CN110751036A - 一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法 - Google Patents

一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法 Download PDF

Info

Publication number
CN110751036A
CN110751036A CN201910873789.4A CN201910873789A CN110751036A CN 110751036 A CN110751036 A CN 110751036A CN 201910873789 A CN201910873789 A CN 201910873789A CN 110751036 A CN110751036 A CN 110751036A
Authority
CN
China
Prior art keywords
data
band
fusion
multispectral
hyperspectral
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
Application number
CN201910873789.4A
Other languages
English (en)
Other versions
CN110751036B (zh
Inventor
孙伟伟
任凯
杨刚
孟祥超
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.)
Ningbo University
Original Assignee
Ningbo University
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 Ningbo University filed Critical Ningbo University
Priority to CN201910873789.4A priority Critical patent/CN110751036B/zh
Publication of CN110751036A publication Critical patent/CN110751036A/zh
Application granted granted Critical
Publication of CN110751036B publication Critical patent/CN110751036B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Spectrometry And Color Measurement (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法，包括：步骤1)对高光谱数据与多光谱数据进行预处理；步骤2)将数据裁剪出小块区域并且分波段；步骤3)对高光谱数据分波段；步骤4)对多光谱数据中多个波段取平均值，变换为一个波段；步骤5)对高光谱数据和合成一个波段的多光谱数据划定窗口大小并进行分块。本发明的有益效果是：本发明充分改进了现存融合方法计算效率的不足；充分利用图像分波段及分块融合的高效性、多光谱数据波段合成后对融合效果的提升性三个步骤融合高光谱数据与多光谱数据。该方法实现了数据高效率与高质量融合，实用性强。本发明提出的方法具有重要的实际应用意义。

Description

一种基于分波段及分块策略的高光谱/多光谱影像快速融合 方法
技术领域
本发明涉及光学遥感图像处理技术领域，尤其是涉及一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法；通过利用图像分波段及分块融合的高效性和多光谱数据波段合成后对融合效果的提升性，设计三步连续可靠的图像融合流程，实现高光谱数据与多光谱数据高质量，高效率的融合。
背景技术
遥感图像是对地观测领域最主要的数据来源。图像融合作为遥感图像处理的重要步骤之一，对于重建高光谱分辨率和高空间分辨率的遥感数据具有有效性，是目前改进高光谱数据空间分辨率不足的重要手段。
高光谱数据具有较高的光谱分辨率，可以进行地物精细分类，但是其空间分辨率不足，对于一些地物的区分具有有限性；多光谱数据具有低光谱分辨率和高空间分辨率，其光谱波段的有限性限制了它的分类性能，高空间分辨率使它在目标识别领域具有一定优势。利用融合方法可以得到具有高光谱分辨率和高空间分辨率的数据。
目前，针对高光谱数据与多光谱数据融合的方法主要有三种：成分替换类融合方法、多分辨率分析融合方法和基于机器学习的方法。成分替换类融合方法将高光谱数据映射进入新的表达空间，利用多光谱数据替换高光谱数据的强度分量实现融合；多分辨率分析融合方法法从多光谱数据中提取空间细节注入高光谱数据实现融合；基于机器学习的方法通过最小损失函数迭代减小重组误差实现了数据融合。但是高光谱数据维度高，大的数据量限制了目前一些图像处理软件的使用，融合无法进行，目前针对高光谱数据与多光谱数据融合的方法仅考虑了数据量较小的情况，在真实的应用中，较小的数据量无法满足对研究区的覆盖，方法实用性受限。
发明内容
本发明的目的是克服现有技术中的不足，提供一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法。首先采用小块数据验证已有融合方法对数据光谱范围重合度的鲁棒性，选出对不同光谱范围融合效果好的方法；然后对高光谱数据分波段，将可见光和近红外光范围内的波段分为一组，短波红外光范围内的波段分为一组，并且对多光谱数据进行波段合成；最后对高光谱数据和合成单波段的多光谱数据划定窗口大小进行分块，利用已有融合方法进行分波段及分块融合，对融合后的图像进行块合并和波段合并。
这种基于分波段及分块策略的高光谱/多光谱影像快速融合方法，具体包括如下步骤：
步骤1.对高光谱数据与多光谱数据进行预处理；
步骤2.将数据裁剪出小块区域并且分波段，采用小块数据验证已有融合方法对数据光谱范围重合度的鲁棒性，选出对不同光谱范围融合效果好的融合方法；
步骤3.对高光谱数据分波段，将可见光和近红外光范围内的波段分为一组，短波红外光范围内的波段分为一组；
步骤4.对多光谱数据中多个波段取平均值，变换为一个波段；
步骤5.对高光谱数据和合成一个波段的多光谱数据划定窗口大小并进行分块，利用步骤2中经过验证的已有融合方法，进行分波段及分块融合，对融合后的图像进行块合并和波段合并。
作为优选，所述步骤2中采用小块数据验证不同图像融合方法对数据光谱范围重合度的鲁棒性的实现方式为：
利用可获得的融合方法进行分波段融合；并且利用评估方法评估融合后不同波段范围图像的空间和光谱失真，选择出对可见光和近红外光波段融合效果好的方法，对短波红外光波段融合效果好的方法。
作为优选，所述步骤2具体包括如下步骤：
步骤2.1：利用成分替换类方法分别对不同波段范围的数据进行融合；其成分替换类融合公式为：
Figure BDA0002203666410000021
上式中，k为高光谱数据波段的顺序号，N为高光谱数据波段数，
Figure BDA0002203666410000022
为被融合的高光谱数据，为被插值到多光谱像素尺寸的高光谱数据，MS为多光谱数据，IL为高光谱数据的强度分量，gk为权重矩阵；
步骤2.2：利用多分辨率分析类方法分别对不同波段范围的数据进行融合，其多分辨率分析类融合公式为：
Figure BDA0002203666410000024
上式中，k为高光谱数据波段的顺序号，N为高光谱数据波段数，为被融合的高光谱数据，
Figure BDA0002203666410000026
为被插值到多光谱像素尺寸的高光谱数据，MS为多光谱数据，gk为权重矩阵，MSL为低通滤波的多光谱数据；
步骤2.3：利用基于解混的方法分别对不同波段范围的数据进行融合，基于机器学习方法的融合公式为：
上式中，Yh为高光谱数据，Ym为多光谱数据，X，E为被融合后高光谱数据的子矩阵，B为模糊函数，M为多光谱数据点分布函数，R为多光谱数据的光谱响应函数，λ，λm为权重因子，
Figure BDA0002203666410000032
为正则化项；
步骤2.4：利用质量评估指标对各种融合方法在不同波段范围中融合出的高光谱数据进行评估：
光谱角评估公式如下：
Figure BDA0002203666410000033
上式中，SAM为光谱角评估，zj为参考数据第j个像素的光谱信号，为融合数据第j个像素的光谱信号，
Figure BDA0002203666410000035
为zj转置矩阵；
高频相关性评估公式如下:
Figure BDA0002203666410000036
上式中，HCC为高频相关性，a,b分别为参考图像与融合图像的高频细节图像，aj和bj分别为a和b的样本，和
Figure BDA0002203666410000038
为a和b的样本均值，p代表样本数量。
作为优选，所述步骤4用如下方法实现：
上式中，k为多光谱数据波段的顺序号，MSk为合成一个波段后的多光谱数据，MS11为多光谱数据中第1个波段中的第1个像素值，x代表多光谱数据中单波段数据的波段数量，b为多光谱数据的像素个数，MSij为多光谱数据中第i个波段中的第j个像素值。
作为优选，所述步骤5中使用的分块方法为：
Si＝Srows/w
Sii＝Si-cols/w (7)
上式中，Si为对数据按照行进行分块的结果，Sii为对Si按照列进行分块的结果，Srows为数据的行，Si-cols为数据的列，w为窗口尺寸。
作为优选，步骤5中使用的块合并和波段合并方法为：
Figure BDA0002203666410000041
Figure BDA0002203666410000042
上式中，
Figure BDA0002203666410000043
为最终的融合数据，L为高光谱数据的不同波谱范围内的图像，VNIR为可见光和近红外光，SWIR为短波红外光，L＝VNIR+SWIR，
Figure BDA0002203666410000044
为可见光和近红外光波段的融合数据，为短波红外光波段的融合数据。
本发明的有益效果是：
本发明提出的基于分波段及分块策略的高光谱与多光谱数据融合，充分改进了现存融合方法计算效率的不足；本发明提出的方法在极大地提高了大幅图像融合的效率和融合效果，为后续应用提供可靠的支持；充分利用图像分波段及分块融合的高效性、多光谱数据波段合成后对融合效果的提升性三个步骤融合高光谱数据与多光谱数据。该方法实现了数据高效率与高质量融合，实用性强。本发明提出的方法具有重要的实际应用意义。
附图说明
图1是本发明的实施例流程图；
图2是哨兵-2A的多光谱数据图；
图3为GF-5的高光谱数据图；
图4为分波段及分块策略融合数据图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
本发明技术方案可采用计算机软件实现自动运行流程，以下结合图1详述了基于分波段及分块策略的高光谱与多光谱数据融合步骤：
步骤1.对高光谱数据与多光谱数据进行预处理；本发明采用数据为现存高光谱与多光谱遥感数据，需要进行预处理，具体预处理方法为现有技术；预处理的目的在于消除多源传感器数据间的空间畸变和光谱畸变，使多源融合数据保持一致性；
步骤2.将数据裁剪出小块区域并且分波段，采用小块数据验证已有融合方法对数据光谱范围重合度的鲁棒性，利用可获得的融合方法进行分波段融合；并且利用评估方法评估融合后不同波段范围图像的空间和光谱失真，选出对不同光谱范围融合效果好的融合方法；本步骤目的在于选择出对于可见光和近红外光波段融合效果好的方法，对短波红外光波段融合效果好的方法，对图像进行分波段融合，一方面提升融合效率，另一方面提升高光谱数据与多光谱数据不重合波段的融合质量；
步骤2.1：利用成分替换类方法分别对不同波段范围的数据进行融合；其成分替换类融合公式为：
上式中，k为高光谱数据波段的顺序号，N为高光谱数据波段数，
Figure BDA0002203666410000052
为被融合的高光谱数据，为被插值到多光谱像素尺寸的高光谱数据，MS是多光谱数据，IL为高光谱数据的强度分量，gk为权重矩阵；
步骤2.2：利用多分辨率分析类方法分别对不同波段范围的数据进行融合，其多分辨率分析类融合公式为：
Figure BDA0002203666410000054
上式中，k为高光谱数据波段的顺序号，N为高光谱数据波段数，
Figure BDA0002203666410000055
为被融合的高光谱数据，
Figure BDA0002203666410000056
为被插值到多光谱像素尺寸的高光谱数据，MS是多光谱数据，gk为权重矩阵，MSL为低通滤波的多光谱数据；
步骤2.3：利用基于解混的方法分别对不同波段范围的数据进行融合，基于机器学习方法的融合公式为：
Figure BDA0002203666410000057
上式中，Yh为高光谱数据，Ym为多光谱数据，X，E是被融合后高光谱数据的子矩阵，B为模糊函数，M为多光谱数据点分布函数，R为多光谱数据的光谱响应函数，λ，λm为权重因子，
Figure BDA0002203666410000058
为正则化项；
步骤2.4：利用质量评估指标对各种融合方法在不同波段范围中融合出的高光谱数据进行评估：
光谱角评估公式如下：
Figure BDA0002203666410000059
上式中，SAM为光谱角评估，zj为参考数据第j个像素的光谱信号，为融合数据第j个像素的光谱信号，是zj转置矩阵；
高频相关性评估公式如下:
上式中，HCC为高频相关性，a,b分别为参考图像与融合图像的高频细节图像，aj和bj分别为a和b的样本，和
Figure BDA0002203666410000063
为a和b的样本均值，p代表样本数量。
步骤3.对高光谱数据分波段，将可见光和近红外光范围内的波段分为一组，短波红外光范围内的波段分为一组；具体融合方法为已有技术；本步骤目的在于，通过分波段融合提升融合效率和融合效果。
步骤4.对多光谱数据中多个波段取平均值，变换为一个波段；其实现方法为：
Figure BDA0002203666410000064
上式中，k为多光谱数据波段的顺序号，MSk为合成一个波段后的多光谱数据，MS11是多光谱数据中第1个波段中的第1个像素值，x代表多光谱数据中单波段数据的波段数量，b是多光谱数据的像素个数，MSij为多光谱数据中第i个波段中的第j个像素值；目的在于消除多源传感器数据间存在的色差对融合效果的影响，多光谱数据与高光谱数据进行融合中，光谱保真性受数据间色差的影响，将多光谱数据合成单波段数据进行融合，提升融合数据质量。
步骤5.对高光谱数据和合成一个波段的多光谱数据划定窗口大小并进行分块，利用步骤2中经过验证的已有融合方法，进行分波段及分块融合，对融合后的图像进行块合并和波段合并；使用的分块方法为：
Si＝Srows/w
Sii＝Si-cols/w (7)
上式中，Si为对数据按照行进行分块的结果，Sii为对Si按照列进行分块的结果，Srows为数据的行，Si-cols为数据的列，w为窗口尺寸；使用的块合并和波段合并方法为：
Figure BDA0002203666410000065
Figure BDA0002203666410000066
上式中，
Figure BDA0002203666410000067
为最终的融合数据，L是高光谱数据的不同波谱范围内的图像，VNIR为可见光和近红外光，SWIR为短波红外光，L＝VNIR+SWIR，
Figure BDA0002203666410000068
指的是可见光和近红外光波段的融合数据，
Figure BDA0002203666410000069
指的是短波红外光波段的融合数据。本步骤的目的在于提升图像融合效率；对于分波段的高光谱数据和多光谱数据进行分块，将两种数据间对应的块进行融合，将融合后的数据进行拼接，最终得到可见光和近红外光波谱范围内被融合的图像和短波红外光范围内被融合的图像，之后经过波段合成获得最终的融合数据。
本实施例试验研究选取2018年5月3日在太湖区域获取的哨兵2A多光谱数据(见图2)和2018年6月1日在太湖区域获取的GF-5高光谱数据(见图3)，所述哨兵2A多光谱数据的空间分辨率为10m，融合数据的像素尺寸达到了1400×1400像素，最终的融合图像达到了18.3GB，这在软件中通过一次性融合会出现数据溢出现象，无法得到结果。
经过上述融合策略的融合数据实现了高质量的融合(见图4)，且所述图4的TIME＝1268s，SAM＝3.5，HCC＝8.13，极大地提高了融合算法的效率和融合数据的质量，具有重要的实际应用意义。

Claims (6)

1.一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法，其特征在于：包括以下步骤：
步骤1.对高光谱数据与多光谱数据进行预处理；
步骤2.将数据裁剪出小块区域并且分波段，采用小块数据验证已有融合方法对数据光谱范围重合度的鲁棒性，选出对不同光谱范围融合效果好的融合方法；
步骤3.对高光谱数据分波段，将可见光和近红外光范围内的波段分为一组，短波红外光范围内的波段分为一组；
步骤4.对多光谱数据中多个波段取平均值，变换为一个波段；
步骤5.对高光谱数据和合成一个波段的多光谱数据划定窗口大小并进行分块，利用步骤2中经过验证的已有融合方法，进行分波段及分块融合，对融合后的图像进行块合并和波段合并。
2.根据权利要求1所述的一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法，其特征在于，所述步骤2中采用小块数据验证不同图像融合方法对数据光谱范围重合度的鲁棒性的实现方式为：
利用可获得的融合方法进行分波段融合；并且利用评估方法评估融合后不同波段范围图像的空间和光谱失真，选择出对可见光和近红外光波段融合效果好的方法，对短波红外光波段融合效果好的方法。
3.根据权利要求1所述的一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法，其特征在于，所述步骤2具体包括如下步骤：
步骤2.1：利用成分替换类方法分别对不同波段范围的数据进行融合；其成分替换类融合公式为：
上式中，k为高光谱数据波段的顺序号，N为高光谱数据波段数，
Figure FDA0002203666400000012
为被融合的高光谱数据，
Figure FDA0002203666400000013
为被插值到多光谱像素尺寸的高光谱数据，MS是多光谱数据，IL为高光谱数据的强度分量，gk为权重矩阵；
步骤2.2：利用多分辨率分析类方法分别对不同波段范围的数据进行融合，其多分辨率分析类融合公式为：
上式中，k为高光谱数据波段的顺序号，N为高光谱数据波段数，为被融合的高光谱数据，
Figure FDA0002203666400000016
为被插值到多光谱像素尺寸的高光谱数据，MS为多光谱数据，gk为权重矩阵，MSL为低通滤波的多光谱数据；
步骤2.3：利用基于解混的方法分别对不同波段范围的数据进行融合，基于机器学习方法的融合公式为：
Figure FDA0002203666400000021
上式中，Yh为高光谱数据，Ym为多光谱数据，X，E为被融合后高光谱数据的子矩阵，B为模糊函数，M为多光谱数据点分布函数，R为多光谱数据的光谱响应函数，λ，λm为权重因子，
Figure FDA0002203666400000022
为正则化项；
步骤2.4：利用质量评估指标对各种融合方法在不同波段范围中融合出的高光谱数据进行评估：
光谱角评估公式如下：
Figure FDA0002203666400000023
上式中，SAM为光谱角评估，zj为参考数据第j个像素的光谱信号，
Figure FDA0002203666400000024
为融合数据第j个像素的光谱信号，为zj转置矩阵；
高频相关性评估公式如下:
Figure FDA0002203666400000026
上式中，HCC为高频相关性，a，b分别为参考图像与融合图像的高频细节图像，aj和bj分别为a和b的样本，
Figure FDA0002203666400000027
和为a和b的样本均值，p代表样本数量。
4.根据权利要求1所述的一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法，其特征在于，所述步骤4用如下方法实现：
上式中，k为多光谱数据波段的顺序号，MSk为合成一个波段后的多光谱数据，MS11为多光谱数据中第1个波段中的第1个像素值，x为多光谱数据中单波段数据的波段数量，b为多光谱数据的像素个数，MSij为多光谱数据中第i个波段中的第j个像素值。
5.根据权利要求1所述的一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法，其特征在于，所述步骤5中使用的分块方法为：
Si＝Srows/w
Sii＝Si-cols/w (7)
上式中，Si为对数据按照行进行分块的结果，Sii为对Si按照列进行分块的结果，Srows为数据的行，Si-cols为数据的列，w为窗口尺寸。
6.根据权利要求1所述的一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法，其特征在于，步骤5中使用的块合并和波段合并方法为：
Figure FDA0002203666400000031
Figure FDA0002203666400000032
上式中，为最终的融合数据，L为高光谱数据的不同波谱范围内的图像，VNIR为可见光和近红外光，SWIR为短波红外光，L＝VNIR+SWIR，为可见光和近红外光波段的融合数据，
Figure FDA0002203666400000035
为短波红外光波段的融合数据。
CN201910873789.4A 2019-09-17 2019-09-17 一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法 Active CN110751036B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910873789.4A CN110751036B (zh) 2019-09-17 2019-09-17 一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910873789.4A CN110751036B (zh) 2019-09-17 2019-09-17 一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法

Publications (2)

Publication Number Publication Date
CN110751036A true CN110751036A (zh) 2020-02-04
CN110751036B CN110751036B (zh) 2020-06-30

Family

ID=69276544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910873789.4A Active CN110751036B (zh) 2019-09-17 2019-09-17 一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法

Country Status (1)

Country Link
CN (1) CN110751036B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111444835A (zh) * 2020-03-26 2020-07-24 贵阳欧比特宇航科技有限公司 一种基于多源遥感数据提取地物空间分布位置的方法
CN111652826A (zh) * 2020-05-18 2020-09-11 哈尔滨工业大学 基于Wallis滤波+直方图匹配的有重多/高光谱遥感图像匀色方法
CN112017160A (zh) * 2020-08-05 2020-12-01 中国公路工程咨询集团有限公司 一种基于多策略组合的多源遥感影像道路材质精细提取方法
CN113281270A (zh) * 2021-04-26 2021-08-20 中国自然资源航空物探遥感中心 一种高光谱波段选择方法、装置、设备及存储介质
CN118656786A (zh) * 2024-08-14 2024-09-17 本溪钢铁(集团)有限责任公司 一种铁矿高光谱数据融合方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592134A (zh) * 2011-11-28 2012-07-18 北京航空航天大学 一种高光谱与红外数据多级决策融合分类方法
CN102982517A (zh) * 2012-11-02 2013-03-20 武汉大学 基于光谱与空间局部相关的遥感影像融合方法
CN108257107A (zh) * 2018-01-11 2018-07-06 天津大学 基于局部低秩矩阵和光谱分解的图像融合算法
CN109285133A (zh) * 2018-09-28 2019-01-29 哈尔滨工业大学 一种细节增强的遥感图像数据时空谱一体化融合方法
CN109509160A (zh) * 2018-11-28 2019-03-22 长沙理工大学 一种利用逐层迭代超分辨率的分层次遥感图像融合方法
CN110017897A (zh) * 2019-04-18 2019-07-16 长春精仪光电技术有限公司 一种紧凑型单目多通道可组合式多光谱成像系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102592134A (zh) * 2011-11-28 2012-07-18 北京航空航天大学 一种高光谱与红外数据多级决策融合分类方法
CN102982517A (zh) * 2012-11-02 2013-03-20 武汉大学 基于光谱与空间局部相关的遥感影像融合方法
CN108257107A (zh) * 2018-01-11 2018-07-06 天津大学 基于局部低秩矩阵和光谱分解的图像融合算法
CN109285133A (zh) * 2018-09-28 2019-01-29 哈尔滨工业大学 一种细节增强的遥感图像数据时空谱一体化融合方法
CN109509160A (zh) * 2018-11-28 2019-03-22 长沙理工大学 一种利用逐层迭代超分辨率的分层次遥感图像融合方法
CN110017897A (zh) * 2019-04-18 2019-07-16 长春精仪光电技术有限公司 一种紧凑型单目多通道可组合式多光谱成像系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
QI WEI, STUDENT MEMBER, IEEE, JOSÉ BIOUCAS-DIAS, MEMBER, IEEE,NI: "Hyperspectral and Multispectral Image Fusion Based on a Sparse Representation", 《 IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111444835A (zh) * 2020-03-26 2020-07-24 贵阳欧比特宇航科技有限公司 一种基于多源遥感数据提取地物空间分布位置的方法
CN111444835B (zh) * 2020-03-26 2023-08-04 贵阳欧比特宇航科技有限公司 一种基于多源遥感数据提取地物空间分布位置的方法
CN111652826A (zh) * 2020-05-18 2020-09-11 哈尔滨工业大学 基于Wallis滤波+直方图匹配的有重多/高光谱遥感图像匀色方法
CN112017160A (zh) * 2020-08-05 2020-12-01 中国公路工程咨询集团有限公司 一种基于多策略组合的多源遥感影像道路材质精细提取方法
CN112017160B (zh) * 2020-08-05 2023-04-25 中咨数据有限公司 一种基于多策略组合的多源遥感影像道路材质精细提取方法
CN113281270A (zh) * 2021-04-26 2021-08-20 中国自然资源航空物探遥感中心 一种高光谱波段选择方法、装置、设备及存储介质
CN118656786A (zh) * 2024-08-14 2024-09-17 本溪钢铁(集团)有限责任公司 一种铁矿高光谱数据融合方法及系统

Also Published As

Publication number Publication date
CN110751036B (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
CN110751036B (zh) 一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法
Fu et al. Joint camera spectral sensitivity selection and hyperspectral image recovery
Farmonov et al. Crop type classification by DESIS hyperspectral imagery and machine learning algorithms
Xu et al. Attention mechanism-based generative adversarial networks for cloud removal in Landsat images
CN107392130B (zh) 基于阈值自适应和卷积神经网络的多光谱图像分类方法
Song et al. Hyperspectral image classification based on KNN sparse representation
CN109934153A (zh) 基于门控深度残差优化网络的建筑物提取方法
CN103208011B (zh) 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法
CN111008664B (zh) 一种基于空谱联合特征的高光谱海冰检测方法
CN111160273A (zh) 一种高光谱图像空谱联合分类方法及装置
CN113052216A (zh) 基于双路图u-net卷积网络的溢油高光谱图像检测方法
Xie et al. Trainable spectral difference learning with spatial starting for hyperspectral image denoising
CN111383203B (zh) 基于分区域拟合的全色与多光谱遥感图像融合方法
Haq et al. 3D-CNNHSR: A 3-Dimensional Convolutional Neural Network for Hyperspectral Super-Resolution.
CN113421198B (zh) 一种基于子空间的非局部低秩张量分解的高光谱图像去噪方法
CN113361407A (zh) 基于PCANet的空谱特征联合高光谱海冰图像分类方法
CN111047616B (zh) 一种遥感图像滑坡目标约束性主动轮廓特征提取方法
CN109460788B (zh) 基于低秩-稀疏信息组合网络的高光谱图像分类方法
Fu et al. Examination of the performance of ASEL and MPViT algorithms for classifying mangrove species of multiple natural reserves of Beibu Gulf, south China
CN114862883A (zh) 一种目标边缘提取方法、图像分割方法及系统
Zhang et al. Cloud Detection Method based on Spatial-Spectral Features and Encoder-Decoder Feature Fusion
Hu et al. Detection of Tea Leaf Blight in Low-Resolution UAV Remote Sensing Images
CN113361355A (zh) 联合多时相特征的遥感影像地表要素识别方法及存储介质
Yang et al. Improving Semantic Segmentation Performance by Jointly Using High Resolution Remote Sensing Image and Ndsm
Liu et al. Hyperspectral image classification via region-based composite kernels

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