CN110070518B - 一种基于双路径支持下的高光谱图像超分辨率制图方法 - Google Patents
一种基于双路径支持下的高光谱图像超分辨率制图方法 Download PDFInfo
- Publication number
- CN110070518B CN110070518B CN201910196820.5A CN201910196820A CN110070518B CN 110070518 B CN110070518 B CN 110070518B CN 201910196820 A CN201910196820 A CN 201910196820A CN 110070518 B CN110070518 B CN 110070518B
- Authority
- CN
- China
- Prior art keywords
- image
- abundance
- resolution
- super
- scale
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013507 mapping Methods 0.000 title claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 27
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims description 14
- 230000010354 integration Effects 0.000 claims description 7
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 abstract description 7
- 238000000059 patterning Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method 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
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, 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
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Abstract
本发明公开了一种基于双路径支持下的高光谱图像超分辨率制图方法,为:在空‑谱路径,将原始低空间分辨率高光谱图像与来自同一区域的高空间分辨率多光谱图像进行融合,对融合后图像光谱解混获得空‑谱信息的精细丰度图像;在多尺度路径,对原始图像光谱解混获得粗糙丰度图像,然后通过基于拉普拉斯金字塔深度学习的超分辨率重构模型进行亚像元锐化,获得多尺度信息的精细丰度图像;将前两步获得两种图像线性整合后获得多尺度空‑谱信息的精细丰度图像;根据第三步得到图像提供的准确的亚像元预测值,将类别标签分配到每个亚像元中,获得最终的超分辨率制图结果。本发明通过双路径丰富丰度图像所包含的信息种类,获得精度更高的超分辨率制图结果。
Description
技术领域
本发明涉及一种基于双路径支持下的高光谱图像超分辨率制图方法,属于遥感信息处理技术领域。
背景技术
土地覆盖类型的多样性和传感器瞬时视场的局限性所产生的混合像元是制约高光谱图像空间分辨率的主要因素。这些制约使得准确的地物目标识别产生了很大的困难,而准确的目标识别对工业、农业、环境以及军事等方面都有着十分重要的意义。因此,现今遥感信息处理技术领域的热点问题之一就是处理混合像元以提高地物类别分布精度。超分辨率制图技术(也称为亚像元定位技术)通过一定的比例尺度将每个混合像元细分成亚像元并估计出各亚像元的地物类别,实现了从低分辨率的丰度图像(光谱解混结果)转变成高分辨率的地物类别分布图像的过程。
由于其简单的物理意,基于两步处理的超分辨率制图模型得到了广泛的应用。在第一步中,输入的粗糙丰度图像通过亚像元锐化放大为精细的丰度图像。精细的丰度图像包含每个亚像元属于土地覆盖类别的预测值。第二步是根据精细的丰度图像的预测值,利用类别分配方法将类别标签分配给每个亚像元获得最终的超分辨率制图结果。Tatem博士提出了一系列基于Hopfield神经网络模型的超分辨率制图方法就属于这一类型。Muad等继续讨论了在基于Hopfield神经网络模型的超分辨率制图方法中不同的参数设置对识别不同尺度目标的能力。此外,比利时根特大学的Mertens博士提出了基于BP神经网络的超分辨率制图方法。后来Mertens博士又将该网络与小波变换相结合从而发掘更多的空间分布细节,进而提高了该方法目定位精度。除此之外,基于空间引力模型的超分辨率制图方法,指标协同克里格法的超分辨率制图方法和一些基于超分辨率重构的超分辨率制图方法都属于这一类型。然而,现有的基于两步处理的超分辨率制图模型通常直接应用于粗糙丰度图像,只具有单一的处理路径,因此获得的精细丰度图像的信息类型是有限的,影响最终的超分辨率制图精度。
发明内容
本发明所要解决的技术问题是:提供一种基于双路径支持下的高光谱图像超分辨率制图方法,利用两条处理路径,使精细的丰度图像具有多种信息种类,获得超分辨率制图精度更高的结果。
本发明为解决上述技术问题采用以下技术方案:
一种基于双路径支持下的高光谱图像超分辨率制图方法,包括如下步骤:
步骤1,在空-谱路径中,将原始低空间分辨率的高光谱图像与来自同一区域的高空间分辨率的多光谱图像通过基于成分替代的融合算法进行融合,得到融合后的高光谱图像,对融合后的高光谱图像进行光谱解混获得具有空-谱信息的丰度图像;
步骤2,在多尺度路径中,对原始低空间分辨率的高光谱图像进行光谱解混获得粗糙丰度图像,将粗糙丰度图像通过基于拉普拉斯金字塔深度学习的超分辨率重构模型进行亚像元锐化,获得具有多尺度信息的丰度图像;
步骤3,利用线性整合方法将步骤1和步骤2获得的两种丰度图像进行整合,获得具有多尺度空-谱信息的丰度图像;
步骤4,根据步骤3得到的具有多尺度空-谱信息的丰度图像,获取图像上亚像元属于各类别标签的预测值,并通过类别分配方法将类别标签分配到每个亚像元中,获得最终的超分辨率制图结果。
作为本发明的一种优选方案,步骤1所述基于成分替代的融合算法,具体公式为:
其中, 是融合后的高光谱图像,/>是第a个融合后的波段,/>是第a个原始低空间分辨率的高光谱图像波段被插值到多光谱图像尺寸,ga是增益矢量,a=1,2,...,E,E表示选定的高光谱图像波段数,Mb是高空间分辨率的多光谱图像的第b个波段,b=1,2,...,B,B是多光谱图像波段数目,wa是权值向量。
作为本发明的一种优选方案,步骤2所述基于拉普拉斯金字塔深度学习的超分辨率重构模型采用log2S级网络对粗糙丰度图像的残差图像进行预测,其中,S为比例尺度,S的大小等于步骤1中原始低空间分辨率的高光谱图像与来自同一区域的高空间分辨率的多光谱图像比例尺度。
作为本发明的一种优选方案,步骤3所述线性整合方法,具体公式为:
其中,pj表示第j个亚像元,表示具有多尺度空-谱信息的丰度图像中pj属于第n类的预测值,/>表示具有空-谱信息的丰度图像中pj属于第n类的预测值,表示具有多尺度信息的丰度图像中pj属于第n类的预测值,θ(0≤θ≤1)是平衡预测值/>和/>的权重参数。
作为本发明的一种优选方案,步骤4所述类别分配方法,具体公式为:
其中,tJ表示所有亚像元软属性值之和,KS2为亚像元总数量,N为地物类别总数目,表示具有多尺度空-谱信息的丰度图像中pj属于第n类的预测值,Cn(PJ)表示粗糙丰度图像中像元PJ属于第n类的预测值,J=1,2,...,K,K为像元数目,S为比例尺度。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明的方法改善现有的基于两步处理的超分辨率制图模型,利用双处理路径丰富精细丰度图像具有的信息种类,获得定位精度更高的结果。
附图说明
图1是本发明一种基于双路径支持下的高光谱图像超分辨率制图方法的流程示意图。
图2是基于CS的融合技术原理示意图。
图3是University of Pavia的高光谱遥感图像数据集的超分辨率制图结果;其中,(a)为评价参考图像,(b)为EI,(c)为HSAM,(d)为HNNP,(e)为DDP。
图4是Washington,DC的高光谱遥感图像数据集的超分辨率制图结果;其中,(a)为评价参考图像,(b)为EI,(c)为HSAM,(d)为HNNP,(e)为DDP。
图5是不同比例尺度S下本发明方法与其他三种方法的PCC(%)示意图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
如图1所示,为本发明提出的一种基于双路径支持下的高光谱图像超分辨率制图方法(Super-resolution Mapping Based on Dual Processing Paths forHyperspectral Image,DPP),具体步骤如下:
(1)在空-谱路径中输入大小为M×N的原始低分辨率高光谱图像Y与大小MS×NS来自同一区域的高空间分辨率多光谱图像P通过基于CS的融合技术进行融合,产生具有精细分辨率的融合结果然后,通过融合后的高光谱图像/>进行光谱解混,得到包含亚像元pj属于第n类预测值/>的精细丰度图像/>
基于CS的融合技术原理如图2所示。由于空间细节的绘制质量较高,利用基于CS的融合算法将原始的低分辨率高光谱图像与具有高空间分辨率的多光谱图像进行融合,得到了同时具有高光谱分辨率和高空间分辨率的改善的高光谱图像。首先,具有高空间分辨率的多光谱图像通过低通滤波获得模拟的低分辨率多光谱图像。通过对原始低分辨率高光谱图像和模拟的低分辨率多光谱图像进行光谱匹配,选择合适的高光谱图像波段作为替换分量。CS将这些替换分量的投影转换到另一个空间,从而提取这些替换分量的空间细节。然后,这些空间细节被包含更精细的空间细节的多光谱图像波段进行替换,提高了高光谱图像的空间分辨率。多光谱图像波段与被替换分量之间的相关性越大,融合方法引入的光谱失真越小。在替换发生之前对多光谱图像波段与被替换分量进行直方图匹配,通过直方图匹配的多光谱图像波段将显示与要替换分量相同的均值和方差。对多光谱图像的所有波段重复上述过程。最后,通过逆变换获得融合后的高光谱图像,完成了基于CS的融合算法处理。CS方法的方程由下式得出:
其中,Y代表原始低分辨率高光谱图像,是通过融合后的高光谱图像,/>(a=1,2,...,E,E表示选定的高光谱图像波段数)是第a个融合后的波段,/>代表第a个原始低分辨率高光谱图像波段被插值到多光谱图像尺寸,ga=[g1,g2,...,gE]是增益矢量,Mb(b=1,2,...,B,B是多光谱图像波段数目)是高空间分辨率多光谱图像的第b个波段。同时,I被定义为:
其中,权值向量wa=[w1,w2,...,wE]T被用来测量多光谱图像波段和高光谱图像波段之间的光谱重叠。当所有多光谱波段都被用来替换完毕时,就得到了最终的融合结果。
然后,通过融合后的高光谱图像进行光谱解混,得到包含亚像元pj(j=1,2,...,K×S2,K为像元数目,当比例尺度为S时,亚像元总数量为K×S2)属于第n类(n=1,2,...,N,N为地物类别总数目)预测值/>的精细丰度图像/>由于原始高光谱图像的分辨率通过融合技术得到了提高,精细丰度图像/>可以承载更多的空-谱信息。
(2)在多尺度路径中原始低分辨率高光谱图像Y通过光谱解混得到粗糙丰度图像Cn作为输入,粗糙丰度图像Cn包含像元PJ(J=1,2,...,K,K为像元数目)属于第n类的预测值Cn(PJ)。基于拉普拉斯金字塔深度学习的超分辨率重构模型逐步预测了在log2S级网络中粗糙丰度图像的残差图像。基于拉普拉斯金字塔深度学习的超分辨率重构模型由特征提取和图像重构两部分组成。在特征提取中,每一级网络通过级联卷积层从粗糙丰度图像中提取特征,提取的特征通过反卷积层以2倍的比例向上采样。反卷积层后面有两个卷积层。一个卷积层用于继续提取特征,另一个卷积层用于预测该层的残差图像。在图像重构中,输入的粗糙丰度图像通过每一级的反卷积层以2倍的比例向上采样,然后将上采样图像添加到该级的残差图像中,得到该级的重构结果。
设δ为要优化的网络参数集。基于拉普拉斯金字塔深度学习的超分辨率重构模型的目标是训练一个映射函数f来生成接近真实丰度图像Fn的精细丰度图像假设第v级网络上粗糙丰度图像的残差图像为/>上采样的粗糙丰度图像是/>相应的精细分数图像是/>真实的丰度图像Fn被双三次插值下采样以调整其大小与/>一致在每级网络上。用于处理异常值的鲁棒损失函数定义如下:
最后,在基于损失函数的log2S级网络训练完成后,得到包含亚像元预测值的精细丰度图像/>由于多尺度丰度图像是在基于拉普拉斯金字塔深度学习的超分辨率重构模型中训练,因此在多尺度路径中产生具有多尺度信息的精细丰度图像
(3)在光-谱路径中获得包含亚像元预测值的精细丰度图像/>与在多尺度径中获得包含亚像元预测值/>的精细丰度图像/>利用线性整合方法获得含有更准确的亚像元预测值/>的更精细丰度图像/>此时丰度图像/>中将包含丰富多尺度空-谱信息。
线性整合方法具体为:在光-谱路径中获得包含亚像元预测值的精细丰度图像/>与在多尺度径中获得包含亚像元预测值/>的精细丰度图像/>利用线性整合方法获得含有更准确的亚像元预测值/>的更精细丰度图像/>此时丰度图像/>中将包含丰富多尺度空-谱信息,如公式(4)。
类别分配方法具体为:根据更精细的丰度图像提供的准确的亚像元预测值,通过类别分配方法将类别标签分配到每个亚像元中,获得最终的超分辨率制图结果。
总之,该模型是依据公式(5)和公式(6)使所有亚像元的软属性值之和tJ达到最大值的条件下,将所有亚像元整体进行类别分配。
图3为University of Pavia的高光谱遥感图像数据集的超分辨率制图结果。其中:(a)评价参考图像,(b)基于边缘定向插值的超分辨率制图方法(Edge-directedInterpolation,EI),(c)基于混合空间引力模型的超分辨率制图方法(Hybrid SpatialAttraction Model,HSAM),(d)基于具有全色图像Hopfield神经网络模型的超分辨率制图方法(Hopfield neural network with panchromatic image,HNNP),(e)基于双路径支持下的超分辨率制图方法(DDP)。
图4为Washington,DC的高光谱遥感图像数据集的超分辨率制图结果。其中:(a)评价参考图像,(b)基于边缘定向插值的超分辨率制图方法(Edge-directed Interpolation,EI),(c)基于混合空间引力模型的超分辨率制图方法(Hybrid Spatial AttractionModel,HSAM),(d)基于具有全色图像Hopfield神经网络模型的超分辨率制图方法(Hopfield neural network with panchromatic image,HNNP),(e)基于双路径支持下的超分辨率制图方法(DDP)。
图5为与比例尺度S相关的四种算法的总体精度评价(percentage of correctlyclassified,PCC)(%)。
下面通过将本发明提出方法应用到两组不同的高光谱图像来证明所提出方法的高效性。为了进行定量评估,对原始精细的遥感图像进行下采样以产生模拟低分辨率图像,第一组图像降采样比例和放大比例取S=8,为了测试方法在不同比例尺度下的性能,第二组图像降采样比例和放大比例取S=2,S=4和S=8。因为在下采样的情况下,亚像素元的土地覆盖类是已知的,因此便于直接评估图像配准误差对技术的影响。同时,为了避免多光谱图像采集误差对最终定位结果的影响,仅考虑融合技术对超分辨率制图结果的影响,利用IKONOS卫星的光谱响应生成合适的多光谱图像。利用每个类别定位精度和总体精度评价(percentage of correctly classified,PCC)定量评价。
第一组试验中,目标为University of Pavia的高光谱遥感图像数据集,图3是对低分辨率高光谱图像的超分辨率制图结果,从图中可以看出,DPP方法的结果最接近参考图像,效果更佳。表1为第一组实验中四种方法的每个类别的定位精度和总体精度评价PCC,进一步验证了本发明所提出的方法在超分辨率制图上的优势。
表1第一组实验各种方法的数据分析结果(%)
EI | HSAM | HNNP | DPP | |
草地 | 87.79 | 91.06 | 94.99 | 95.65 |
沥青 | 60.13 | 76.31 | 83.18 | 85.26 |
树 | 20.91 | 23.47 | 10.30 | 30.10 |
砖 | 40.01 | 52.55 | 57.93 | 60.11 |
PCC | 60.89 | 69.48 | 72.66 | 76.04 |
第二组实验选取一幅来自Washington,DC的高光谱遥感图像。图4展示了四种方法的超分辨率制图结果。图5为在三种比例尺度下四种方法的PCC(%)。与第一组实验结论相似,本发明所提出的方法DPP仍然在超分辨率制图中存在明显优势。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (3)
1.一种基于双路径支持下的高光谱图像超分辨率制图方法,其特征在于,包括如下步骤:
步骤1,在空-谱路径中,将原始低空间分辨率的高光谱图像与来自同一区域的高空间分辨率的多光谱图像通过基于成分替代的融合算法进行融合,得到融合后的高光谱图像,对融合后的高光谱图像进行光谱解混获得具有空-谱信息的丰度图像;
所述基于成分替代的融合算法,具体公式为:
其中, 是融合后的高光谱图像,/>是第a个融合后的波段,/>是第a个原始低空间分辨率的高光谱图像波段被插值到多光谱图像尺寸,ga是增益矢量,a=1,2,...,E,E表示选定的高光谱图像波段数,Mb是高空间分辨率的多光谱图像的第b个波段,b=1,2,...,B,B是多光谱图像波段数目,wa是权值向量;
步骤2,在多尺度路径中,对原始低空间分辨率的高光谱图像进行光谱解混获得粗糙丰度图像,将粗糙丰度图像通过基于拉普拉斯金字塔深度学习的超分辨率重构模型进行亚像元锐化,获得具有多尺度信息的丰度图像;
所述基于拉普拉斯金字塔深度学习的超分辨率重构模型采用log2 S级网络对粗糙丰度图像的残差图像进行预测,其中,S为比例尺度,S的大小等于步骤1中原始低空间分辨率的高光谱图像与来自同一区域的高空间分辨率的多光谱图像比例尺度;
步骤3,利用线性整合方法将步骤1和步骤2获得的两种丰度图像进行整合,获得具有多尺度空-谱信息的丰度图像;
步骤4,根据步骤3得到的具有多尺度空-谱信息的丰度图像,获取图像上亚像元属于各类别标签的预测值,并通过类别分配方法将类别标签分配到每个亚像元中,获得最终的超分辨率制图结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910196820.5A CN110070518B (zh) | 2019-03-15 | 2019-03-15 | 一种基于双路径支持下的高光谱图像超分辨率制图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910196820.5A CN110070518B (zh) | 2019-03-15 | 2019-03-15 | 一种基于双路径支持下的高光谱图像超分辨率制图方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110070518A CN110070518A (zh) | 2019-07-30 |
CN110070518B true CN110070518B (zh) | 2023-05-23 |
Family
ID=67366161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910196820.5A Active CN110070518B (zh) | 2019-03-15 | 2019-03-15 | 一种基于双路径支持下的高光谱图像超分辨率制图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110070518B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517212A (zh) * | 2019-08-21 | 2019-11-29 | 西北工业大学 | 基于非重叠波段模拟的高光谱和多光谱图像融合方法 |
CN111191547A (zh) * | 2019-12-23 | 2020-05-22 | 中电健康云科技有限公司 | 一种基于高光谱反卷积和解混的医疗废料在线筛选方法 |
CN111311529B (zh) * | 2020-01-22 | 2022-07-01 | 西安电子科技大学 | 基于反卷积网络和引导滤波的医学图像融合方法 |
CN113624691B (zh) * | 2020-05-07 | 2022-10-04 | 南京航空航天大学 | 一种基于空间-光谱相关性的光谱图像超分辨率映射方法 |
CN113222948B (zh) * | 2021-05-19 | 2024-04-05 | 大连海事大学 | 基于多尺度多特征的高光谱图像亚像元定位方法 |
CN113744134B (zh) * | 2021-09-15 | 2023-07-25 | 东华大学 | 基于光谱解混卷积神经网络的高光谱图像超分辨方法 |
CN114841875B (zh) * | 2022-04-22 | 2023-08-11 | 哈尔滨师范大学 | 一种基于图学习和降噪的高光谱图像解混方法 |
CN115829886B (zh) * | 2022-12-21 | 2023-08-11 | 哈尔滨师范大学 | 基于端元自适应不相干和空间约束的盲高光谱解混方法 |
CN116935214B (zh) * | 2023-06-27 | 2024-04-12 | 福建鼎旸信息科技股份有限公司 | 一种卫星多源遥感数据的时空谱融合方法 |
CN117392552B (zh) * | 2023-12-13 | 2024-02-20 | 江西农业大学 | 一种基于双路径卷积神经网络的叶片病害识别方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609944B (zh) * | 2012-02-08 | 2014-06-11 | 复旦大学 | 基于距离几何理论的高光谱遥感图像混合像元分解方法 |
CN105761234A (zh) * | 2016-01-28 | 2016-07-13 | 华南农业大学 | 一种基于结构稀疏表示的遥感影像融合方法 |
CN106651800B (zh) * | 2016-12-23 | 2020-05-22 | 中国科学院遥感与数字地球研究所 | 基于pan调制和多元线性回归的ms与pan图像融合方法 |
CN109410164B (zh) * | 2018-11-14 | 2019-10-22 | 西北工业大学 | 多尺度卷积神经网络的卫星全色与多光谱图像融合方法 |
-
2019
- 2019-03-15 CN CN201910196820.5A patent/CN110070518B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110070518A (zh) | 2019-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070518B (zh) | 一种基于双路径支持下的高光谱图像超分辨率制图方法 | |
CN110363215B (zh) | 基于生成式对抗网络的sar图像转化为光学图像的方法 | |
CN108734659B (zh) | 一种基于多尺度标签的亚像素卷积图像超分辨率重建方法 | |
WO2022222352A1 (zh) | 基于残差网络的遥感全色和多光谱图像分布式融合方法 | |
Song et al. | Spatiotemporal satellite image fusion through one-pair image learning | |
Zhong et al. | An adaptive subpixel mapping method based on MAP model and class determination strategy for hyperspectral remote sensing imagery | |
Wang et al. | Subpixel mapping using Markov random field with multiple spectral constraints from subpixel shifted remote sensing images | |
CN110415199B (zh) | 基于残差学习的多光谱遥感图像融合方法及装置 | |
Wang et al. | Land cover change detection at subpixel resolution with a Hopfield neural network | |
US8699790B2 (en) | Method for pan-sharpening panchromatic and multispectral images using wavelet dictionaries | |
Wang et al. | Fast subpixel mapping algorithms for subpixel resolution change detection | |
US8693771B2 (en) | Method for pan-sharpening panchromatic and multispectral images using dictionaries | |
Chen et al. | Hybrid constraints of pure and mixed pixels for soft-then-hard super-resolution mapping with multiple shifted images | |
Wang et al. | Utilizing multiple subpixel shifted images in subpixel mapping with image interpolation | |
Li et al. | A superresolution land-cover change detection method using remotely sensed images with different spatial resolutions | |
CN108090872B (zh) | 基于梯度提取的单帧多光谱影像超分辨率重建方法及系统 | |
Wang et al. | Integration of spatial attractions between and within pixels for sub-pixel mapping | |
Ma et al. | A super-resolution convolutional-neural-network-based approach for subpixel mapping of hyperspectral images | |
Mei et al. | Hyperspectral image super-resolution via convolutional neural network | |
CN110084747B (zh) | 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 | |
Wang et al. | Soft-then-hard super-resolution mapping based on a spatial attraction model with multiscale sub-pixel shifted images | |
Zhong et al. | Adaptive MAP sub-pixel mapping model based on regularization curve for multiple shifted hyperspectral imagery | |
Li et al. | Spatial-temporal super-resolution land cover mapping with a local spatial-temporal dependence model | |
Tang et al. | Integrating spatio-temporal-spectral information for downscaling Sentinel-3 OLCI images | |
Dai et al. | A remote sensing spatiotemporal fusion model of landsat and modis data via deep learning |
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 |