CN109102469B - 一种基于卷积神经网络的遥感图像全色锐化方法 - Google Patents
一种基于卷积神经网络的遥感图像全色锐化方法 Download PDFInfo
- Publication number
- CN109102469B CN109102469B CN201810721821.2A CN201810721821A CN109102469B CN 109102469 B CN109102469 B CN 109102469B CN 201810721821 A CN201810721821 A CN 201810721821A CN 109102469 B CN109102469 B CN 109102469B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- neural network
- convolutional neural
- 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.)
- Active
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000004913 activation Effects 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 101100272279 Beauveria bassiana Beas gene Proteins 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 6
- 230000000087 stabilizing effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 11
- 238000001914 filtration Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
Description
技术领域
本发明涉及遥感图像处理领域,具体涉及一种基于卷积神经网络的遥感图像全色锐化方法。
背景技术
遥感图像是目前被广泛关注的图像类型之一,在农业发展、环境监测和地质监测等领域都有广泛的应用,具有良好的工程应用价值和前景。然而在实际应用中,由于受到传感器物理结构的限制,不能同时获取具有高空间分辨率和光谱分辨率的遥感图像。为了解决这一问题,现在卫星一般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遥感图像和光谱分辨率高的多光谱遥感图像。通过利用全色遥感图像锐化处理多光谱遥感图像,就能得到高空间分辨率和光谱分辨率的图像,即利用全色遥感图像的空间信息去提升多光谱遥感图像的空间分辨率,同时还保护了多光谱遥感图像的光谱信息免受破坏,这个过程也称为遥感图像全色锐化。
目前,遥感图像全色锐化方法主要分为两大类:1)成分替代法,该类方法通过线性变换将多光谱遥感图像的空间成分和光谱成分相互分离,然后将其空间成分用全色遥感图像的进行替换,再进行反变换,即可得到提升的图像。该类方法能较好地修复空间细节,并且算法时间消耗少,但是处理后的图像不可避免地有严重的光谱失真现象。2)多分辨率分析,该类方法通过小波变换、拉普拉斯金字塔等手段提取全色遥感图像的高频细节信息,并将其插入到多光谱遥感图像中。该类方法能有效地保护多光谱遥感图像的光谱特性,但其对空间分辨率的提升效果有限,且耗费的时间也相对较多。因此,如何在提升多光谱遥感图像的空间分辨率的同时,还保存其光谱特性不受破坏,成为近年来全色锐化和遥感信息行业的研究热点之一。
得益于卷积神经网络在图像超分辨率重建领域的出色表现,其也有潜力在遥感图像全色锐化上得到成功应用。然而,由于多光谱遥感图像具有丰富的空间信息和光谱信息,直接利用卷积神经网络学习低分辨率和高分辨率的多光谱遥感图像映射关系时,不仅会大大提升卷积神经网络的训练时长,而且还会增大其学习的误差。
发明内容
本发明的目的是针对现有技术的不足,提出了一种具有针对性的基于卷积神经网络的遥感图像全色锐化方法,所述方法能有效地减少处理结果的光谱失真,并增强了多光谱遥感图像的锐化效果。
本发明的目的可以通过如下技术方案实现:
一种基于卷积神经网络的遥感图像全色锐化方法,所述方法包括以下步骤:
(1)、获取训练样本集:对获取的多光谱遥感图像和全色遥感图像进行预处理,得到训练样本对;
(2)、构建卷积神经网络模型:主要包括卷积层和求和层,网络激活函数采用线性整流函数;
(3)、训练卷积神经网络:利用零均值的高斯分布初始化网络各层的卷积核的权重和偏置,采用随机梯度下降算法对卷积神经网络模型进行迭代优化;
(4)、利用训练好的卷积神经网络模型,对低分辨的多光谱遥感图像进行全色锐化。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明提供的基于卷积神经网络的遥感图像全色锐化方法,是多光谱遥感图像全色锐化传统方法的延伸,摒弃了传统的分开学习全色遥感图像的细节信息和细节信息插入系数,现直接利用低分辨的多光谱遥感图像和全色遥感图像学习其缺少的细节信息,大大提升了模型的鲁棒性。
2、本发明利用卷积神经网络学习低分辨率多光谱遥感图像所缺失的细节信息,而不是完整的高分辨率多光谱遥感图像,不仅能降低卷积神经网络的训练时间,而且能提升锐化效果。
3、本发明所设计的卷积神经网络,比现有的用于全色锐化的卷积神经网络具有更清晰的物理意义,学习的特征更为明确。
附图说明
图1为本发明实施例基于卷积神经网络的遥感图像全色锐化方法的流程图。
图2为本发明实施例卷积神经网络的结构图。
图3(a)为QuickBird卫星参照图,图3(b)为采用双三次插值对参照图进行处理后的图像,图3(c)为采用主成分分析算法对参照图进行处理后的图像,图3(d)为采用基于平滑滤波的强度调制算法对参照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照图进行处理后的图像。
图4(a)为Worldview-2卫星参照图,图4(b)为采用双三次插值对参照图进行处理后的图像,图4(c)为采用主成分分析算法对参照图进行处理后的图像,图4(d)为采用基于平滑滤波的强度调制算法对参照图进行处理后的图像,图4(e)为采用本实施例所述方法对参照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卷积神经网络的遥感图像全色锐化方法,流程图如图1所示,包括以下步骤:
步骤1、读取原始多光谱遥感图像数据和原始全色遥感图像数据其中h1、w1分别表示多光谱遥感图像的长和宽,H1、W1分别表示全色遥感图像的长和宽,b表示波段数,两幅图像满足以下关系:h1=sH1、w1=sW1,s表示多光谱遥感图像与全色遥感图像的空间分辨率之比;
步骤3、构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,网络的激活函数采用线性整流函数,表达式为Y=max(0,X),其中X,Y分别表示神经元的输入和输出特征图;
步骤4、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卷积核的权重W和偏置B;
步骤5、选用欧氏距离损失函数作为输出层,得到网络预测图像与参照图像之间的欧氏距离;
步骤6、采用随机梯度下降算法对权重W和偏置B进行迭代更新,当损失函数稳定在最小值时,权重W和偏置B寻得最优解,即得到最优卷积神经网络模型;
步骤8、将步骤7得到的测试样本直接输入到步骤6得到的最优卷积神经网络模型,移除输出层后,即得到高分辨率的多光谱遥感图像。
进一步地,所述步骤2的具体过程为:
步骤2.1、对训练样本的预处理:对选取的多光谱遥感图像训练样本与全色遥感图像训练样本同时先用与相应传感器的调制传递函数相匹配的高斯滤波器进行平滑处理,再进行空间尺度为s的下采样,得到低分辨率的多光谱遥感图像训练样本和低分辨率的全色遥感图像训练样本其中满足表达式:h2=sh1,w2=sw1,接着仅对进行空间尺度为s的上采样,得到与相同大小的多光谱遥感图像训练样本
进一步地,所述步骤3中构建的卷积神经网络模型共包括四层,结构图如图2所示:
第一层:卷积层Conv1,输入训练样本块与64个大小为3×3的卷积核进行卷积运算,并经过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;
第二层:卷积层Conv2,输入上一层的输出,与64个大小为3×3的卷积核进行卷积运算,并经过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的卷积核进行卷积运算,直接输出b个特征图Y3 (i);
具体地,采用来自QuickBird和Worldview-2两种不同卫星数据的多光谱遥感图像和全色遥感图像对本实施例所述方法进行验证,前者具有红、绿、蓝和近红外四个通道,后者具有红、绿、蓝、海岸、黄、红边、近红外、近红外2八个通道;两者的全色遥感图像和多光谱遥感图像分辨率之比为4:1,全色遥感图像的尺寸为256*256,多光谱遥感图像的尺寸为64*64。
图3(a)为QuickBird卫星参照图,图3(b)为采用双三次插值对图3(a)进行处理后的图像,图3(c)为采用主成分分析算法对图3(a)进行处理后的图像,图3(d)为采用基于平滑滤波的强度调制算法对图3(a)进行处理后的图像,图3(e)为采用本实施例所述方法对图3(a)进行处理后的图像。从图中可以看出:利用双三次插值和主成分分析算法得到的锐化结果与参考图相比较,空间细节修复程度较差,存在明显的模糊现象;基于平滑滤波的强度调制算法所得到的锐化结果在绿地区域锐化程度较高,甚至比参考图还要细腻;而本实施例所提出的算法得到的结果更加接近于参考图,空间细节修复程度较好,说明本实施例具有相较于现有算法,具有更佳的锐化效果。
图4(a)为Worldview-2卫星参照图,图4(b)为采用双三次插值对参照图进行处理后的图像,图4(c)为采用主成分分析算法处理后的图像,图4(d)为采用基于平滑滤波的强度调制算法处理后的图像,图4(e)为采用本实施例所述方法处理后的图像。从图中可以看出:双三次插值得到的锐化结果相对更为模糊,主成分分析和基于平滑滤波的强度调制算法锐化结果虽然空间细节修复能力比双三次插值更强,但是与参考图相比,仍存在较大差距;而本实施例的锐化结果,与参考图是最接近的,再次说明本实施例具有更佳的锐化效果。
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 (3)
1.一种基于卷积神经网络的遥感图像全色锐化方法,其特征在于,所述方法包括以下步骤:
步骤1、读取原始多光谱遥感图像数据和原始全色遥感图像数据其中h1、w1分别表示多光谱遥感图像的长和宽,H1、W1分别表示全色遥感图像的长和宽,b表示波段数,两幅图像满足以下关系:h1=sH1、w1=sW1,s表示多光谱遥感图像与全色遥感图像的空间分辨率之比;
步骤3、构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,网络的激活函数采用线性整流函数,表达式为Y=max(0,X),其中X,Y分别表示神经元的输入和输出特征图;
步骤4、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卷积核的权重W和偏置B;
步骤5、选用欧氏距离损失函数作为输出层,得到网络预测图像与参照图像之间的欧氏距离;
步骤6、采用随机梯度下降算法对权重W和偏置B进行迭代更新,当损失函数稳定在最小值时,权重W和偏置B寻得最优解,即得到最优卷积神经网络模型;
步骤8、将步骤7得到的测试样本直接输入到步骤6得到的最优卷积神经网络模型,移除输出层后,即得到高分辨率的多光谱遥感图像;
利用训练好的卷积神经网络模型,对低分辨的多光谱遥感图像进行全色锐化;
所述步骤3中构建的卷积神经网络模型共包括四层:
第一层:卷积层Conv1,输入训练样本块与64个大小为3×3的卷积核进行卷积运算,并经过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;
第二层:卷积层Conv2,输入上一层的输出,与64个大小为3×3的卷积核进行卷积运算,并经过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的卷积核进行卷积运算,直接输出b个特征图Y3 (i);
2.根据权利要求1所述的基于卷积神经网络的遥感图像全色锐化方法,其特征在于,所述步骤2的具体过程为:
步骤2.1、对训练样本的预处理:对选取的多光谱遥感图像训练样本与全色遥感图像训练样本同时先用与相应传感器的调制传递函数相匹配的高斯滤波器进行平滑处理,再进行空间尺度为s的下采样,得到低分辨率的多光谱遥感图像训练样本和低分辨率的全色遥感图像训练样本其中满足表达式:h2=sh1,w2=sw1,接着仅对进行空间尺度为s的上采样,得到与相同大小的多光谱遥感图像训练样本
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810721821.2A CN109102469B (zh) | 2018-07-04 | 2018-07-04 | 一种基于卷积神经网络的遥感图像全色锐化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810721821.2A CN109102469B (zh) | 2018-07-04 | 2018-07-04 | 一种基于卷积神经网络的遥感图像全色锐化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109102469A CN109102469A (zh) | 2018-12-28 |
CN109102469B true CN109102469B (zh) | 2021-12-21 |
Family
ID=64845613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810721821.2A Active CN109102469B (zh) | 2018-07-04 | 2018-07-04 | 一种基于卷积神经网络的遥感图像全色锐化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109102469B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886870B (zh) * | 2018-12-29 | 2023-03-03 | 西北大学 | 基于双通道神经网络的遥感图像融合方法 |
CN109801218B (zh) * | 2019-01-08 | 2022-09-20 | 南京理工大学 | 基于多层耦合卷积神经网络的多光谱遥感图像Pan-sharpening方法 |
CN109741264B (zh) * | 2019-01-21 | 2022-11-01 | 厦门美图之家科技有限公司 | 图像过度表示方法、装置、电子设备及可读存储介质 |
CN110084747B (zh) * | 2019-03-15 | 2023-04-07 | 南京航空航天大学 | 基于全色锐化技术支持下的空间引力模型亚像元定位方法 |
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 |
CN110309855B (zh) * | 2019-05-30 | 2021-11-23 | 上海联影智能医疗科技有限公司 | 图像分割的训练方法、计算机设备及存储介质 |
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 |
CN110487403A (zh) * | 2019-09-02 | 2019-11-22 | 常州市武进区半导体照明应用技术研究院 | 一种led光谱功率分布的预测方法 |
CN110706166B (zh) * | 2019-09-17 | 2022-03-18 | 中国科学院空天信息创新研究院 | 一种锐化标签数据的图像超分辨率重建方法及装置 |
CN110930315B (zh) * | 2019-10-23 | 2022-02-11 | 西北工业大学 | 基于双通路卷积网络和层次clstm的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 |
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 |
CN114897714A (zh) * | 2022-04-15 | 2022-08-12 | 华南理工大学 | 基于双尺度融合网络的高光谱图像锐化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5949914A (en) * | 1997-03-17 | 1999-09-07 | Space Imaging Lp | Enhancing the resolution of multi-spectral image data with panchromatic image data using super resolution pan-sharpening |
US6011875A (en) * | 1998-04-29 | 2000-01-04 | Eastman Kodak Company | Process for enhancing the spatial resolution of multispectral imagery using pan-sharpening |
CN102789631A (zh) * | 2011-05-17 | 2012-11-21 | 张学 | 基于图像分割和引力模型的遥感图像分辨率提高处理方法 |
CN103198463A (zh) * | 2013-04-07 | 2013-07-10 | 北京航空航天大学 | 基于整体结构和空间细节信息融合的光谱图像全色锐化方法 |
CN104851077A (zh) * | 2015-06-03 | 2015-08-19 | 四川大学 | 一种自适应的遥感图像全色锐化方法 |
CN107123089A (zh) * | 2017-04-24 | 2017-09-01 | 中国科学院遥感与数字地球研究所 | 基于深度卷积网络的遥感图像超分辨重建方法及系统 |
CN107256541A (zh) * | 2017-06-15 | 2017-10-17 | 北京航空航天大学 | 一种基于卷积神经网络的多光谱遥感图像去雾方法 |
CN107463948A (zh) * | 2017-07-13 | 2017-12-12 | 西安电子科技大学 | 基于双通道多特征融合网络的多光谱图像分类方法 |
CN107871119A (zh) * | 2017-11-01 | 2018-04-03 | 西安电子科技大学 | 一种基于目标空间知识和两阶段预测学习的目标检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9020256B2 (en) * | 2011-04-22 | 2015-04-28 | Exelis Inc. | System and method for combining color information with spatial information in multispectral images |
-
2018
- 2018-07-04 CN CN201810721821.2A patent/CN109102469B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5949914A (en) * | 1997-03-17 | 1999-09-07 | Space Imaging Lp | Enhancing the resolution of multi-spectral image data with panchromatic image data using super resolution pan-sharpening |
US6011875A (en) * | 1998-04-29 | 2000-01-04 | Eastman Kodak Company | Process for enhancing the spatial resolution of multispectral imagery using pan-sharpening |
CN102789631A (zh) * | 2011-05-17 | 2012-11-21 | 张学 | 基于图像分割和引力模型的遥感图像分辨率提高处理方法 |
CN103198463A (zh) * | 2013-04-07 | 2013-07-10 | 北京航空航天大学 | 基于整体结构和空间细节信息融合的光谱图像全色锐化方法 |
CN104851077A (zh) * | 2015-06-03 | 2015-08-19 | 四川大学 | 一种自适应的遥感图像全色锐化方法 |
CN107123089A (zh) * | 2017-04-24 | 2017-09-01 | 中国科学院遥感与数字地球研究所 | 基于深度卷积网络的遥感图像超分辨重建方法及系统 |
CN107256541A (zh) * | 2017-06-15 | 2017-10-17 | 北京航空航天大学 | 一种基于卷积神经网络的多光谱遥感图像去雾方法 |
CN107463948A (zh) * | 2017-07-13 | 2017-12-12 | 西安电子科技大学 | 基于双通道多特征融合网络的多光谱图像分类方法 |
CN107871119A (zh) * | 2017-11-01 | 2018-04-03 | 西安电子科技大学 | 一种基于目标空间知识和两阶段预测学习的目标检测方法 |
Non-Patent Citations (3)
Title |
---|
CNN-based pansharpening of multi-resolution remote-sensing images;Giuseppe Masi 等;《IEEE》;20170511;第I-IV节 * |
Pansharpening by convolutional neural networks;Giuseppe, Masi 等;《REMOTE SENSING》;20160714;第8卷(第7期);第1-5节以及图1-3 * |
遥感数据融合技术文献综述;闫晗晗 等;《电子测量技术》;20180531;第41卷(第9期);第26-36页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109102469A (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102469B (zh) | 一种基于卷积神经网络的遥感图像全色锐化方法 | |
CN112634137B (zh) | 基于ae提取多尺度空谱特征的高光谱和全色图像融合方法 | |
CN110533620B (zh) | 基于aae提取空间特征的高光谱和全色图像融合方法 | |
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 | |
CN110415199B (zh) | 基于残差学习的多光谱遥感图像融合方法及装置 | |
CN109859110B (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 | |
CN112287978A (zh) | 一种基于自注意力上下文网络的高光谱遥感图像分类方法 | |
CN111428781A (zh) | 遥感影像地物分类方法及系统 | |
CN109003239B (zh) | 一种基于迁移学习神经网络的多光谱图像锐化方法 | |
CN110544212B (zh) | 基于层级特征融合的卷积神经网络高光谱图像锐化方法 | |
CN110660038A (zh) | 一种基于生成对抗网络的多光谱图像与全色图像融合方法 | |
CN112419155B (zh) | 一种全极化合成孔径雷达影像超分辨率重建方法 | |
CN111914909B (zh) | 基于空谱联合三方向卷积网络的高光谱变化检测方法 | |
CN111008936B (zh) | 一种多光谱图像全色锐化方法 | |
CN111738954B (zh) | 一种基于双层空洞U-Net模型的单帧湍流退化图像去畸变方法 | |
Liu et al. | An efficient residual learning neural network for hyperspectral image superresolution | |
CN111696043A (zh) | 一种三维fsrcnn的高光谱图像超分辨率重建算法 | |
CN111402138A (zh) | 一种基于多尺度特征提取融合的监督卷积神经网络的图像超分辨率重建方法 | |
Zhou et al. | PAN-guided band-aware multi-spectral feature enhancement for pan-sharpening | |
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 | |
Haq et al. | 3D-cnnhsr: A 3-dimensional convolutional neural network for hyperspectral super-resolution | |
CN116486273B (zh) | 一种小样本遥感图像水体信息提取方法 | |
CN113689370A (zh) | 基于深度卷积神经网络的遥感图像融合方法 | |
CN117392065A (zh) | 一种云边协同太阳能板覆灰状况自主评估方法 | |
CN110807746B (zh) | 一种基于细节内嵌注入卷积神经网络高光谱图像锐化方法 |
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 |