全色特征信息和多光谱特征信息训练特征融合神经网络得到融合特征,进而利用构建好的深度神经网络模型从特征级进行图像融合操作。由于深度神经网络可以表示输入的层级特征,且高分辨率多光谱图是从这些特征中进行重建得到的,故本实施例能够提高融合全色图像和多光谱图像的质量,减少光谱损失。
下面请参见图2,图2为本申请实施例所提供的另一种遥感图像的融合方法的流程图;
具体步骤可以包括:
S201:将所述训练样本中对同一区域采集的全色图像与多光谱图像设置为一个图像组;
S202:对每一所述图像组的全色图像和多光谱图像分别下采样得到预设尺寸的下采样全色图像和下采样多光谱图像;
S203:对所述下采样多光谱图像进行逐波段的插值操作,以使插值操作后的下采样多光谱图像中每个波段图像的像素大小与所述下采样多光谱图像中每个波段图像的像素大小相等;
S204:根据所有所述下采样全色图像和所述下采样多光谱图像构建所述训练数据集。
S205:将所述下采样全色图像和所述下采样多光谱图像分别输入至特征提取神经网络的第一子卷积神经网络和第二子卷积神经网络得到中间全色特征信息和中间多光谱特征信息;其中,所述第一子卷积神经网络和所述第二子卷积神经网络分别设有非线性激活单元,所述特征提取神经网络包括所述所述第一子卷积神经网络、所述第二子卷积神经网络、所述非线性激活单元和卷积核;
S206:将所述中间全色特征信息和所述中间多光谱特征信息输入所述卷积核进行下采样得到所述全色特征信息和所述多光谱特征信息。
S207:利用所有所述全色特征信息和所有所述多光谱特征信息训练特征融合神经网络得到融合特征和编码特征图;其中,所述编码特征图由所述特征融合神经网络对所有所述全色图像和所有所述多光谱图像进行编码操作得到;
S208:将图像重构神经网络中每两层中的所述编码特征图向上采样作为所述图像编码器的对称结构,将所述图像重构神经网络设置为图像解码器,并在所述图像编码器和所述图像解码器之间添加跳转连接;其中,所述图像编码器为所述特征提取神经网络和所述特征融合神经网络的整体连接网络;
S209:将所述图像编码器中的特征映射复制到所述图像解码器中,并建立所述图像解码器与所述图像编码器之间的特征映射级联;
S210:将所述融合特征和所述编码特征图输入图像重构神经网络,并利用所述图像重构神经网络的反卷积层进行重建操作得到高分辨率多光谱图像,以便训练所述图像重构神经网络;
S211:根据训练后的所述特征提取神经网络、训练后的所述特征融合神经网络和训练后的所述图像重构神经网络构建深度神经网络模型,并利用所述深度神经网络模型进行遥感图像融合操作。
下面通过在实际应用中的实施例说明上述实施例描述的流程。
步骤A、对训练样本图像进行预处理和图像光谱特征提取,得到训练数据集具体过程为:
选取作为训练使用的高空间分辨率的全色图像和低空间分辨率的多光谱图像构建高空间分辨率与低空间分辨率图像块对的训练集
将全色图像与多光谱图像分别下采样4个宽度和高度,然后将下采样图像用作网络的输入,并将原始多光谱图用作参考;
使用双立方插值算法对输入的多光谱图像进行逐波段的插值操作,得到初始放大的多光谱图像使得多光谱图像中每个波段图像的像素大小与全色图像的大小保持一致;
分别对已知的高分辨全色图像和初始放大的多光谱图像的每个波段像素进行最大最小归一化方法,使每一个像素取值范围在[0,1]之间;
步骤B、构建深度神经网络模型,神经网络模型由三部分组成,包括特征提取、特征融合和图像重构,前两部分的作用类似于从输入图像中提取特征的编码器,最后一部分对融合特征进行解码以重建所需的高分辨率多光谱图像,图像大小的单位均为像素,参数设置见表1深度神经网络模型参数表:
表1深度神经网络模型参数表
构建的过程具体为:
(1)特征提取:使用两个子卷积神经网络ΦM和ΦP分别从全色图像和多光谱图像中提取特征,这两个子网具有相似的架构但权重不同,一个子网将四波段的多光谱图作为输入,另一个子网将单波段的全色图作为输入。每个特征提取网络由两个连续的卷积层组成,后面跟着一个非线性激活单元(ReLU)加速收敛过程,等效于对网络进行无监督学习的预训练,最后是一个步长为2的卷积核进行下采样,从全色图像和多光谱图像卷积神经网络提取的特征可以写成XP和YM,其中上标l表示特征从第l层提取的;
(2)特征融合:经过步骤B(1)的特征提取,我们有了分别代表全色图像和多光谱图像的特征图XP和YM,这两张特征图包含了全色图和多光谱图的互补信息,为了同时获得空间和光谱信息,将两个特征如方程所示连接在一起,其中Φf(XP,YM)是融合特征,代表连接操作。应用具有三个卷积层的融合网络对两幅输入图像的光谱信息和空间信息进行编码;
(3)图像重构:经过编码的特征图只占用输入比例的1/4×1/4的宽度和高度,使用反卷积层从融合特征中重建高分辨率多光谱图像,并将每两层中的特征图向上采样作为编码器(即特征提取和融合网络)的对称结构,在每个上采样步骤之后,在网络的编码器和解码器之间添加跳转连接,编码器中的特征映射被复制到解码器并与相应的特征映射级联,以便在下采样过程中注入更多丢失的细节。构建深度神经网络模型的结构请参见图3,图3为深度神经网络的网络结构图。
步骤C、利用训练数据集训练深度神经网络,具体过程为:
将步骤A中得到训练集作为输入数据输入步骤B中的神经网络,采用损失函数为进行训练,其中Yi是相应的高分辨率多光谱图像,N是训练样本的数量。
按照(1)中的损失函数和随机梯度下降方法对深度神经网络进行训练,针对不同尺寸的输入图像,需要将其映射为128×128的矩形,以适应网络结构的输入,使用双线性插值法,将图像减去像素均值后利用神经网络进行训练,通过前向传播逐层提取特征,当整个深度神经网络的损失函数区域局部最优解附近时完成训练。
步骤D、基于测试数据集和训练好的深度神经网络模型,得到测试数据集的融合区域,具体过程为:
测试样本图像同样包含两幅待融合的高分辨率全色图像和低分辨率多光谱图像,按照步骤A中获得训练数据集的方法进行图像预处理,得到测试数据集
将(1)中得到的数据集作为步骤C中训练好的深度神经网络的输入,经过该深度神经网络后输出融合好的高分辨率多光谱图像。
本实施例在特征级全色图像与多光谱图像融合,提供了一种特征提取、特征融合和图像重构的端到端神经网络架构,特征提取网络可以同时接受全色图像和多光谱图像两个输入;在网络的编码器和解码器之间添加了跳转连接,减少细节的丢失。
请参见图4,图4为本申请实施例所提供的一种遥感图像的融合系统的结构示意图;
该系统可以包括:
预处理模块100,用于对训练样本进行预处理得到训练数据集;其中,所述训练数据集包括多张全色图像和多张多光谱图像;
第一训练模块200,用于将所述训练数据集输入至特征提取神经网络,对所述特征提取神经网络进行训练得到全色特征信息和多光谱特征信息;
第二训练模块300,用于利用所有所述全色特征信息和所有所述多光谱特征信息训练特征融合神经网络得到融合特征和编码特征图;其中,所述编码特征图由所述特征融合神经网络对所有所述全色图像和所有所述多光谱图像进行编码操作得到;
第三训练模块400,用于将所述融合特征和所述编码特征图输入图像重构神经网络,并利用所述图像重构神经网络的反卷积层进行重建操作得到高分辨率多光谱图像,以便训练所述图像重构神经网络;
模型构建模块500,用于根据训练后的所述特征提取神经网络、训练后的所述特征融合神经网络和训练后的所述图像重构神经网络构建深度神经网络模型,并利用所述深度神经网络模型进行遥感图像融合操作。
可选的,所述预处理模块100包括:
图像组确定单元,用于将所述训练样本中对同一区域采集的全色图像与多光谱图像设置为一个图像组;
下采样单元,用于对每一所述图像组的全色图像和多光谱图像分别下采样得到预设尺寸的下采样全色图像和下采样多光谱图像;
插值处理单元,用于对所述下采样多光谱图像进行逐波段的插值操作,以使插值操作后的下采样多光谱图像中每个波段图像的像素大小与所述下采样多光谱图像中每个波段图像的像素大小相等;
构建单元,用于根据所有所述下采样全色图像和所述下采样多光谱图像构建所述训练数据集。
可选的,所述第一训练模块200包括:
第一特征提取单元,用于将所述下采样全色图像和所述下采样多光谱图像分别输入至特征提取神经网络的第一子卷积神经网络和第二子卷积神经网络得到中间全色特征信息和中间多光谱特征信息;其中,所述第一子卷积神经网络和所述第二子卷积神经网络分别设有非线性激活单元,所述特征提取神经网络包括所述所述第一子卷积神经网络、所述第二子卷积神经网络、所述非线性激活单元和卷积核;
第二特征提取单元,用于将所述中间全色特征信息和所述中间多光谱特征信息输入所述卷积核进行下采样得到所述全色特征信息和所述多光谱特征信息。
由于系统部分的实施例与方法部分的实施例相互对应,因此系统部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
本申请还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种电子设备,可以包括存储器和处理器,所述存储器中存有计算机程序,所述处理器调用所述存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然所述电子设备还可以包括各种网络接口,电源等组件。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种遥感图像的融合方法,其特征在于,包括:
对训练样本进行预处理得到训练数据集;其中,所述训练数据集包括多张全色图像和多张多光谱图像;
将所述训练数据集输入至特征提取神经网络,对所述特征提取神经网络进行训练得到全色特征信息和多光谱特征信息;
利用所有所述全色特征信息和所有所述多光谱特征信息训练特征融合神经网络得到融合特征和编码特征图;其中,所述编码特征图由所述特征融合神经网络对所有所述全色图像和所有所述多光谱图像进行编码操作得到;
将所述融合特征和所述编码特征图输入图像重构神经网络,并利用所述图像重构神经网络的反卷积层进行重建操作得到高分辨率多光谱图像,以便训练所述图像重构神经网络;
根据训练后的所述特征提取神经网络、训练后的所述特征融合神经网络和训练后的所述图像重构神经网络构建深度神经网络模型,并利用所述深度神经网络模型进行遥感图像融合操作。
2.根据权利要求1所述融合方法,其特征在于,所述对训练样本进行预处理得到训练数据集包括:
将所述训练样本中对同一区域采集的全色图像与多光谱图像设置为一个图像组;
对每一所述图像组的全色图像和多光谱图像分别下采样得到预设尺寸的下采样全色图像和下采样多光谱图像;
对所述下采样多光谱图像进行逐波段的插值操作,以使插值操作后的下采样多光谱图像中每个波段图像的像素大小与所述下采样多光谱图像中每个波段图像的像素大小相等;
根据所有所述下采样全色图像和所述下采样多光谱图像构建所述训练数据集。
3.根据权利要求2所述融合方法,其特征在于,将所述训练数据集输入至特征提取神经网络,对所述特征提取神经网络进行训练得到全色特征信息和多光谱特征信息包括:
将所述下采样全色图像和所述下采样多光谱图像分别输入至特征提取神经网络的第一子卷积神经网络和第二子卷积神经网络得到中间全色特征信息和中间多光谱特征信息;其中,所述第一子卷积神经网络和所述第二子卷积神经网络分别设有非线性激活单元,所述特征提取神经网络包括所述所述第一子卷积神经网络、所述第二子卷积神经网络、所述非线性激活单元和卷积核;
将所述中间全色特征信息和所述中间多光谱特征信息输入所述卷积核进行下采样得到所述全色特征信息和所述多光谱特征信息。
4.根据权利要求1所述融合方法,其特征在于,将所述融合特征和所述编码特征图输入图像重构神经网络,并利用所述图像重构神经网络的反卷积层进行重建操作得到高分辨率多光谱图像包括:
将图像重构神经网络中每两层中的所述编码特征图向上采样作为所述图像编码器的对称结构,将所述图像重构神经网络设置为图像解码器,并在所述图像编码器和所述图像解码器之间添加跳转连接;其中,所述图像编码器为所述特征提取神经网络和所述特征融合神经网络的整体连接网络;
将所述图像编码器中的特征映射复制到所述图像解码器中,并建立所述图像解码器与所述图像编码器之间的特征映射级联;
将所述融合特征和所述编码特征图输入图像重构神经网络,并利用所述图像重构神经网络的反卷积层进行重建操作得到高分辨率多光谱图像。
5.根据权利要求2所述融合方法,其特征在于,在重构神经网络构建深度神经网络模型之后,还包括:
将所述训练数据集中的所有图像组输入至所述深度神经网络模型,并采用损失函数l1(Θ)和随机梯度下降方法对所述深度神经网络模型进行训练;其中,为所述下采样全色图像,为所述下采样多光谱图像,所述损失函数Yi为所述图像组对应的高分辨率多光谱图像,N为所述图像组的数量,Θ是神经网络参数;
当所述深度神经网络模型的损失函数与区域局部最优解之差小于预设值时,停止训练所述深度神经网络模型。
6.一种遥感图像的融合系统,其特征在于,包括:
预处理模块,用于对训练样本进行预处理得到训练数据集;其中,所述训练数据集包括多张全色图像和多张多光谱图像;
第一训练模块,用于将所述训练数据集输入至特征提取神经网络,对所述特征提取神经网络进行训练得到全色特征信息和多光谱特征信息;
第二训练模块,用于利用所有所述全色特征信息和所有所述多光谱特征信息训练特征融合神经网络得到融合特征和编码特征图;其中,所述编码特征图由所述特征融合神经网络对所有所述全色图像和所有所述多光谱图像进行编码操作得到;
第三训练模块,用于将所述融合特征和所述编码特征图输入图像重构神经网络,并利用所述图像重构神经网络的反卷积层进行重建操作得到高分辨率多光谱图像,以便训练所述图像重构神经网络;
模型构建模块,用于根据训练后的所述特征提取神经网络、训练后的所述特征融合神经网络和训练后的所述图像重构神经网络构建深度神经网络模型,并利用所述深度神经网络模型进行遥感图像融合操作。
7.根据权利要求6所述融合系统,其特征在于,所述预处理模块包括:
图像组确定单元,用于将所述训练样本中对同一区域采集的全色图像与多光谱图像设置为一个图像组;
下采样单元,用于对每一所述图像组的全色图像和多光谱图像分别下采样得到预设尺寸的下采样全色图像和下采样多光谱图像;
插值处理单元,用于对所述下采样多光谱图像进行逐波段的插值操作,以使插值操作后的下采样多光谱图像中每个波段图像的像素大小与所述下采样多光谱图像中每个波段图像的像素大小相等;
构建单元,用于根据所有所述下采样全色图像和所述下采样多光谱图像构建所述训练数据集。
8.根据权利要求7所述融合系统,其特征在于,所述第一训练模块包括:
第一特征提取单元,用于将所述下采样全色图像和所述下采样多光谱图像分别输入至特征提取神经网络的第一子卷积神经网络和第二子卷积神经网络得到中间全色特征信息和中间多光谱特征信息;其中,所述第一子卷积神经网络和所述第二子卷积神经网络分别设有非线性激活单元,所述特征提取神经网络包括所述所述第一子卷积神经网络、所述第二子卷积神经网络、所述非线性激活单元和卷积核;
第二特征提取单元,用于将所述中间全色特征信息和所述中间多光谱特征信息输入所述卷积核进行下采样得到所述全色特征信息和所述多光谱特征信息。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时执行如权利要求1至5任一项所述的遥感图像的融合方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的遥感图像的融合方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810896255.9A CN108960345A (zh) | 2018-08-08 | 2018-08-08 | 一种遥感图像的融合方法、系统及相关组件 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810896255.9A CN108960345A (zh) | 2018-08-08 | 2018-08-08 | 一种遥感图像的融合方法、系统及相关组件 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108960345A true CN108960345A (zh) | 2018-12-07 |
Family
ID=64468915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810896255.9A Pending CN108960345A (zh) | 2018-08-08 | 2018-08-08 | 一种遥感图像的融合方法、系统及相关组件 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108960345A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636768A (zh) * | 2018-12-12 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 遥感影像融合方法、装置及电子设备 |
CN109712150A (zh) * | 2018-12-26 | 2019-05-03 | 航天恒星科技有限公司 | 基于稀疏表示的光学微波图像融合重建方法和装置 |
CN109919888A (zh) * | 2019-02-26 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 一种图像融合的方法、模型训练的方法以及相关装置 |
CN110287962A (zh) * | 2019-05-20 | 2019-09-27 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
CN110415199A (zh) * | 2019-07-26 | 2019-11-05 | 河海大学 | 基于残差学习的多光谱遥感图像融合方法及装置 |
CN110441312A (zh) * | 2019-07-30 | 2019-11-12 | 上海深视信息科技有限公司 | 一种基于多光谱成像的产品表面缺陷检测系统 |
CN110533620A (zh) * | 2019-07-19 | 2019-12-03 | 西安电子科技大学 | 基于aae提取空间特征的高光谱和全色图像融合方法 |
CN111340698A (zh) * | 2020-02-17 | 2020-06-26 | 北京航空航天大学 | 一种基于神经网络的多光谱图像光谱分辨率增强方法 |
CN111340080A (zh) * | 2020-02-19 | 2020-06-26 | 济南大学 | 一种基于互补卷积特征的高分辨率遥感影像融合方法及系统 |
CN111382759A (zh) * | 2018-12-28 | 2020-07-07 | 广州市百果园信息技术有限公司 | 一种像素级分类方法、装置、设备及存储介质 |
CN111489323A (zh) * | 2020-04-09 | 2020-08-04 | 中国科学技术大学先进技术研究院 | 双光场图像融合方法、装置、设备及可读存储介质 |
CN111524063A (zh) * | 2019-12-24 | 2020-08-11 | 珠海大横琴科技发展有限公司 | 一种遥感图像融合方法及装置 |
CN111681195A (zh) * | 2020-06-09 | 2020-09-18 | 中国人民解放军63811部队 | 红外图像和可见光图像的融合方法、装置及可读存储介质 |
CN112434702A (zh) * | 2019-08-26 | 2021-03-02 | 阿里巴巴集团控股有限公司 | 图像处理方法、装置、计算机设备、存储介质 |
CN112464733A (zh) * | 2020-11-04 | 2021-03-09 | 北京理工大学重庆创新中心 | 基于双向特征融合的高分辨率光学遥感图像地物分类方法 |
CN112528914A (zh) * | 2020-12-19 | 2021-03-19 | 东南数字经济发展研究院 | 一种细节信息逐步融入的卫星影像全色增强方法 |
CN112529827A (zh) * | 2020-12-14 | 2021-03-19 | 珠海大横琴科技发展有限公司 | 遥感图像融合模型的训练方法及装置 |
CN112767243A (zh) * | 2020-12-24 | 2021-05-07 | 深圳大学 | 一种高光谱图像超分辨率的实现方法及系统 |
CN112862906A (zh) * | 2021-01-15 | 2021-05-28 | 深圳市中钞科信金融科技有限公司 | 基于神经网络的颜色空间转换方法 |
CN112990164A (zh) * | 2021-05-19 | 2021-06-18 | 湖南大学 | 一种多光谱与全色图像联合配准与模糊核估计方法与系统 |
CN113012087A (zh) * | 2021-03-31 | 2021-06-22 | 中南大学 | 基于卷积神经网络的图像融合方法 |
CN113783876A (zh) * | 2021-09-13 | 2021-12-10 | 国网电子商务有限公司 | 基于图神经网络的网络安全态势感知方法及相关设备 |
CN113781339A (zh) * | 2021-09-02 | 2021-12-10 | 中科联芯(广州)科技有限公司 | 一种硅基多光谱信号处理方法、装置及移动终端 |
WO2023000159A1 (zh) * | 2021-07-20 | 2023-01-26 | 海南长光卫星信息技术有限公司 | 高分辨率遥感影像半监督分类方法、装置、设备及介质 |
CN115880152A (zh) * | 2022-12-13 | 2023-03-31 | 哈尔滨工业大学 | 一种基于多传感器光谱重构网络的高光谱遥感图像生成方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617597A (zh) * | 2013-10-25 | 2014-03-05 | 西安电子科技大学 | 基于差值图像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 |
-
2018
- 2018-08-08 CN CN201810896255.9A patent/CN108960345A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617597A (zh) * | 2013-10-25 | 2014-03-05 | 西安电子科技大学 | 基于差值图像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)
Title |
---|
XIANGYU LIU ET AL: "Remote Sensing Image Fusion Based on Two-Stream Fusion Network", 《INTERNATIONAL CONFERENCE ON MULTIMEDIA MODELING》 * |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109636768B (zh) * | 2018-12-12 | 2021-05-25 | 中国科学院深圳先进技术研究院 | 遥感影像融合方法、装置及电子设备 |
CN109636768A (zh) * | 2018-12-12 | 2019-04-16 | 中国科学院深圳先进技术研究院 | 遥感影像融合方法、装置及电子设备 |
CN109712150A (zh) * | 2018-12-26 | 2019-05-03 | 航天恒星科技有限公司 | 基于稀疏表示的光学微波图像融合重建方法和装置 |
CN111382759B (zh) * | 2018-12-28 | 2023-04-21 | 广州市百果园信息技术有限公司 | 一种像素级分类方法、装置、设备及存储介质 |
CN111382759A (zh) * | 2018-12-28 | 2020-07-07 | 广州市百果园信息技术有限公司 | 一种像素级分类方法、装置、设备及存储介质 |
WO2020173329A1 (zh) * | 2019-02-26 | 2020-09-03 | 腾讯科技(深圳)有限公司 | 一种图像融合的方法、模型训练的方法以及相关装置 |
CN109919888A (zh) * | 2019-02-26 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 一种图像融合的方法、模型训练的方法以及相关装置 |
US20210295483A1 (en) * | 2019-02-26 | 2021-09-23 | Tencent Technology (Shenzhen) Company Limited | Image fusion method, model training method, and related apparatuses |
TWI725746B (zh) * | 2019-02-26 | 2021-04-21 | 大陸商騰訊科技(深圳)有限公司 | 圖像融合的方法、模型訓練的方法以及相關裝置 |
CN109919888B (zh) * | 2019-02-26 | 2023-09-19 | 腾讯科技(深圳)有限公司 | 一种图像融合的方法、模型训练的方法以及相关装置 |
US11776097B2 (en) * | 2019-02-26 | 2023-10-03 | Tencent Technology (Shenzhen) Company Limited | Image fusion method, model training method, and related apparatuses |
CN110287962B (zh) * | 2019-05-20 | 2023-10-27 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
CN110287962A (zh) * | 2019-05-20 | 2019-09-27 | 平安科技(深圳)有限公司 | 基于超对象信息的遥感图像目标提取方法、装置及介质 |
CN110533620B (zh) * | 2019-07-19 | 2021-09-10 | 西安电子科技大学 | 基于aae提取空间特征的高光谱和全色图像融合方法 |
CN110533620A (zh) * | 2019-07-19 | 2019-12-03 | 西安电子科技大学 | 基于aae提取空间特征的高光谱和全色图像融合方法 |
CN110415199A (zh) * | 2019-07-26 | 2019-11-05 | 河海大学 | 基于残差学习的多光谱遥感图像融合方法及装置 |
CN110415199B (zh) * | 2019-07-26 | 2021-10-19 | 河海大学 | 基于残差学习的多光谱遥感图像融合方法及装置 |
CN110441312A (zh) * | 2019-07-30 | 2019-11-12 | 上海深视信息科技有限公司 | 一种基于多光谱成像的产品表面缺陷检测系统 |
CN112434702A (zh) * | 2019-08-26 | 2021-03-02 | 阿里巴巴集团控股有限公司 | 图像处理方法、装置、计算机设备、存储介质 |
CN111524063A (zh) * | 2019-12-24 | 2020-08-11 | 珠海大横琴科技发展有限公司 | 一种遥感图像融合方法及装置 |
CN111340698A (zh) * | 2020-02-17 | 2020-06-26 | 北京航空航天大学 | 一种基于神经网络的多光谱图像光谱分辨率增强方法 |
CN111340080B (zh) * | 2020-02-19 | 2024-03-29 | 济南大学 | 一种基于互补卷积特征的高分辨率遥感影像融合方法及系统 |
CN111340080A (zh) * | 2020-02-19 | 2020-06-26 | 济南大学 | 一种基于互补卷积特征的高分辨率遥感影像融合方法及系统 |
CN111489323A (zh) * | 2020-04-09 | 2020-08-04 | 中国科学技术大学先进技术研究院 | 双光场图像融合方法、装置、设备及可读存储介质 |
CN111489323B (zh) * | 2020-04-09 | 2023-09-19 | 中国科学技术大学先进技术研究院 | 双光场图像融合方法、装置、设备及可读存储介质 |
CN111681195A (zh) * | 2020-06-09 | 2020-09-18 | 中国人民解放军63811部队 | 红外图像和可见光图像的融合方法、装置及可读存储介质 |
CN112464733A (zh) * | 2020-11-04 | 2021-03-09 | 北京理工大学重庆创新中心 | 基于双向特征融合的高分辨率光学遥感图像地物分类方法 |
CN112529827A (zh) * | 2020-12-14 | 2021-03-19 | 珠海大横琴科技发展有限公司 | 遥感图像融合模型的训练方法及装置 |
CN112528914A (zh) * | 2020-12-19 | 2021-03-19 | 东南数字经济发展研究院 | 一种细节信息逐步融入的卫星影像全色增强方法 |
CN112767243A (zh) * | 2020-12-24 | 2021-05-07 | 深圳大学 | 一种高光谱图像超分辨率的实现方法及系统 |
CN112862906A (zh) * | 2021-01-15 | 2021-05-28 | 深圳市中钞科信金融科技有限公司 | 基于神经网络的颜色空间转换方法 |
CN113012087B (zh) * | 2021-03-31 | 2022-11-04 | 中南大学 | 基于卷积神经网络的图像融合方法 |
CN113012087A (zh) * | 2021-03-31 | 2021-06-22 | 中南大学 | 基于卷积神经网络的图像融合方法 |
CN112990164B (zh) * | 2021-05-19 | 2021-07-27 | 湖南大学 | 一种多光谱与全色图像联合配准与模糊核估计方法与系统 |
CN112990164A (zh) * | 2021-05-19 | 2021-06-18 | 湖南大学 | 一种多光谱与全色图像联合配准与模糊核估计方法与系统 |
WO2023000159A1 (zh) * | 2021-07-20 | 2023-01-26 | 海南长光卫星信息技术有限公司 | 高分辨率遥感影像半监督分类方法、装置、设备及介质 |
CN113781339A (zh) * | 2021-09-02 | 2021-12-10 | 中科联芯(广州)科技有限公司 | 一种硅基多光谱信号处理方法、装置及移动终端 |
CN113781339B (zh) * | 2021-09-02 | 2023-06-23 | 中科联芯(广州)科技有限公司 | 一种硅基多光谱信号处理方法、装置及移动终端 |
CN113783876A (zh) * | 2021-09-13 | 2021-12-10 | 国网电子商务有限公司 | 基于图神经网络的网络安全态势感知方法及相关设备 |
CN113783876B (zh) * | 2021-09-13 | 2023-10-03 | 国网数字科技控股有限公司 | 基于图神经网络的网络安全态势感知方法及相关设备 |
CN115880152B (zh) * | 2022-12-13 | 2023-11-24 | 哈尔滨工业大学 | 一种基于多传感器光谱重构网络的高光谱遥感图像生成方法 |
CN115880152A (zh) * | 2022-12-13 | 2023-03-31 | 哈尔滨工业大学 | 一种基于多传感器光谱重构网络的高光谱遥感图像生成方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108960345A (zh) | 一种遥感图像的融合方法、系统及相关组件 | |
CN111062872B (zh) | 一种基于边缘检测的图像超分辨率重建方法及系统 | |
Wei et al. | Boosting the accuracy of multispectral image pansharpening by learning a deep residual network | |
CN108805814B (zh) | 基于多频段深度卷积神经网络的图像超分辨重建方法 | |
CN105069825B (zh) | 基于深度置信网络的图像超分辨率重建方法 | |
CN108830790B (zh) | 一种基于精简卷积神经网络的快速视频超分辨率重建方法 | |
CN109903255A (zh) | 一种基于3d卷积神经网络的高光谱图像超分辨率复原方法 | |
CN110310227A (zh) | 一种基于高低频信息分解的图像超分辨率重建方法 | |
CN105046672A (zh) | 一种图像超分辨率重建方法 | |
CN110675321A (zh) | 一种基于渐进式的深度残差网络的超分辨率图像重建方法 | |
CN106952228A (zh) | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 | |
CN111127325B (zh) | 基于循环神经网络的卫星视频超分辨率重建方法及系统 | |
Cheng et al. | Zero-shot image super-resolution with depth guided internal degradation learning | |
Xiao et al. | A dual-UNet with multistage details injection for hyperspectral image fusion | |
CN110533594A (zh) | 模型训练方法、图像重建方法、存储介质及相关设备 | |
Wei et al. | Improving resolution of medical images with deep dense convolutional neural network | |
Luo et al. | Lattice network for lightweight image restoration | |
Yu et al. | E-DBPN: Enhanced deep back-projection networks for remote sensing scene image superresolution | |
CN114331831A (zh) | 一种轻量化的单张图像超分辨率重建方法 | |
CN108769674B (zh) | 一种基于自适应层次化运动建模的视频预测方法 | |
CN111553861A (zh) | 一种图像超分辨率重构方法、装置、设备及可读存储介质 | |
Chen et al. | MICU: Image super-resolution via multi-level information compensation and U-net | |
Guérin et al. | Gradient terrain authoring | |
CN109559278B (zh) | 基于多特征学习的超分辨图像重建方法及系统 | |
Shi et al. | Structure-aware deep networks and pixel-level generative adversarial training for single image super-resolution |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181207 |