CN109064435B - 一种基于多光谱影像的Gram-Schmdit融合快速处理方法 - Google Patents

一种基于多光谱影像的Gram-Schmdit融合快速处理方法 Download PDF

Info

Publication number
CN109064435B
CN109064435B CN201810735190.XA CN201810735190A CN109064435B CN 109064435 B CN109064435 B CN 109064435B CN 201810735190 A CN201810735190 A CN 201810735190A CN 109064435 B CN109064435 B CN 109064435B
Authority
CN
China
Prior art keywords
fusion
component
formula
value
image
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
CN201810735190.XA
Other languages
English (en)
Other versions
CN109064435A (zh
Inventor
吴方才
周馨
白晓辉
李艳艳
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.)
Zhongke Star Map Co ltd
Original Assignee
Zhongke Star Map Co ltd
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 Zhongke Star Map Co ltd filed Critical Zhongke Star Map Co ltd
Priority to CN201810735190.XA priority Critical patent/CN109064435B/zh
Publication of CN109064435A publication Critical patent/CN109064435A/zh
Application granted granted Critical
Publication of CN109064435B publication Critical patent/CN109064435B/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 using two or more images, e.g. averaging or 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于多光谱影像的Gram‑Schmdit融合快速处理方法，其整体步骤为：一、简化Gram‑Schmdit变换公式：二、对融合公式系数进行约等化：三、Gram‑Schmdit融合快速处理。本发明通过调整及简化Gram‑Schmdit融合方法的处理过程，并对其中的统计参数进行约等化处理，可减少输出中间结果的数量，并尽量降低对IO的访问次数，从而有利于提高融合处理速度，特别是针对高分辨率、大数据量的数据时，效率提升更加显著。因此，本发明可以解决普通硬件配置条件下，基于常规Gram‑Schmdit融合方法处理速度慢的问题。

Description

一种基于多光谱影像的Gram-Schmdit融合快速处理方法
技术领域
本发明涉及一种方法，尤其涉及一种基于多光谱影像的Gram-Schmdit融合快速处理方法。
背景技术
对于光学系统的遥感影像，其空间分辨率和光谱分辨率一直存在着不可避免的矛盾。通过将较低空间分辨率的多光谱影像和较高空间分辨率的全色影像的融合，可以产生多光谱和高空间分辨率的影像。因此，各种基于不同算法的融合方法得到了迅速发展和广泛应用。随着遥感技术的发展，由于对图像解译和反演目标参数的需要，一些简单的融合方法在很大程度上已无法满足对于光谱信息保持、空间纹理信息增加的迫切需求。
Gram-Schmdit(施密特正交化)融合方法借助ENVI遥感图像处理软件，并依靠组件更替战略，可使得融合影像在光谱信息及空间信息上均具有较好的保真度，因此得到了广泛推广和应用。但现有的Gram-Schmdit融合方法流程的所有中间结果均需要保存成为临时文件，以降低对普通机器内存的占用，并作为后续流程的输入再次读取使用，特别是所处理的影像为高分辨率、大数据量的全色或者较多波段多光谱数据时，大量的IO读写过程，将使得融合处理效率严重降低。
发明内容
为了解决上述技术所存在的不足之处，本发明提供了一种基于多光谱影像的Gram-Schmdit融合快速处理方法。
为了解决以上技术问题，本发明采用的技术方案是：一种基于多光谱影像的Gram-Schmdit融合快速处理方法，其整体步骤为：
步骤一、简化Gram-Schmdit变换公式：
GS变换公式如下：
Figure GDA0003197345820000021
其中，GST是第i行第j列像素GS变换后产生的第T个分量，BT是原始多光谱影像第i行第j列像素在第T个波段的灰度值，uT是原始多光谱影像在第T个波段灰度值的均值；
Figure GDA0003197345820000022
是第T个波段的原始多光谱影像与第l个GS分量的协方差值再与第l个GS分量方差值的比值，l的取值为1～T-1；
GS逆变换公式如下：
Figure GDA0003197345820000023
其中，BT是原始多光谱影像第i行第j列像素在第T个波段的灰度值，GST是第i行第j列像素GS变换后产生的第T个分量，uT是原始多光谱影像在第T个波段灰度值的均值；
Figure GDA0003197345820000024
是第T个波段的原始多光谱影像与第l个GS分量的协方差值再与第l个GS分量方差值的比值，l的取值为1～T-1；
将GS变换和GS逆变换公式进行合并，并将除了均值、第一个GS分量和替换的GS分量相关参数以外的其他参数约掉，形成新的GS融合公式，即公式3：
Figure GDA0003197345820000025
其中，
Figure GDA0003197345820000026
为融合后的第i行第j列的像素值，BT是原始多光谱影像第i行第j列像素在第T个波段的灰度值，GS1是GS第一分量，
Figure GDA0003197345820000027
是修正后的GS第一分量，a1、a2均是融合公式系数；
公式3表明，仅通过求取融合公式系数、GS第一分量、修正后的GS第一分量即可得到GS融合结果；
a1、a2的具体表示如下：
Figure GDA0003197345820000031
Figure GDA0003197345820000032
其中，
Figure GDA0003197345820000033
为第T个波段的原始多光谱影像与GS第一分量的协方差再与GS第一分量方差的比值；
Figure GDA0003197345820000034
为第T个波段的原始多光谱影像与修正后GS第一分量的协方差再与修正后GS第一分量方差的比值；
步骤二、对融合公式系数进行约等化：
对GS融合公式的系数a1、a2进行约等化处理的推理过程如下：
在数学上，求解协方差及方差的公式分别如公式6、公式7所示：
Figure GDA0003197345820000035
Figure GDA0003197345820000036
其中，X(i，j)为二维数组X中第i行第j列元素的值，Y(i，j)为二维数组Y中第i行第j列元素的值，uX为二维数组X的平均值，uY为二维数组Y的平均值，C为二维数组的列数，R为二维数组的行数；
由于遥感影像数据量较大，在协方差和方差计算时略掉均值，从而通过约等值求取融合公式的系数，约等化之后的协方差及方差公式分别如公式8、公式9所示：
Figure GDA0003197345820000041
Figure GDA0003197345820000042
从而，改进后的融合系数a1、a2表达公式分别如公式10、公式11所示：
Figure GDA0003197345820000043
Figure GDA0003197345820000044
步骤三、Gram-Schmdit融合快速处理：
将步骤二生成的融合系数a1、a2代入至公式3中，得到最终的融合结果，并运用于快速处理方法中进行运算。
进一步地，步骤三的具体运算流程为：
Ⅰ、使用多光谱低空间分辨率影像对低分辨率全色波段进行模拟，接着其重采样成为与实际全色波段同等分辨率的模拟高分辨率全色影像，并将结果写出为临时二进制文件；
Ⅱ、分别计算输入高分辨率全色数据和标准差分辨率影像的均值和标准差，通过均值和标准差调整高分辨率全色数据的统计值来匹配GS第一分量，以产生经过修改的高分辨率影像，即修正后的GS第一分量，并将结果写出为临时二进制文件；
Ⅲ、按照波段顺序对各多光谱波段进行影像融合变换。
进一步地，步骤Ⅲ中对各多光谱波段进行影像融合变换的具体方式为：
a、多光谱波段数据重采样为与全色相同的分辨率数据，分别计算其与GS第一分量、修正后的GS第一分量的协方差和方差，最终得到融合公式的系数a1、a2；
b、输入重采样后的多光谱数据、GS第一分量数据和修改后的GS第一分量数据，利用上一步求取的系数，通过融合公式，计算得到融合后的多光谱数据。
本发明通过调整及简化Gram-Schmdit融合方法的处理过程，并对其中的统计参数进行约等化处理，可减少输出中间结果的数量，并尽量降低对IO的访问次数，从而有利于提高融合处理速度，特别是针对高分辨率、大数据量的数据时，效率提升更加显著。因此，本发明可以解决普通硬件配置条件下，基于常规Gram-Schmdit融合方法处理速度慢的问题。
附图说明
图1为本发明的整体流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
目前的Gram-Schmdit融合中，需要通过Gram-Schmdit变换公式(即公式1)，将重采样后参与融合的除第一个波段以外的所有多光谱波段数据(多光谱波段数据通常分为4个波段)转换为对应的正交分量，再通过模拟全色方法获得GS第一波段的分量(简称GS第一分量)，并输出成多个临时文件。接着通过生成修正全色数据(即修正后的模拟全色影像数据)替换GS第一分量，并读取临时文件中的数据，利用Gram-Schmdit逆变换公式(即公式2)，将各GS分量逆变换为融合后的多光谱波段数据。
Figure GDA0003197345820000061
其中，GST是第i行第j列像素GS变换后产生的第T个分量，BT是原始多光谱影像第i行第j列像素在第T个波段的灰度值，uT是原始多光谱影像在第T个波段灰度值的均值。
Figure GDA0003197345820000062
是第T个波段的原始多光谱影像与第l个GS分量的协方差值再与第l个GS分量方差值的比值，l的取值为1～T-1。
Figure GDA0003197345820000063
其中，BT是原始多光谱影像第i行第j列像素在第T个波段的灰度值，GST是第i行第j列像素GS变换后产生的第T个分量，uT是原始多光谱影像在第T个波段灰度值的均值。
Figure GDA0003197345820000064
是第T个波段的原始多光谱影像与第l个GS分量的协方差值再与第l个GS分量方差值的比值，l的取值为1～T-1。
通过上面的公式可以发现，GS变换要顺序生成所有多光谱波段的GS分量，并访问IO写入磁盘生成临时文件，后续还需要再次访问IO依次读取生成的临时文件，并顺序生成所有的融合后多光谱波段数据。对IO的访问次数较多，且计算过程较为复杂。
对GS变换和GS逆变换公式的分析及融合过程进行梳理，将公式1带入公式2中，可发现除了均值、第一个GS分量和替换的GS分量相关参数，其他参数均可约掉。
因此，一种基于多光谱影像的Gram-Schmdit融合快速处理方法，其推导过程如下(如图1所示)：
步骤一、简化Gram-Schmdit变换公式：
将GS变换和GS逆变换公式进行合并，形成新的GS融合公式，即公式3；从公式3可以看出，仅通过求取融合公式系数、GS第一分量、修正后的GS第一分量即可得到GS融合结果。
Figure GDA0003197345820000071
其中，
Figure GDA0003197345820000072
为融合后的第i行第j列的像素值，BT是原始多光谱影像第i行第j列像素在第T个波段的灰度值，GS1是GS第一分量，
Figure GDA0003197345820000073
是修正后的GS第一分量，a1、a2均是融合公式系数，a1是第T个波段的原始多光谱影像与GS第一分量的协方差再与GS第一分量方差的比值、a2是第T个波段的原始多光谱影像与修正后GS第一分量的协方差再与修正后GS第一分量方差的比值，其具体表示如下所示：
Figure GDA0003197345820000074
Figure GDA0003197345820000075
此外，通过简化融合公式，可同时减少处理流程中的IO操作，融合处理过程中针对所有GS分量的输出及读取，减少成为GS第一分量数据和修正后的GS第一分量数据的输出及读取。
步骤二、对融合公式系数进行约等化：
对融合公式(即公式3)的系数a1、a2进行约等化处理的推理过程如下：
在数学上，求解协方差公式及方差公式分别如公式6、公式7所示：
Figure GDA0003197345820000076
Figure GDA0003197345820000081
其中，X(i，j)为二维数组X中第i行第j列元素的值，Y(i，j)为二维数组Y中第i行第j列元素的值，uX为二维数组X的平均值，uY为二维数组Y的平均值，C为二维数组的列数，R为二维数组的行数。
从上面公式中可以看出，求取协方差和方差的时候需要用到均值(即二维矩阵求和之后与元素总个数的比值)，因此需要首先循环整个影像统计均值，对于影像数据量大的情况，此次循环将花费大量时间，降低计算效率。通过实验分析，发现由于遥感影像数据量较大，因此可以通过在协方差和方差计算时略掉均值，从而通过约等值求取融合公式的系数，约等化之后的协方差公式及方差公式分别如公式8、公式9所示：
Figure GDA0003197345820000082
Figure GDA0003197345820000083
因此，改进后的系数a1、a2表达公式分别如公式10、公式11所示：
Figure GDA0003197345820000084
Figure GDA0003197345820000085
步骤三、Gram-Schmdit融合快速处理：
该步骤的具体流程为：
Ⅰ、使用多光谱低空间分辨率影像对低分辨率全色波段进行模拟，接着其重采样成为与实际全色波段同等分辨率的模拟高分辨率全色影像，并将结果写出为临时二进制文件；
Ⅱ、分别计算输入高分辨率全色数据和标准差分辨率影像的均值和标准差，通过均值和标准差调整高分辨率全色数据的统计值来匹配GS第一分量，以产生经过修改的高分辨率影像，即修正后的GS第一分量，并将结果写出为临时二进制文件；
Ⅲ、按照波段顺序对各多光谱波段进行影像融合变换：
a、多光谱波段数据重采样为与全色相同的分辨率数据，分别计算其与GS第一分量、修正后的GS第一分量的协方差和方差，最终得到融合公式的系数a1、a2。
b、输入重采样后的多光谱数据、GS第一分量数据和修正后的GS第一分量数据，利用上一步求取的系数，通过融合公式，计算得到融合后的多光谱数据。
本发明已在遥感数据处理平台上验证使用，可满足在普通配置机器上快速处理需求。本发明与现有技术相比，具有以下优势：
1)通过对GS变换公式和GS逆变换公式的合并改造，使得GS融合处理流程简化；
2)对融合公式系数约等化，减少对影像的循环次数，提高处理效率；
3)简化融合处理流程，提高融合处理效率，特别是针对高分辨率、大数据量的数据时，效率提升更加显著。
上述实施方式并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换，也均属于本发明的保护范围。

Claims (3)

1.一种基于多光谱影像的Gram-Schmdit融合快速处理方法，其特征在于：所述方法的整体步骤为：
步骤一、简化Gram-Schmdit变换公式：
GS变换公式如下：
Figure FDA0003197345810000011
其中，GST是第i行第j列像素GS变换后产生的第T个分量，BT是原始多光谱影像第i行第j列像素在第T个波段的灰度值，uT是原始多光谱影像在第T个波段灰度值的均值；
Figure FDA0003197345810000012
是第T个波段的原始多光谱影像与第l个GS分量的协方差值再与第l个GS分量方差值的比值，l的取值为1～T-1；
GS逆变换公式如下：
Figure FDA0003197345810000013
其中，BT是原始多光谱影像第i行第j列像素在第T个波段的灰度值，GST是第i行第j列像素GS变换后产生的第T个分量，uT是原始多光谱影像在第T个波段灰度值的均值；
Figure FDA0003197345810000014
是第T个波段的原始多光谱影像与第l个GS分量的协方差值再与第l个GS分量方差值的比值，l的取值为1～T-1；
将GS变换和GS逆变换公式进行合并，并将除了均值、第一个GS分量和替换的GS分量相关参数以外的其他参数约掉，形成新的GS融合公式，即公式3：
Figure FDA0003197345810000015
其中，
Figure FDA0003197345810000016
为融合后的第i行第j列的像素值，BT是原始多光谱影像第i行第j列像素在第T个波段的灰度值，GS1是GS第一分量，
Figure FDA0003197345810000017
是修正后的GS第一分量，a1、a2均是融合公式系数；
公式3表明，仅通过求取融合公式系数、GS第一分量、修正后的GS第一分量即可得到GS融合结果；
a1、a2的具体表示如下：
Figure FDA0003197345810000021
Figure FDA0003197345810000022
其中，
Figure FDA0003197345810000023
为第T个波段的原始多光谱影像与GS第一分量的协方差再与GS第一分量方差的比值；
Figure FDA0003197345810000024
为第T个波段的原始多光谱影像与修正后GS第一分量的协方差再与修正后GS第一分量方差的比值；
步骤二、对融合公式系数进行约等化：
对GS融合公式的系数a1、a2进行约等化处理的推理过程如下：
在数学上，求解协方差及方差的公式分别如公式6、公式7所示：
Figure FDA0003197345810000025
Figure FDA0003197345810000026
其中，X(i，j)为二维数组X中第i行第j列元素的值，Y(i，j)为二维数组Y中第i行第j列元素的值，uX为二维数组X的平均值，uY为二维数组Y的平均值，C为二维数组的列数，R为二维数组的行数；
由于遥感影像数据量较大，在协方差和方差计算时略掉均值，从而通过约等值求取融合公式的系数，约等化之后的协方差及方差公式分别如公式8、公式9所示：
Figure FDA0003197345810000031
Figure FDA0003197345810000032
从而，改进后的融合系数a1、a2表达公式分别如公式10、公式11所示：
Figure FDA0003197345810000033
Figure FDA0003197345810000034
步骤三、Gram-Schmdit融合快速处理：
将步骤二生成的融合系数a1、a2代入至公式3中，得到最终的融合结果，并运用于快速处理方法中进行运算。
2.根据权利要求1所述的基于多光谱影像的Gram-Schmdit融合快速处理方法，其特征在于：所述步骤三的具体运算流程为：
Ⅰ、使用多光谱低空间分辨率影像对低分辨率全色波段进行模拟，接着其重采样成为与实际全色波段同等分辨率的模拟高分辨率全色影像，并将结果写出为临时二进制文件；
Ⅱ、分别计算输入高分辨率全色数据和标准差分辨率影像的均值和标准差，通过均值和标准差调整高分辨率全色数据的统计值来匹配GS第一分量，以产生经过修改的高分辨率影像，即修正后的GS第一分量，并将结果写出为临时二进制文件；
Ⅲ、按照波段顺序对各多光谱波段进行影像融合变换。
3.根据权利要求2所述的基于多光谱影像的Gram-Schmdit融合快速处理方法，其特征在于：所述步骤Ⅲ中对各多光谱波段进行影像融合变换的具体方式为：
a、多光谱波段数据重采样为与全色相同的分辨率数据，分别计算其与GS第一分量、修正后的GS第一分量的协方差和方差，最终得到融合公式的系数a1、a2；
b、输入重采样后的多光谱数据、GS第一分量数据和修改后的GS第一分量数据，利用上一步求取的系数，通过融合公式，计算得到融合后的多光谱数据。
CN201810735190.XA 2018-07-06 2018-07-06 一种基于多光谱影像的Gram-Schmdit融合快速处理方法 Active CN109064435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810735190.XA CN109064435B (zh) 2018-07-06 2018-07-06 一种基于多光谱影像的Gram-Schmdit融合快速处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810735190.XA CN109064435B (zh) 2018-07-06 2018-07-06 一种基于多光谱影像的Gram-Schmdit融合快速处理方法

Publications (2)

Publication Number Publication Date
CN109064435A CN109064435A (zh) 2018-12-21
CN109064435B true CN109064435B (zh) 2021-09-07

Family

ID=64818928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810735190.XA Active CN109064435B (zh) 2018-07-06 2018-07-06 一种基于多光谱影像的Gram-Schmdit融合快速处理方法

Country Status (1)

Country Link
CN (1) CN109064435B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110706188B (zh) * 2019-09-23 2020-10-23 北京航天宏图信息技术股份有限公司 一种影像融合方法、装置、电子设备及存储介质
CN111199530A (zh) * 2019-12-27 2020-05-26 南京航空航天大学 Sar图像与可见光图像的融合方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013093A (zh) * 2010-12-02 2011-04-13 南京大学 一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法
CN102842124A (zh) * 2012-07-16 2012-12-26 西安电子科技大学 基于矩阵低秩分解的多光谱图像与全色图像融合方法
CN104391295A (zh) * 2014-09-02 2015-03-04 电子科技大学 一种图像熵最优的压缩传感sar稀疏自聚焦成像方法
CN105044697A (zh) * 2015-06-26 2015-11-11 西安电子科技大学 基于广义特征分解的全极化高分辨距离像目标检测方法
CN105160647A (zh) * 2015-10-28 2015-12-16 中国地质大学（武汉） 一种全色多光谱影像融合方法
CN106384332A (zh) * 2016-09-09 2017-02-08 中山大学 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102013093A (zh) * 2010-12-02 2011-04-13 南京大学 一种基于Gram-Schmidt融合和LEGION的高分辨率遥感影像分割方法
CN102842124A (zh) * 2012-07-16 2012-12-26 西安电子科技大学 基于矩阵低秩分解的多光谱图像与全色图像融合方法
CN104391295A (zh) * 2014-09-02 2015-03-04 电子科技大学 一种图像熵最优的压缩传感sar稀疏自聚焦成像方法
CN105044697A (zh) * 2015-06-26 2015-11-11 西安电子科技大学 基于广义特征分解的全极化高分辨距离像目标检测方法
CN105160647A (zh) * 2015-10-28 2015-12-16 中国地质大学（武汉） 一种全色多光谱影像融合方法
CN106384332A (zh) * 2016-09-09 2017-02-08 中山大学 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Comparison of two methods of the fusion of remote sensing images with fidelity of spectral information;Cunjun Li等;《 IGARSS 2004. 2004 IEEE International Geoscience and Remote Sensing Symposium》;20041227;第2561-2564页 *
Fusion Algorithm for Hyperspectral Remote Sensing Image Combined with Harmonic Analysis and Gram-Schmidt Transform;ZHANG Tao等;《Acta Geodaetica et Cartographica Sinica》;20151231;第44卷(第9期);第1042-1047页 *
Fusion of high spatial resolution WorldView-2 imagery and LiDAR pseudo-waveform for object-based image analysis;YuHongZhou等;《ISPRS Journal of Photogrammetry and Remote Sensing》;20150330(第101期);第221-232页 *
On the study of fusion techniques for bad geological remote sensing image;Xiang Li等;《J Ambient Intell Human Comput》;20151231(第6期);第141-149页 *
基于多光谱影像辅助的微波遥感水体提取方法研究;熊金国等;《中国水利水电科学研究院学报》;20120331;第10卷(第1期);第23-28页 *
遥感影像数据融合方法比较分析;杨鹏飞等;《测绘与空间地理信息》;20180430;第41卷(第4期);第113-115页 *
高轨海事卫星与低轨遥感卫星的星间通信链路技术展望;周馨等;《数字技术与应用》;20171231(第7期);第27-28页 *

Also Published As

Publication number Publication date
CN109064435A (zh) 2018-12-21

Similar Documents

Publication Publication Date Title
US11756170B2 (en) Method and apparatus for correcting distorted document image
CN110287846B (zh) 一种基于注意力机制的人脸关键点检测方法
Liu et al. A spectral grouping and attention-driven residual dense network for hyperspectral image super-resolution
CN109087273B (zh) 基于增强的神经网络的图像复原方法、存储介质及系统
CN110136062B (zh) 一种联合语义分割的超分辨率重建方法
US9865037B2 (en) Method for upscaling an image and apparatus for upscaling an image
CN111080527A (zh) 一种图像超分辨率的方法、装置、电子设备及存储介质
US11216910B2 (en) Image processing system, image processing method and display device
EP2362345A2 (en) Method and apparatus for high-speed and low-complexity piecewise geometric transformation of signals
CN111951167B (zh) 超分辨率图像重建方法、装置、计算机设备和存储介质
US11244426B2 (en) Method for image super resolution imitating optical zoom implemented on a resource-constrained mobile device, and a mobile device implementing the same
WO2024027095A1 (zh) 基于双rgb图像融合的高光谱成像方法、系统及介质
CN109064435B (zh) 一种基于多光谱影像的Gram-Schmdit融合快速处理方法
CN108492249A (zh) 基于小卷积递归神经网络的单帧超分辨重建方法
CN112001923B (zh) 一种视网膜图像分割方法及装置
CN114418853A (zh) 基于相似图像检索的图像超分辨率优化方法、介质及设备
CN113658091A (zh) 一种图像评价方法、存储介质及终端设备
Raimundo et al. LAN: Lightweight attention-based network for RAW-to-RGB smartphone image processing
US20120050820A1 (en) Image processing apparatus, control method of the same, and program
Maggioni et al. Tunable convolutions with parametric multi-loss optimization
WO2021139380A1 (en) Image processing method and device, electronic device
CN111383187B (zh) 一种图像处理方法、装置及智能终端
KR20210085403A (ko) 머신 러닝에 기반한 이미지 처리 방법 및 장치
CN114638762B (zh) 一种可模块化的高光谱图像场景自适应全色锐化方法
Dargahi et al. Single image super-resolution by cascading parallel-structure units through a deep-shallow CNN

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
CB02 Change of applicant information

Address after: 101399 No. 2 East Airport Road, Shunyi Airport Economic Core Area, Beijing (1st, 5th and 7th floors of Industrial Park 1A-4)

Applicant after: Zhongke Star Map Co., Ltd.

Address before: 101399 No. 2 East Airport Road, Shunyi Airport Economic Core Area, Beijing (1st, 5th and 7th floors of Industrial Park 1A-4)

Applicant before: Space Star Technology (Beijing) Co., Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Wu Fangcai

Inventor after: Zhang Difei

Inventor after: Zhou Xin

Inventor after: Bai Xiaohui

Inventor after: Li Yanyan

Inventor before: Wu Fangcai

Inventor before: Zhou Xin

Inventor before: Bai Xiaohui

Inventor before: Li Yanyan

CB03 Change of inventor or designer information