CN109886351B - 高光谱数据和高分辨率图像融合方法 - Google Patents
高光谱数据和高分辨率图像融合方法 Download PDFInfo
- Publication number
- CN109886351B CN109886351B CN201910160281.XA CN201910160281A CN109886351B CN 109886351 B CN109886351 B CN 109886351B CN 201910160281 A CN201910160281 A CN 201910160281A CN 109886351 B CN109886351 B CN 109886351B
- Authority
- CN
- China
- Prior art keywords
- pixel
- data
- multiband
- spectral
- value
- 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
- 238000007500 overflow downdraw method Methods 0.000 title description 4
- 230000003595 spectral effect Effects 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 28
- 230000004927 fusion Effects 0.000 abstract description 22
- 238000012952 Resampling Methods 0.000 abstract description 12
- 230000000694 effects Effects 0.000 abstract description 10
- 238000001228 spectrum Methods 0.000 description 22
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本申请公开了一种高光谱数据和高分辨率图像融合方法，涉及高光谱遥感技术领域，包括：采集具有经纬度坐标的多波段高光谱数据，查找高分辨率图像中与多波段高光谱数据对应的像元，根据每个像元对应的像元值建立二次多项式约束条件，计算二次多项式的系数，根据系数和像元值计算每个像元的多波段光谱值，然后根据像元值与多波段光谱值获得同时具有高光谱分辨率和高空间分辨率的图像。通过强调光谱值和像元值的对应，避免了像元重采样等误差，将像元值和多波段光谱值进行关联处理，使其对特征属性的判断具有更高的可信度和准确性，有利于提高融合效果，此外，还使得围绕辅助决策的针对性更强，从而使数据处理量大大减少，有利于实时处理。
Description
技术领域
本申请涉及高光谱遥感技术领域，具体地说，涉及一种高光谱数据和高分辨率图像融合方法。
背景技术
高光谱遥感数据能准确反应地物的光谱差异，因此在遥感监测中能够准确提取地物光谱的变化程度及发生范围。但是高光谱遥感技术存在数据量大，计算周期长，空间分辨率有限等缺点，难以直接应用于实际的遥感监测中。而数字图像可以有效地提高空间分辨率，有利于地物信息的快速分类。基于高光谱数据和高分辨率数字图像的图像融合技术可以有效地提高遥感监测的运算速度和精度。
目前基于高光谱数据和高分辨率影像的图像融合技术主要为高光谱数据和高空间分辨率遥感影像在像元级别的融合，即在栅格数据精确配准的前提下对影像进行像元级的融合。高光谱数据的光谱分辨率高，高空间分辨率遥感影像的空间分辨率高，两者融合时数据量大，运算时间长，需耗费巨大的时间。此外，像元级的融合依赖于影像配准的精度，如果配准精度不高，则融合结果很难得到保证。因此，需要研究一种高光谱数据和高分辨率图像融合方法。
发明内容
有鉴于此，本申请所要解决的技术问题是提供了一种高光谱数据和高分辨率图像融合方法，根据每个像元对应的像元值建立二次多项式约束条件并计算系数，利用二次多项式的系数以及高分辨率图像中像元的像元值计算像元的多波段光谱值，强调光谱值和像元值之间的对应，避免了像元重采样等误差；此外，将像元值和多波段光谱值进行关联处理，使其对特征属性的判断具有更高的可信度和准确性，有利于提高融合效果，此外，还使得围绕辅助决策的针对性更强，从而使数据处理量大大减少，有利于实时处理。
为了解决上述技术问题，本申请有如下技术方案：
本申请提供了一种高光谱数据和高分辨率图像融合方法，其特征在于，包括：
采集具有经纬度坐标的多波段高光谱数据；
查找高分辨率图像中与所述多波段高光谱数据对应的像元，并获得所述像元的像元值(λR、λG、λB)；
根据每个像元对应的像元值(λR、λG、λB)建立二次多项式约束条件：
a1+a2*λR+a3*λG+a4*λB+a5*λR*λG+a6*λR*λB+a7*λG*λB+a8*λR 2+a9*λG 2+a10*λB 2＝S，其中，a1、a2……a10表示所述二次多项式的系数，S表示采集到的所述高光谱数据中任意一个数据点的多波段光谱值；
计算所述二次多项式的系数，根据所述二次多项式的系数和所述高分辨率图像中每个像元的像元值，计算得到每个像元的多波段光谱值，根据所述像元值与所述多波段光谱值获得同时具有高光谱分辨率和高空间分辨率的图像。
可选地，其中：
在所述根据每个像元对应的像元值(λR、λG、λB)建立二次多项式约束条件之后，还包括：根据所述二次多项式约束条件，n个所述像元形成n*10的矩阵D，n≥1；其中，一个所述像元形成1*10的矩阵D1：
[1 λR λG λB λR*λG λR*λB λG*λB λR 2 λG 2 λB 2]。
可选地，其中：
所述高光谱数据包括多个数据点，每个所述数据点包括1024个通道，m个所述数据点形成m*1024的矩阵Z，m＝n。
可选地，其中：
所述计算所述二次多项式的系数，进一步为：
在二次多项式约束条件下根据方程D*A＝Z计算系数A，其中，A＝D-1Z，其中A包括所述二次多项式的系数a1、a2……a10，D包括各个像元根据所述二次多项式约束条件形成的矩阵D1，Z包括所述高光谱数据中各个数据点的多波段光谱值Z1形成的矩阵，计算过程为矩阵运算。
可选地，其中：
所述根据所述像元值与所述多波段光谱值获得同时具有高光谱分辨率和高空间分辨率的图像，进一步为：根据所述方程D*A＝Z，利用所述高分辨率图像中每个像元对应的矩阵D1，乘以所述系数A，得到每个像元的多波段光谱值Z1。
可选地，其中：
所述采集具有经纬度坐标的多波段高光谱数据，进一步为：
利用非成像光谱仪采集具有经纬度坐标的多波段高光谱数据。
可选地，其中：
所述查找高分辨率图像中与所述多波段高光谱数据对应的像元，进一步为：
根据所述多波段高光谱数据中各个点的经纬度坐标，查找所述高分辨率图像中具有相同经纬度坐标的像元。
与现有技术相比，本申请所述的高光谱数据和高分辨率图像融合方法，达到了如下效果：
(1)本申请提供的高光谱数据和高分辨率图像融合方法，根据每个像元对应的像元值建立二次多项式约束条件并计算系数，利用二次多项式的系数以及高分辨率图像中像元的像元值计算像元的多波段光谱值，强调光谱值和像元值之间的对应，避免了像元重采样等误差。
(2)本申请提供的高光谱数据和高分辨率图像融合方法，将像元值和多波段光谱值进行关联处理，使其对特征属性的判断具有更高的可信度和准确性，有利于提高融合效果，此外，还使得围绕辅助决策的针对性更强，从而使数据处理量大大减少，有利于实时处理。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1所示为本申请实施例所提供的高光谱数据和高分辨率图像融合方法的一种流程图；
图2所示为本申请实施例所提供的一种图像融合精度示意图。
具体实施方式
如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。此外，“耦接”一词在此包含任何直接及间接的电性耦接手段。因此，若文中描述一第一装置耦接于一第二装置，则代表所述第一装置可直接电性耦接于所述第二装置，或通过其他装置或耦接手段间接地电性耦接至所述第二装置。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求所界定者为准。
目前基于高光谱数据和高分辨率影像的图像融合技术主要为高光谱数据和高空间分辨率遥感影像在像元级别的融合，即在栅格数据精确配准的前提下对影像进行像元级的融合。高光谱数据的光谱分辨率高，高空间分辨率遥感影像的空间分辨率高，两者融合时数据量大，运算时间长，需耗费巨大的时间。此外，像元级的融合依赖于影像配准的精度，如果配准精度不高，则融合结果很难得到保证。因此，需要研究一种高光谱数据和高分辨率图像融合方法。
有鉴于此，本申请所要解决的技术问题是提供了一种高光谱数据和高分辨率图像融合方法，根据每个像元对应的像元值建立二次多项式约束条件并计算系数，利用二次多项式的系数以及高分辨率图像中像元的像元值计算像元的多波段光谱值，强调光谱值和像元值之间的对应，避免了像元重采样等误差；此外，将像元值和多波段光谱值进行关联处理，使其对特征属性的判断具有更高的可信度和准确性，有利于提高融合效果，此外，还使得围绕辅助决策的针对性更强，从而使数据处理量大大减少，有利于实时处理。
以下结合附图和具体实施例进行详细说明。
图1所示为本申请实施例所提供的高光谱数据和高分辨率图像融合方法的一种流程图。请结合图1，本申请实施例所提供的高光谱数据和高分辨率图像融合方法，包括：
步骤101：采集具有经纬度坐标的多波段高光谱数据；
步骤102：查找高分辨率图像中与多波段高光谱数据对应的像元，并获得像元的像元值(λR、λG、λB)；
步骤103：根据每个像元对应的像元值(λR、λG、λB)建立二次多项式约束条件：
a1+a2*λR+a3*λG+a4*λB+a5*λR*λG+a6*λR*λB+a7*λG*λB+a8*λR 2+a9*λG 2+a10*λB 2＝S，其中，a1、a2……a10表示二次多项式的系数，S表示采集到的所述高光谱数据中任意一个数据点的多波段光谱值；
步骤104：计算二次多项式的系数，根据二次多项式的系数和高分辨率图像中每个像元的像元值，计算得到每个像元的多波段光谱值，根据像元值与多波段光谱值获得同时具有高光谱分辨率和高空间分辨率的图像。
具体地，本申请实施例所提供的高光谱数据和高分辨率图像融合方法中，通过步骤101采集包含多个数据点的多波段高光谱数据，每个数据点具有不同的经纬度坐标，通过步骤102，查找高分辨率图像中与采集到的高光谱数据中各个数据点对应的像元，并获取各个像元的像元值(λR、λG、λB)。需要说明的是，此处查找的像元个数与采集到的高光谱数据包含的数据点的个数相等，例如，采集到的高光谱数据包含3个数据点，则需要查找分别与3个数据点对应的3个像元，3个像元具有不同的像元值，如(λR1、λG1、λB1)、(λR2、λG2、λB2)和(λR3、λG3、λB3)。如此，可以使光谱值和像元值相互对应，避免像元重采样等误差。需要说明的是，本申请实施例并不对采集到的高光谱数据包含的数据点数进行限定，在实际采集过程中，可以采集5个点，也可以采集8个点，当然也可根据实际需求采集其他数量的点，本申请对此不进行具体限定。
获得高光谱数据和对应的像元值后，通过步骤103，根据采集到的高光谱数据和对应像元的像元值(λR、λG、λB)建立二次多项式约束条件：a1+a2*λR+a3*λG+a4*λB+a5*λR*λG+a6*λR*λB+a7*λG*λB+a8*λR 2+a9*λG 2+a10*λB 2＝S，其中，a1、a2……a10表示二次多项式的系数，S表示采集到的所述高光谱数据中任意一个数据点的多波段光谱值。采集到的高光谱数据中每个数据点的光谱值不同，每个像元的像元值也不同，不同的数据点和与各个数据点对应的像元形成不同的二次多项式约束条件，假设光谱值为S1的数据点对应像元的像元值为(λR1、λG1、λB1)，则与该像元对应的二次多项式约束条件为：a1+a2*λR1+a3*λG1+a4*λB1+a5*λR1*λG1+a6*λR1*λB1+a7*λG1*λB1+a8*λR1 2+a9*λG1 2+a10*λB1 2＝S1，根据数据点的光谱值以及与该数据点对应像元的像元值，建立对应的二次多项式约束条件，强调光谱值和像元值之间的对应，而不是突出像元的对应，可以在处理上避免像元重采样等误差。
通过上述步骤得到各个像元对应的二次多项式约束条件，二次多项式中每个像元的像元值(λR、λG、λB)形成10个值，通过步骤104，计算二次多项式的系数，假设采集到的高光谱数据包含5个数据点，则根据各个数据点的光谱值和与各个数据点对应像元的像元值(λR、λG、λB)建立5个二次多项式约束条件，5个二次多项式中像元的像元值(λR、λG、λB)不同，从而形成5*10的矩阵，进行矩阵运算得到二次多项式的系数，根据二次多项式的系数和高分辨率图像中每个像元的像元值，计算得到每个像元的多波段光谱值，然后，根据像元值与多波段光谱值就可以获得同时具有高光谱分辨率和高空间分辨率的图像。根据像元值和多波段光谱值获得系数，然后根据系数和像元值获得该像元的多波段光谱值，这样将像元值和光谱值进行关联处理，对特征属性的判断具有更高的可信度和准确性，有利于提高融合效果，此外，还使得围绕辅助决策的针对性更强，从而使数据处理量大大减少，有利于实时处理。
本申请实施例所提供的高光谱数据和高分辨率图像融合方法，根据每个像元对应的像元值建立二次多项式约束条件并计算系数，利用二次多项式的系数以及高分辨率图像中像元的像元值计算像元的多波段光谱值，强调光谱值和像元值之间的对应，避免了像元重采样等误差；此外，将像元值和多波段光谱值进行关联处理，使其对特征属性的判断具有更高的可信度和准确性，有利于提高融合效果，此外，还使得围绕辅助决策的针对性更强，从而使数据处理量大大减少，有利于实时处理。
可选地，在根据每个像元对应的像元值(λR、λG、λB)建立二次多项式约束条件之后，还包括：根据二次多项式约束条件，n个像元形成n*10的矩阵D，n≥1，其中，一个像元形成1*10的矩阵D1：[1 λR λG λB λR*λG λR*λB λG*λB λR 2 λG 2 λB 2]。具体地，二次多项式中每个像元的像元值(λR、λG、λB)形成10个值，即1*10的矩阵D1：[1 λR λG λB λR*λG λR*λB λG*λB λR 2 λG 2λB 2]，每个像元对应不同的像元值，n个像元则对应n个不同的像元值，从而形成n*10的矩阵D，n≥1。根据数据点查找对应像元，然后利用各个像元的像元值形成矩阵，强调光谱值和像元值之间的对应，而不突出像元的对应，可以在处理上避免像元重采样等误差。
可选地，高光谱数据包括多个数据点，每个数据点包括1024个通道，m个数据点形成m*1024的矩阵Z，m＝n。具体地，高光谱数据中每个数据点包括1024个通道，即有1024个值，1个数据点形成1*1024的矩阵，m各数据点形成m*1024的矩阵。需要说明的是，二次多项式的系数需要根据像元值形成的矩阵和各个数据点的多波段光谱值形成的矩阵计算得到的，因此，根据矩阵运算法则可知，矩阵D的行数和矩阵Z的行数相等，即像元个数n与数据点的个数m要相等。
可选地，计算二次多项式的系数，进一步为：
在二次多项式约束条件下根据方程D*A＝Z计算系数A，其中，A＝D-1Z，其中A包括二次多项式的系数a1、a2……a10，D包括各个像元根据二次多项式约束条件形成的矩阵D1，Z包括高光谱数据中各个数据点的多波段光谱值Z1形成的矩阵，计算过程为矩阵运算。具体地，根据方程D*A＝Z计算系数A，即计算A＝D-1Z，其中，A包括二次多项式的系数a1、a2……a10，D包括各个像元根据二次多项式约束条件形成的矩阵D1，如1个像元形成1*10的矩阵：[1 λRλG λB λR*λG λR*λB λG*λB λR 2 λG 2 λB 2]，n个像元形成n*10的矩阵：
Z包括高光谱数据中各个数据点的多波段光谱值Z1形成的矩阵，1个数据点包括1024个通道，即有1024个值，因此，1个数据点形成1*1024的矩阵，n个数据点形成n*1024的矩阵，系数A等于各个像元值形成矩阵的转置左乘各个数据点形成的矩阵，因此，得到的系数A为10*1024的矩阵。根据各个像元的像元值以及数据点的多波段光谱值计算系数，注重光谱值和像元值之间的对应，而不是像元的对应，可以在处理上避免像元重采样等误差。
可选地，根据像元值与多波段光谱值获得同时具有高光谱分辨率和高空间分辨率的图像，进一步为：根据方程D*A＝Z，利用高分辨率图像中每个像元对应的矩阵D1，乘以系数A，得到每个像元的多波段光谱值Z1。具体地，根据上述步骤计算得到系数A之后，用高分辨率图像中各个像元的像元值(λR、λG、λB)形成的矩阵，乘以系数A，即可得到所有像元的多波段光谱值。请参见图2，图2所示为本申请实施例所提供的一种图像融合精度示意图，运用本申请实施例所提供的高光谱数据和高分辨率图像融合方法，对非成像高光谱数据和高分辨率图像进行融合，每次运算时随机抽取70％的数据建模，其余30％用来验证，运行10次，得到每次运行误差均低于3％。本申请实施例所提供的高光谱数据和高分辨率图像融合方法，强调像元值与光谱值的对应，可以在处理上有效避免重采样误差，从而有利于提升融合精度。另外，根据像元值和光谱值计算得到系数，乘以像元值，从而获得高分辨率图像中各个像元的多波段光谱值，这样将像元值和光谱值进行关联处理，对特征属性的判断具有更高的可信度和准确性，有利于提高融合效果，此外，利用像元的像元值(λR、λG、λB)乘以系数即可得到该像元的多波段光谱值对应的1024个值，可以使数据处理量大大减少，从而有利于数据的实时处理。
可选地，采集具有经纬度坐标的多波段高光谱数据，进一步为：利用非成像光谱仪采集具有经纬度坐标的多波段高光谱数据。具体地，利用非成像光谱仪采集多波段高光谱数据，高光谱数据包含多个数据点。
可选地，查找高分辨率图像中与多波段高光谱数据对应的像元，进一步为：根据多波段高光谱数据中各个点的经纬度坐标，查找高分辨率图像中具有相同经纬度坐标的像元。具体地，多波段高光谱数据包含多个数据点，每个数据点都有与其对应的经纬度坐标，从而可以根据经纬度坐标查找高分辨率图像中与各个数据点具有相同经纬度坐标的像元，并获得各个像元的像元值，使像元值与光谱值对应，可以在处理上避免像元重采样等误差。
通过以上各实施例可知，本申请存在的有益效果是：
(1)本申请提供的高光谱数据和高分辨率图像融合方法，根据每个像元对应的像元值建立二次多项式约束条件并计算系数，利用二次多项式的系数以及高分辨率图像中像元的像元值计算像元的多波段光谱值，强调光谱值和像元值之间的对应，避免了像元重采样等误差。
(2)本申请提供的高光谱数据和高分辨率图像融合方法，将像元值和多波段光谱值进行关联处理，使其对特征属性的判断具有更高的可信度和准确性，有利于提高融合效果，此外，还使得围绕辅助决策的针对性更强，从而使数据处理量大大减少，有利于实时处理。
本领域内的技术人员应明白，本申请的实施例可提供为方法、装置、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求的保护范围内。
Claims (5)
1.一种高光谱数据和高分辨率图像融合方法，其特征在于，包括：
利用非成像光谱仪采集具有经纬度坐标的多波段高光谱数据；
根据所述多波段高光谱数据中各个点的经纬度坐标，查找所述高分辨率图像中具有相同经纬度坐标的像元，并获得所述像元的像元值(λR、λG、λB)，所述多波段高光谱数据与所述像元值的数量相等；
根据每个像元对应的像元值(λR、λG、λB)建立二次多项式约束条件：
a1+a2*λR+a3*λG+a4*λB+a5*λR*λG+a6*λR*λB+a7*λG*λB+a8*λR 2+a9*λG 2+a10*λB 2＝S，其中，a1、a2……a10表示所述二次多项式的系数，S表示采集到的所述高光谱数据中任意一个数据点的多波段光谱值；
计算所述二次多项式的系数，根据所述二次多项式的系数和所述高分辨率图像中每个像元的像元值，计算得到每个像元的多波段光谱值，根据所述像元值与所述多波段光谱值获得同时具有高光谱分辨率和高空间分辨率的图像。
2.根据权利要求1所述的高光谱数据和高分辨率图像融合方法，其特征在于，在所述根据每个像元对应的像元值(λR、λG、λB)建立二次多项式约束条件之后，还包括：根据所述二次多项式约束条件，n个所述像元形成n*10的矩阵D，n≥1；其中，一个所述像元形成1*10的矩阵D1：
[1 λR λG λB λR*λG λR*λB λG*λB λR 2 λG 2 λB 2]。
3.根据权利要求2所述的高光谱数据和高分辨率图像融合方法，其特征在于，所述高光谱数据包括多个数据点，每个所述数据点包括1024个通道，m个所述数据点形成m*1024的矩阵Z，m＝n。
4.根据权利要求3所述的高光谱数据和高分辨率图像融合方法，其特征在于，所述计算所述二次多项式的系数，进一步为：
在二次多项式约束条件下根据方程D*A＝Z计算系数A，其中，A＝D-1Z，其中A包括所述二次多项式的系数a1、a2……a10，D包括各个像元根据所述二次多项式约束条件形成的矩阵D1，Z包括所述高光谱数据中各个数据点的多波段光谱值Z1形成的矩阵，计算过程为矩阵运算。
5.根据权利要求4所述的高光谱数据和高分辨率图像融合方法，其特征在于，所述根据所述像元值与所述多波段光谱值获得同时具有高光谱分辨率和高空间分辨率的图像，进一步为：根据所述方程D*A＝Z，利用所述高分辨率图像中每个像元对应的矩阵D1，乘以所述系数A，得到每个像元的多波段光谱值Z1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910160281.XA CN109886351B (zh) | 2019-03-04 | 2019-03-04 | 高光谱数据和高分辨率图像融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910160281.XA CN109886351B (zh) | 2019-03-04 | 2019-03-04 | 高光谱数据和高分辨率图像融合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109886351A CN109886351A (zh) | 2019-06-14 |
| CN109886351B true CN109886351B (zh) | 2021-10-15 |
Family
ID=66930500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910160281.XA Active CN109886351B (zh) | 2019-03-04 | 2019-03-04 | 高光谱数据和高分辨率图像融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109886351B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110376167A (zh) * | 2019-07-29 | 2019-10-25 | 北京麦飞科技有限公司 | 基于无人机高光谱的水稻叶片氮含量监测方法 |
| CN110940638B (zh) * | 2019-11-20 | 2020-11-06 | 北京科技大学 | 一种高光谱图像亚像元级水体边界探测方法及探测系统 |
| CN112213750B (zh) * | 2020-09-30 | 2024-01-02 | 珠海欧比特卫星大数据有限公司 | 高光谱卫片全谱段逐像元成像角度参数处理方法及介质 |
| CN113962904B (zh) * | 2021-11-26 | 2023-02-10 | 江苏云脑数据科技有限公司 | 一种高光谱图像滤波降噪的方法 |
| CN117205590B (zh) * | 2023-11-09 | 2024-04-30 | 山东齐隆化工股份有限公司 | 一种石油树脂生产过程分离方法及系统 |
| CN117314813B (zh) * | 2023-11-30 | 2024-02-13 | 奥谱天成(湖南)信息科技有限公司 | 高光谱图像波段融合方法及系统、介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102789639A (zh) * | 2012-07-16 | 2012-11-21 | 中国科学院自动化研究所 | 基于非负矩阵分解的高光谱图像和可见光图像融合方法 |
| CN103914678A (zh) * | 2013-01-05 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 基于纹理与植被指数的撂荒地遥感识别方法 |
| CN103973980A (zh) * | 2014-04-25 | 2014-08-06 | 杭州电子科技大学 | 一种基于数码相机的多光谱图像获取方法 |
| CN107505046A (zh) * | 2017-07-31 | 2017-12-22 | 征图新视（江苏）科技有限公司 | 多光谱颜色测量方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100545632C (zh) * | 2007-11-22 | 2009-09-30 | 中国科学院力学研究所 | 光纤光谱仪波长标定方法 |
| US9269014B2 (en) * | 2013-09-24 | 2016-02-23 | Corning Incorporated | Hyperspectral detector systems and methods using context-image fusion |
| CN104835124B (zh) * | 2015-05-08 | 2018-01-05 | 中南大学 | 一种基于光谱信息融合的泡沫图像颜色校正方法及装置 |
-
2019
- 2019-03-04 CN CN201910160281.XA patent/CN109886351B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102789639A (zh) * | 2012-07-16 | 2012-11-21 | 中国科学院自动化研究所 | 基于非负矩阵分解的高光谱图像和可见光图像融合方法 |
| CN103914678A (zh) * | 2013-01-05 | 2014-07-09 | 中国科学院遥感与数字地球研究所 | 基于纹理与植被指数的撂荒地遥感识别方法 |
| CN103973980A (zh) * | 2014-04-25 | 2014-08-06 | 杭州电子科技大学 | 一种基于数码相机的多光谱图像获取方法 |
| CN107505046A (zh) * | 2017-07-31 | 2017-12-22 | 征图新视（江苏）科技有限公司 | 多光谱颜色测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109886351A (zh) | 2019-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886351B (zh) | 高光谱数据和高分辨率图像融合方法 | |
| CN101998136B (zh) | 单应矩阵的获取方法、摄像设备的标定方法及装置 | |
| CN113674273B (zh) | 一种基于产品缺陷的光学检测方法、系统和可读存储介质 | |
| CN109523506B (zh) | 基于视觉显著图像特征增强的全参考立体图像质量客观评价方法 | |
| US10645364B2 (en) | Dynamic calibration of multi-camera systems using multiple multi-view image frames | |
| CN109579872B (zh) | 一种星敏感器仪器星等估计方法 | |
| CN102509304A (zh) | 基于智能优化的摄像机标定方法 | |
| CN102025959A (zh) | 从低清晰度视频产生高清晰度视频的系统与方法 | |
| US11436774B2 (en) | Pattern mapping | |
| CN112465877B (zh) | 一种基于运动状态估计的卡尔曼滤波视觉追踪稳定方法 | |
| CN110634137A (zh) | 一种基于视觉感知的桥梁变形的监测方法、装置及设备 | |
| CN114119987A (zh) | 基于卷积神经网络的特征提取和描述子生成方法及系统 | |
| CN103728022A (zh) | 一种坏像元的校正方法 | |
| CN104112278B (zh) | 基于协方差的多光谱图像实时配准方法 | |
| Fu et al. | Screen content image quality assessment using Euclidean distance | |
| US7428003B2 (en) | Automatic stabilization control apparatus, automatic stabilization control method, and recording medium having automatic stabilization control program recorded thereon | |
| Cakir et al. | Pixel level fusion of panchromatic and multispectral images based on correspondence analysis | |
| CN109190506A (zh) | 一种基于核稀疏和空间约束的高光谱目标检测方法 | |
| CN112365525B (zh) | 高分辨率遥感影像变化检测网络和方法及装置 | |
| JP2009198452A (ja) | 複数画像を用いた変形計測装置 | |
| CN113781375A (zh) | 一种基于多曝光融合的车载视觉增强方法 | |
| Zhu et al. | MIPI 2023 Challenge on RGB+ ToF Depth Completion: Methods and Results | |
| KR100419483B1 (ko) | 위성 영상의 센서 모델링 방법 | |
| CN110750757A (zh) | 一种基于灰度线性建模及金字塔分解的图像抖动量计算方法 | |
| CN116958833B (zh) | 一种gf4数据几何精校正的方法 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240522 Address after: 215217 Su Bei Road (Wujiang Modern Agricultural Industrial Park Management Building), Wujiang Economic and Technological Development Zone (Tongli Town), Suzhou City, Jiangsu Province Patentee after: Suzhou Maiji Digital Technology Co.,Ltd. Country or region after: China Address before: 220702, unit 2, 6 / F, building 6, yard 1, Futong East Street, Chaoyang District, Beijing Patentee before: BEIJING MAIFEI TECHNOLOGY Co.,Ltd. Country or region before: China |