CN109003239A - 一种基于迁移学习神经网络的多光谱图像锐化方法 - Google Patents
一种基于迁移学习神经网络的多光谱图像锐化方法 Download PDFInfo
- Publication number
- CN109003239A CN109003239A CN201810721825.0A CN201810721825A CN109003239A CN 109003239 A CN109003239 A CN 109003239A CN 201810721825 A CN201810721825 A CN 201810721825A CN 109003239 A CN109003239 A CN 109003239A
- Authority
- CN
- China
- Prior art keywords
- image
- layer
- multispectral image
- neural networks
- training sample
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 18
- 238000003707 image sharpening Methods 0.000 title claims abstract description 14
- 238000013526 transfer learning Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims abstract description 6
- 238000012546 transfer Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 2
- 241001269238 Data Species 0.000 claims 1
- 230000000977 initiatory effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 6
- 238000013102 re-test Methods 0.000 abstract 1
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G06T5/73—
-
- 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
- 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
Abstract
本发明公开了一种基于迁移学习神经网络的多光谱图像锐化方法,包括以下步骤:读取原始多光谱图像及与其配准的全色图像,对图像数据进行预处理,获取训练样本;搭建卷积神经网络结构;将训练样本输入卷积神经网络,利用自适应矩估计算法,使得损失误差下降至可接受的范围内,从而得到该网络结构参数的最优解;将经过相同预处理的完整多光谱测试样本输入至最优卷积神经网络结构中,输出处理得到高分辨率的多光谱图像;若需要锐化丢失波段的多光谱图像,需要先对训练好的网络进行微调,再测试。本发明能在维持原有的锐化效果的同时,增强已训练的神经网络对丢失波段的多光谱图像锐化处理的迁移能力。
Description
技术领域
本发明涉及遥感图像处理领域,具体涉及一种基于迁移学习神经网络的多光谱图像锐化方法。
背景技术
凭借信息量大、覆盖范围广等特点,遥感图像在多个领域发挥着重要的作用。在军事领域,它能对目标进行全方位的侦查与监控,方便收集各方情报;在民用领域,它被广泛应用于导航、灾情检测预报、资源勘测等方面。然而,由于受到传感器成像机理的限制,一般常用的遥感卫星不能提供同时具有高空间分辨率和光谱分辨率的多光谱图像。为了弥补这一不足,现今多数卫星一般同时具有两种不同类型的传感器,分别获取空间分辨率高的全色图像和光谱分辨率高的多光谱图像。随后,只要利用信号处理技术,提取全色图像的空间细节信息,用以锐化多光谱图像,即可得到理想的高分辨率的多光谱图像。当前,借助全色图像锐化多光谱图像的算法主要分为两大类:成分替代法和多分辨率分析法。前者通过空间变换将多光谱图像的空间信息替换成全色图像的,而后者利用空间滤波将全色图像的高频成分插入到多光谱图像中。然而,这些主流的锐化方法在减少输出图像的颜色失真、提高融合图像的空间分辨率和算法运算效率三方面都存在矛盾。
近年来,卷积神经网络在图像超分辨率重建领域表现出色,因此将其运用在多光谱图像的锐化中是一个极具潜力的研究方向。由于卷积神经网络是基于对训练样本的学习,所以其锐化效果高度依赖于训练样本与测试样本之间的相似程度,但是在多光谱图像的实际应用中,常常会伴随有光谱波段损坏的现象,使得已完成训练的卷积神经网络不再适用于此类图像,此时只能对网络结构进行调整,并利用缺失波段的多光谱图像重新训练。
发明内容
本发明的目的是针对现有技术的不足,为了提高卷积神经网络应用于多光谱图像锐化时的迁移能力和增强多光谱图像的锐化效果,提供了一种基于迁移学习神经网络的多光谱图像锐化方法,能够在保持相同锐化效果的同时,使得模型能迁移至丢失波段的多光谱图像中。
本发明的目的可以通过如下技术方案实现:
一种基于迁移学习神经网络的多光谱图像锐化方法,采用如下实现方式:
(1)将具有完整波段的多光谱图像及其配准的全色图像进行预处理,采样后得到多组训练样本;
(2)把训练样本输入至已初始化的神经网络,采用自适应矩估计算法对参数进行迭代更新,直到损失函数收敛;
(3)利用丢失波段的多光谱图像对训练好的卷积神经网络模型进行微调;
(4)将微调后的卷积神经网络模型用于对丢失波段的多光谱图像进行锐化处理。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明所述基于迁移学习神经网络的多光谱图像锐化方法,是利用全色图像对多光谱图像锐化方法的延伸,直接利用卷积神经网络从全色图像中提取多光谱图像所缺失的高频信息,与传统算法相比,本发明所提取的空间细节信息更具针对性。
2、本发明的卷积神经网络仅利用全色图像学习低分辨率多光谱图像所缺失的细节信息,在保持相同锐化效果的同时,减少网络的参数量,进一步降低了卷积神经网络的训练耗时。
3、本发明所设计的卷积神经网络,能将基于完整多光谱图像训练的模型迁移至丢失某些波段后的多光谱图像,避免了重新训练的步骤。
附图说明
图1为本发明实施例基于迁移学习神经网络的多光谱图像锐化方法流程图。
图2为本发明实施例卷积神经网络模型的结构图。
图3(a)为IKONOS卫星丢失波段参考图,图3(b)为采用双三次插值算法对参考图进行处理后的图像,图3(c)为采用主成分分析算法对参考图进行处理后的图像,图3(d)为基于平滑滤波的强度调制算法对参考图进行处理后的图像,图3(e)为采用本实施例所述方法对参考图进行处理后的图像。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例:
本实施例提供了一种基于迁移学习神经网络的多光谱图像锐化方法,流程图如图1所示,包括以下步骤:
步骤1、读取原始多光谱图像及与其配准的全色图像作为训练样本,对读取的训练样本进行预处理,得到训练样本对;
步骤2、搭建卷积神经网络模型,所述卷积神经网络模型包括卷积层和求和层,非线性激活函数采用线性整流函数;
步骤3、利用零均值的高斯分布随机初始化卷积神经网络模型中各层卷积核的权重和偏置;
步骤4、选用欧氏距离作为损失函数,得到网络预测图像与参照图像之间的欧式距离,即损失误差;
步骤5、采用自适应矩估计算法对权重和偏置进行迭代更新,直到损失误差下降至可接受范围内,此时所求得的权重和偏置参数为最优解,即得到最优卷积神经网络模型;
步骤6、若多光谱测试图像波段完整,将其进行与步骤1相同的预处理,而后输入至步骤5训练得到的最优卷积神经网络模型,输出锐化处理后的多光谱图像;
步骤7、若多光谱测试图像波段丢失,先对步骤5训练得到的最优卷积神经网络模型进行微调处理,再输入低分辨率的多光谱图像,输出锐化处理后的多光谱图像。
进一步地,所述步骤1的具体过程为:
步骤1.1、对训练样本的预处理:对读取的原始多光谱图像训练样本和原始全色图像训练样本同时先用与各自传感器的调制传递函数相适应的高斯滤波器进行平滑滤波,再进行s倍的下采样,得到低分辨率的多光谱图像训练样本和低分辨率的全色图像训练样本其中h1、w1分别表示多光谱图像的长和宽,H1、W1分别表示全色图像的长和宽,b表示波段数,两幅图像满足以下关系:h1=sH1、w1=sW1,s表示多光谱图像与全色图像的空间分辨率之比;接着仅对进行s倍的双三次插值,得到与具有相同分辨率,但图像质量较差的多光谱图像训练样本
步骤1.2、对训练样本和进行采样处理:同时以一定间隔在训练样本和上进行采样,将其分解为多个像素点较少的全色图像训练样本块和多光谱图像训练样本块
进一步地,步骤2中搭建的卷积神经网络模型如图2所示,共包括四层:
第一层:卷积层Conv1,输入全色图像训练样本块与64个大小为3×3的卷积核分别进行卷积滤波,并输入至线性整流函数激活处理,输出64个特征图Y1 (i),能够表示为:其中Y1 (i)表示第一层卷积层对应的输出特征图,W1,B1分别表示第一层卷积核的权重矩阵和偏置矩阵,表示线性整流函数;
第二层:卷积层Conv2,输入上一层的输出,与64个大小为3×3的卷积核分别进行卷积滤波,并输入至线性整流函数激活处理,输出64个特征图Y2 (i);
第三层:卷积层Conv3,输入上一层的输出,与b个大小为3×3的卷积核分别进行卷积滤波,直接输出b个特征图Y3 (i);
第四层:求和层Sum,输入上一层的输出和多光谱图像训练样本块两个输入数据进行逐元素相加,输出网络锐化处理后预测的高分辨多光谱图像O(i),其表达式为
进一步地,步骤4中卷积神经网络模型训练时所选用的欧氏距离损失函数表达式为:其中θ表示卷积神经网络模型需要优化的参数集合,Np表示随机梯度下降算法中的批尺寸,||·||F表示矩阵的F-范数。
进一步地,所述步骤7中对步骤5训练得到的最优卷积神经网络模型进行微调处理的具体过程为:
首先,沿用步骤2中的卷积神经网络模型构建新的卷积神经网络模型,区别在于,其中卷积层Conv3输入上一层的输出,与b-n个大小为3×3的卷积核分别进行卷积滤波,直接输出b-n个特征图Y3 (i),其中n表示多光谱测试图像被丢失的波段数量;
然后,利用步骤5训练后得到的权重和偏置作为新卷积神经网络模型的初始化参数,其中卷积层Conv3的权重和偏置利用步骤3的方法重新随机初始化;
其次,设置学习率:将卷积层Conv1和卷积层Conv2的学习率均设置为0,而卷积层Conv3的学习率保持与步骤5的相同;
最后,进行训练迭代:采用自适应矩估计的方法,对新卷积神经网络模型的权重和偏置进行更新,直到损失误差下降至可接受的范围内,得到微调处理后最优的新卷积神经网络模型。
具体地,采用来自IKONOS卫星数据的多光谱图像和全色图像对本实施例所述方法进行验证,所述图像具有红、绿、蓝和近红外四个通道,全色图像和多光谱图像分辨率之比为4:1,全色图像的尺寸为256*256,多光谱图像的尺寸为64*64。
图3(a)为IKONOS卫星丢失波段参考图,图3(b)为采用双三次插值算法对参考图进行处理后的图像,图3(c)为采用主成分分析算法对参考图进行处理后的图像,图3(d)为基于平滑滤波的强度调制算法对参考图进行处理后的图像,图3(e)为采用本实施例所述方法对参考图进行处理后的图像。从图中可以看出:双三次插值得到的结果较为模糊,空间细节恢复能力较差;主成分分析和基于平滑滤波的强度调制算法均存在噪点,与参照图相差较大;本实施例所述方法的锐化结果与参考图更为接近,说明本发明的锐化效果更佳。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明专利构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (5)
1.一种基于迁移学习神经网络的多光谱图像锐化方法,其特征在于,所述方法包括以下步骤:
步骤1、读取原始多光谱图像及与其配准的全色图像作为训练样本,对读取的训练样本进行预处理,得到训练样本对;
步骤2、搭建卷积神经网络模型,所述卷积神经网络模型包括卷积层和求和层,非线性激活函数采用线性整流函数;
步骤3、利用零均值的高斯分布随机初始化卷积神经网络模型中各层卷积核的权重和偏置;
步骤4、选用欧氏距离作为损失函数,得到网络预测图像与参照图像之间的欧式距离,即损失误差;
步骤5、采用自适应矩估计算法对权重和偏置进行迭代更新,直到损失误差下降至可接受范围内,此时所求得的权重和偏置参数为最优解,即得到最优卷积神经网络模型;
步骤6、若多光谱测试图像波段完整,将其进行与步骤1相同的预处理,而后输入至步骤5训练得到的最优卷积神经网络模型,输出锐化处理后的多光谱图像;
步骤7、若多光谱测试图像波段丢失,先对步骤5训练得到的最优卷积神经网络模型进行微调处理,再输入低分辨率的多光谱图像,输出锐化处理后的多光谱图像。
2.根据权利要求1所述的基于迁移学习神经网络的多光谱图像锐化方法,其特征在于,所述步骤1的具体过程为:
步骤1.1、对训练样本的预处理:对读取的原始多光谱图像训练样本和原始全色图像训练样本同时先用与各自传感器的调制传递函数相适应的高斯滤波器进行平滑滤波,再进行s倍的下采样,得到低分辨率的多光谱图像训练样本和低分辨率的全色图像训练样本其中h1、w1分别表示多光谱图像的长和宽,H1、W1分别表示全色图像的长和宽,b表示波段数,两幅图像满足以下关系:h1=sH1、w1=sW1,s表示多光谱图像与全色图像的空间分辨率之比;接着仅对进行s倍的双三次插值,得到与具有相同分辨率,但图像质量较差的多光谱图像训练样本
步骤1.2、对训练样本和进行采样处理:同时以一定间隔在训练样本和上进行采样,将其分解为多个像素点较少的全色图像训练样本块和多光谱图像训练样本块
3.根据权利要求2所述的基于迁移学习神经网络的多光谱图像锐化方法,其特征在于,步骤2中搭建的卷积神经网络模型共包括四层:
第一层:卷积层Conv1,输入全色图像训练样本块与64个大小为3×3的卷积核分别进行卷积滤波,并输入至线性整流函数激活处理,输出64个特征图Y1 (i),能够表示为:其中Y1 (i)表示第一层卷积层对应的输出特征图,W1,B1分别表示第一层卷积核的权重矩阵和偏置矩阵,表示线性整流函数;
第二层:卷积层Conv2,输入上一层的输出,与64个大小为3×3的卷积核分别进行卷积滤波,并输入至线性整流函数激活处理,输出64个特征图Y2 (i);
第三层:卷积层Conv3,输入上一层的输出,与b个大小为3×3的卷积核分别进行卷积滤波,直接输出b个特征图Y3 (i);
第四层:求和层Sum,输入上一层的输出和多光谱图像训练样本块两个输入数据进行逐元素相加,输出网络锐化处理后预测的高分辨多光谱图像O(i),其表达式为
4.根据权利要求3所述的基于迁移学习神经网络的多光谱图像锐化方法,其特征在于,步骤4中卷积神经网络模型训练时所选用的欧氏距离损失函数表达式为:其中θ表示卷积神经网络模型需要优化的参数集合,Np表示随机梯度下降算法中的批尺寸,||·||F表示矩阵的F-范数。
5.根据权利要求3所述的基于迁移学习神经网络的多光谱图像锐化方法,其特征在于,所述步骤7中对步骤5训练得到的最优卷积神经网络模型进行微调处理的具体过程为:
首先,沿用步骤2中的卷积神经网络模型构建新的卷积神经网络模型,区别在于,其中卷积层Conv3输入上一层的输出,与b-n个大小为3×3的卷积核分别进行卷积滤波,直接输出b-n个特征图Y3 (i),其中n表示多光谱测试图像被丢失的波段数量;
然后,利用步骤5训练后得到的权重和偏置作为新卷积神经网络模型的初始化参数,其中卷积层Conv3的权重和偏置利用步骤3的方法重新随机初始化;
其次,设置学习率:将卷积层Conv1和卷积层Conv2的学习率均设置为0,而卷积层Conv3的学习率保持与步骤5的相同;
最后,进行训练迭代:采用自适应矩估计的方法,对新卷积神经网络模型的权重和偏置进行更新,直到损失误差下降至可接受的范围内,得到微调处理后最优的新卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810721825.0A CN109003239B (zh) | 2018-07-04 | 2018-07-04 | 一种基于迁移学习神经网络的多光谱图像锐化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810721825.0A CN109003239B (zh) | 2018-07-04 | 2018-07-04 | 一种基于迁移学习神经网络的多光谱图像锐化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109003239A true CN109003239A (zh) | 2018-12-14 |
CN109003239B CN109003239B (zh) | 2022-03-29 |
Family
ID=64599020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810721825.0A Active CN109003239B (zh) | 2018-07-04 | 2018-07-04 | 一种基于迁移学习神经网络的多光谱图像锐化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109003239B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189282A (zh) * | 2019-05-09 | 2019-08-30 | 西北工业大学 | 基于密集和跳跃连接深度卷积网络的多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 |
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 |
CN110619613A (zh) * | 2019-09-23 | 2019-12-27 | 云南电网有限责任公司电力科学研究院 | 一种图像锐化方法、电子设备及计算机可读存储介质 |
CN111008936A (zh) * | 2019-11-18 | 2020-04-14 | 华南理工大学 | 一种多光谱图像全色锐化方法 |
CN111652193A (zh) * | 2020-07-08 | 2020-09-11 | 中南林业科技大学 | 基于多源影像的湿地分类方法 |
CN115564644A (zh) * | 2022-01-10 | 2023-01-03 | 荣耀终端有限公司 | 图像数据的处理方法、相关设备以及计算机存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916430A (zh) * | 2010-07-13 | 2010-12-15 | 武汉大学 | 基于波段相关性的遥感影像类内局部拟合恢复方法 |
CN104766282A (zh) * | 2015-04-13 | 2015-07-08 | 清华大学深圳研究生院 | 一种高光谱图像的修补方法 |
CN106507188A (zh) * | 2016-11-25 | 2017-03-15 | 南京中密信息科技有限公司 | 一种基于卷积神经网络的视频台标识别装置及工作方法 |
CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
CN106952220A (zh) * | 2017-03-14 | 2017-07-14 | 长沙全度影像科技有限公司 | 一种基于深度学习的全景图像融合方法 |
CN107239759A (zh) * | 2017-05-27 | 2017-10-10 | 中国科学院遥感与数字地球研究所 | 一种基于深度特征的高空间分辨率遥感图像迁移学习方法 |
CN107301372A (zh) * | 2017-05-11 | 2017-10-27 | 中国科学院西安光学精密机械研究所 | 基于迁移学习的高光谱图像超分辨率方法 |
CN107341518A (zh) * | 2017-07-07 | 2017-11-10 | 东华理工大学 | 一种基于卷积神经网络的图像分类方法 |
CN107403415A (zh) * | 2017-07-21 | 2017-11-28 | 深圳大学 | 基于全卷积神经网络的压缩深度图质量增强方法及装置 |
US20180075594A1 (en) * | 2016-09-14 | 2018-03-15 | Kla-Tencor Corporation | Convolutional Neural Network-based Mode Selection and Defect Classification for Image Fusion |
-
2018
- 2018-07-04 CN CN201810721825.0A patent/CN109003239B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101916430A (zh) * | 2010-07-13 | 2010-12-15 | 武汉大学 | 基于波段相关性的遥感影像类内局部拟合恢复方法 |
CN104766282A (zh) * | 2015-04-13 | 2015-07-08 | 清华大学深圳研究生院 | 一种高光谱图像的修补方法 |
US20180075594A1 (en) * | 2016-09-14 | 2018-03-15 | Kla-Tencor Corporation | Convolutional Neural Network-based Mode Selection and Defect Classification for Image Fusion |
CN106507188A (zh) * | 2016-11-25 | 2017-03-15 | 南京中密信息科技有限公司 | 一种基于卷积神经网络的视频台标识别装置及工作方法 |
CN106709875A (zh) * | 2016-12-30 | 2017-05-24 | 北京工业大学 | 一种基于联合深度网络的压缩低分辨率图像复原方法 |
CN106952220A (zh) * | 2017-03-14 | 2017-07-14 | 长沙全度影像科技有限公司 | 一种基于深度学习的全景图像融合方法 |
CN107301372A (zh) * | 2017-05-11 | 2017-10-27 | 中国科学院西安光学精密机械研究所 | 基于迁移学习的高光谱图像超分辨率方法 |
CN107239759A (zh) * | 2017-05-27 | 2017-10-10 | 中国科学院遥感与数字地球研究所 | 一种基于深度特征的高空间分辨率遥感图像迁移学习方法 |
CN107341518A (zh) * | 2017-07-07 | 2017-11-10 | 东华理工大学 | 一种基于卷积神经网络的图像分类方法 |
CN107403415A (zh) * | 2017-07-21 | 2017-11-28 | 深圳大学 | 基于全卷积神经网络的压缩深度图质量增强方法及装置 |
Non-Patent Citations (4)
Title |
---|
GIUSEPPE MASI 等: "CNN-based pansharpening of multi-resolution remote-sensing images", 《IEEE》 * |
GIUSEPPE, MASI 等: "Pansharpening by convolutional neural networks", 《REMOTE SENSING》 * |
刘鹏飞 等: "基于卷积神经网络的图像超分辨率重建", 《计算机工程与应用》 * |
孙超 等: "基于迁移学习的红外图像超分辨率方法研究", 《激光与红外》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110189282A (zh) * | 2019-05-09 | 2019-08-30 | 西北工业大学 | 基于密集和跳跃连接深度卷积网络的多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 |
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 |
CN110619613A (zh) * | 2019-09-23 | 2019-12-27 | 云南电网有限责任公司电力科学研究院 | 一种图像锐化方法、电子设备及计算机可读存储介质 |
CN111008936A (zh) * | 2019-11-18 | 2020-04-14 | 华南理工大学 | 一种多光谱图像全色锐化方法 |
CN111008936B (zh) * | 2019-11-18 | 2023-03-31 | 华南理工大学 | 一种多光谱图像全色锐化方法 |
CN111652193A (zh) * | 2020-07-08 | 2020-09-11 | 中南林业科技大学 | 基于多源影像的湿地分类方法 |
CN111652193B (zh) * | 2020-07-08 | 2024-03-19 | 中南林业科技大学 | 基于多源影像的湿地分类方法 |
CN115564644A (zh) * | 2022-01-10 | 2023-01-03 | 荣耀终端有限公司 | 图像数据的处理方法、相关设备以及计算机存储介质 |
CN115564644B (zh) * | 2022-01-10 | 2023-07-25 | 荣耀终端有限公司 | 图像数据的处理方法、相关设备以及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109003239B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109003239A (zh) | 一种基于迁移学习神经网络的多光谱图像锐化方法 | |
CN109102469B (zh) | 一种基于卷积神经网络的遥感图像全色锐化方法 | |
Song et al. | Spatiotemporal satellite image fusion through one-pair image learning | |
CN110415199B (zh) | 基于残差学习的多光谱遥感图像融合方法及装置 | |
CN109272010B (zh) | 基于卷积神经网络的多尺度遥感图像融合方法 | |
CN109859110A (zh) | 基于光谱维控制卷积神经网络的高光谱图像全色锐化方法 | |
CN107945146B (zh) | 一种基于深度卷积神经网络的时空卫星图像融合方法 | |
CN109727207B (zh) | 基于光谱预测残差卷积神经网络的高光谱图像锐化方法 | |
Hu et al. | Pan-sharpening via multiscale dynamic convolutional neural network | |
CN112819737B (zh) | 基于3d卷积的多尺度注意力深度卷积网络的遥感图像融合方法 | |
Dian et al. | Hyperspectral image super-resolution via local low-rank and sparse representations | |
CN104851077A (zh) | 一种自适应的遥感图像全色锐化方法 | |
Masi et al. | CNN-based pansharpening of multi-resolution remote-sensing images | |
CN112733596A (zh) | 一种基于中高空间分辨率遥感影像融合的森林资源变化监测方法及应用 | |
Han et al. | Residual HSRCNN: Residual hyper-spectral reconstruction CNN from an RGB image | |
CN107169946A (zh) | 基于非负稀疏矩阵与超球面彩色变换的图像融合方法 | |
CN108734668A (zh) | 图像色彩恢复方法、装置、计算机可读存储介质及终端 | |
CN111008936B (zh) | 一种多光谱图像全色锐化方法 | |
CN115512192A (zh) | 基于跨尺度的octave卷积网络的多光谱和高光谱图像融合方法 | |
CN115311184A (zh) | 基于半监督深度神经网络的遥感图像融合方法及系统 | |
CN113902646A (zh) | 基于深浅层特征加权融合网络的遥感影像泛锐化方法 | |
CN108537765A (zh) | 一种星载全色与多光谱图像融合方法 | |
Chen et al. | Spatial data augmentation: Improving the generalization of neural networks for pansharpening | |
CN109785253B (zh) | 一种基于增强反投影的全色锐化后处理方法 | |
CN115082344A (zh) | 基于细节注入的双分支网络全色锐化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |