CN110942451A - 一种无参考图像的遥感图像融合性能评价方法 - Google Patents
一种无参考图像的遥感图像融合性能评价方法 Download PDFInfo
- Publication number
- CN110942451A CN110942451A CN201911142852.3A CN201911142852A CN110942451A CN 110942451 A CN110942451 A CN 110942451A CN 201911142852 A CN201911142852 A CN 201911142852A CN 110942451 A CN110942451 A CN 110942451A
- Authority
- CN
- China
- Prior art keywords
- image
- fusion
- remote sensing
- low
- evaluating
- 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
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 31
- 230000014759 maintenance of location Effects 0.000 claims abstract description 16
- 238000001228 spectrum Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims description 18
- 230000003287 optical effect Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000000926 separation method Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000012017 passive hemagglutination assay Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 238000000354 decomposition reaction Methods 0.000 abstract description 2
- 238000003786 synthesis reaction Methods 0.000 abstract description 2
- 230000003595 spectral effect Effects 0.000 description 10
- 238000011158 quantitative evaluation Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 235000019687 Lamb Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种无参考图像的遥感图像融合性能评价方法,主要解决在没有高分辨率参考图像的情况下,如何有效地对遥感图像融合性能进行有效评价的问题,以及评价指标的有效性问题。本发明的核心机制是,将图像融合性能分解为光谱保持度、空间平滑度和细节保持度三个维度,通过对融合图像进行子带分解,并对每一子带与参与融合的多光谱图像和全色图像分别进行比对,计算以相关系数为基础的指标,最后进行指标综合,获得最终评价指标。本发明的方法对融合图像性能评价结果与专家经验一致,可以很好地表现融合算法的不同性能方面,运算速度快,适用于遥感图像融合评价。
Description
技术领域
本发明涉及属于航天光学遥感成像及地面处理系统和数字图像处理技术领域,特别是涉及一种无参考图像的遥感图像融合性能评价方法。
背景技术
卫星遥感技术可以对地球表面进行大规模全覆盖的观测,在测绘、气象、海洋、农业、自然资源调查、灾害监测、国防安全等诸多方面均发挥巨大作用,世界各国都十分重视。由于传感器信噪比的限制,光学遥感卫星所获取图像的光谱分辨率和空间分辨率之间存在矛盾,因此目前光学遥感卫星一般配置一个高分辨率全色波段和多个低分辨率多光谱波段。
遥感图像融合技术的目标是,通过软件算法,将高空间分辨率低光谱分辨率的全色图像与低空间分辨率高光谱分辨率的多光谱图像,合成为一幅可由更高性能的传感器,或同等传感器在较低轨道上获取的图像,使其具有与多光谱图像相同的光谱分辨率,和与全色图像相同的空间分辨率。
根据人们对遥感数据利用的方式,对融合图像评价主要包括两个方面:空间性能和光谱性能。空间性能主要指融合图像在视觉效果上,与原始的多光谱图像相比,是否得到充分的改进;光谱性能则是面向后续的计算机定量处理,表征的是融合图像是否能够完整地保留多光谱图像中包含的光谱信息。因此,融合性能评价包括主观评价和客观评价/定量评价。随着定量遥感的发展,定量评价逐渐成为学界的主流,发展现状是,虽然有多种定量评价方案,但主要侧重于光谱性能的评价,综合评价结果往往与主观评价之间存在较大的冲突。问题的核心在于现有的定量评价方法不能很好地对空间性能进行定量表达。
定量评价方法可分为有参考图像的评价和无参考图像的评价两种。有参考的图像融合算法评价的基本原理,就是将经某种方法得到的融合图像与这一理想参考图像进行比较,进而作为对融合算法的评价。由于理想参考图像并不存在,因此目前主要采用两种方法进行模拟。第一种方法采用其他来源的更高分辨率数据,主要是机载数据,根据目标传感器的特性进行模拟。这种方法成本高,适用范围小,同时,模拟方法也有争议,因此学界主要采用第二种方法——降分辨率方案,即将全色和多光谱图像均按照二者分辨率比例进行退化,对降分辨率的全色和多光谱图像进行融合,从而可将原始多光谱图像作为参考图像。这一方法虽然得到普遍应用,但有研究表明,退化方案会严重影响评价结果;在实践中也发现,在降分辨率方案中得分很高的方法,在原始尺度下融合性能很差。
无参考图像的评价方法则是根据融合图像与参与融合的全色和多光谱图像之间的定量关系,在一定的理论假设下,对融合性能进行定量评价。无参考图像的评价适用性更广泛,稳定性更好,是目前研究的重点,但现有无参考图像在指标构建方面还不太成功,对空间性能和光谱性能两方面的表征都有较大偏差。如何构造与主观评价一致性高的无参考图像融合评价指标和方法,是一个需要解决的问题。
发明内容
为了在没有高分辨率参考图像的情况下,如何有效地对遥感图像融合性能进行有效评价的问题,以及评价指标的有效性问题,本发明提供一种无参考图像的遥感图像融合性能评价方法,本发明将图像融合性能分解为光谱保持度、空间平滑度和细节保持度三个维度,通过对融合图像进行子带分解,并对每一子带与参与融合的多光谱图像和全色图像分别进行比对,计算以相关系数为基础的指标,最后进行指标综合,获得最终评价指标,为达此目的,本发明提供一种无参考图像的遥感图像融合性能评价方法,包括下述步骤:
步骤1:参数初始化,设置低分辨率多光谱图像M的光学MTF值m、多光谱图像M与全色图像P之间的名义分辨率比值r;
步骤2:对F各波段进行线性组合,构造亮度分量I;
步骤3:图像频率成分提取,包括以下步骤:
步骤3.1:根据m和r构造频率域低通滤波器G(0)和相应的高通滤波器H(0);
步骤3.2:利用G(0)分别对融合图像F的每一波段进行低通滤波,并使用盒采样方法向下r倍重采样至多光谱图像M尺寸,获得小尺寸的退化图像F(1);
步骤3.3:根据m构造频率域低通滤波器G(1),对F(1)和M各波段分别进行低通滤波,获得各自低频成分F(1),l和Ml,以及相应的高频成分F(1),h和Mh;
步骤3.4:利用H(0)对I和P进行高通滤波,获取各自高频成分Ih和Ph,然后利用H(0)对Ih和Ph再进行一次频率成分分离,获得高频成分Ihh和Phh,以及低频成分Ihl和Phl;
步骤5:根据各子指标构造综合评价指标。
作为本发明进一步改进,步骤1中采用的多光谱图像M的光学MTF值m据下式估算m=mtot/0.6366
其中mtot为多光谱图像的MTF值,由数据提供商提供,或自行进行测量,m缺省值为0.5。
作为本发明进一步改进,步骤2中对F各波段进行线性组合,构造亮度分量I,线性组合方法不限,权重系数之和也无需为1.各波段权重可由F对P作线性回归取得,缺省值为1。
作为本发明进一步改进,步骤3对融合图像F进行低通滤波后,盒采样方法向下r倍重采样至多光谱图像M尺寸,获得小尺寸的退化图像F(1).低通滤波器G(0)构造方法如下:
其中σ0为空间域高斯滤波器的尺度参数;
作为本发明进一步改进,步骤3退化后的融合图像F(1)和M各波段分别进行低通滤波,获得各自低频成分F(1),l和Ml,以及相应的高频成分F(1),h和Mh,所采用的低通滤波器G(1)构造方法如下:
其中σ1为空间域高斯滤波器的尺度参数;
F(1),h=F(1)-F(1),l
Mh=M-Ml。
作为本发明进一步改进,步骤3利用H(0)对I和P进行高通滤波,获取各自高频成分和然后利用H(0)对Ih和ph再进行一次频率成分分离,获得高频成分和以及低频成分Ihl=Ih-Ihh和phl=ph=phh。
作为本发明进一步改进,步骤4计算F(1),l和Ml对应波段间的UIQI值,将所有波段UIQI值的均值作为融合图像的光谱保持度指标Qλ如下:
其中n为波段数,对于给定图像A和B,UIQI计算如下:
其中,μA,μB为图像A和B的均值,σA,σB为图像A和B的标准差,σAB为图像A和B的协方差。
其中n为波段数。
作为本发明进一步改进,根据各子指标构造综合评价指标Q如下:
Q=QλQsQσ
其中,Qs定义为
本发明的方法与现有方法相比,改进主要体现在:1、适用性更广,无需参考图像;2、采取的理论假设较少,避免了在现有无参考图像和降分辨率方案中存在的问题,对融合图像性能评价结果更稳定可靠,评价结果与专家经验一致;3、可以很好地表现融合算法的不同性能方面,可以帮助开发人员有针对性地对融合算法进行改进;4、运算速度快,适用于遥感图像融合评价。
具体实施方式
下面结合具体实施方式对本发明作进一步详细描述:
本发明提供一种无参考图像的遥感图像融合性能评价方法,本发明将图像融合性能分解为光谱保持度、空间平滑度和细节保持度三个维度,通过对融合图像进行子带分解,并对每一子带与参与融合的多光谱图像和全色图像分别进行比对,计算以相关系数为基础的指标,最后进行指标综合,获得最终评价指标。
作为本发明具体实施例,本发明采用真实WorldView 2星载遥感多光谱和全色光图像,分别采用IHS,Brovey,PCA,GS,GSA,HPF,ATWT等方法进行融合,并采用本发明方法对上述融合结果,以及通过立方卷积上采样至全色尺寸的多光谱图像进行评价。实施本发明包括以下步骤:
步骤1:参数初始化。依据卫星数据,设置低分辨率多光谱图像imgM的光学MTF值m=0.6、多光谱图像imgM与全色图像imgP之间的名义分辨率比值r=4.
步骤2:为待测试图像imgF计算波段间均值,构造亮度分量imgI.MATLAB代码示例如下:
imgI=mean(imgF,3);
步骤3:构造低通滤波器G0,G1和相应的高通滤波器H0.MATLAB代码示例如下:
N=41;
alpha=sqrt((N*(0.5/r))^2/(-2*log(m)));
H=fspecial('gaussian',N,alpha);
Hd=H./max(H(:));
h=fwind1(Hd,kaiser(N));
G0=real(h);
H0=padarray(1,[(N-1)/2(N-1)/2],0,'both')-G0;
alpha=sqrt((N*0.5)^2/(-2*log(m)));
H=fspecial('gaussian',N,alpha);
Hd=H./max(H(:));
h=fwind1(Hd,kaiser(N));
G1=real(h);
步骤4:利用G0分别对待测试图像imgF的每一波段进行低通滤波,并使用盒采样方法向下r倍重采样至多光谱图像尺寸.MATLAB示例代码如下:
imgF_L=double(imfilter(imgF,G1,'circular'));
imgF_L=imresize(imgF_L,1/r,'box');
步骤5:利用G1分别对imgF_L和imgM各波段进行滤波,提取各波段的低频和高频成分。MATLAB示例代码如下:
imgF_LL=double(imfilter(imgF_L,G1,'circular'));
imgF_LH=imgF_L-imgF_LL;
imgM_L=double(imfilter(imgM,G1,'circular'));
imgM_H=imgM-imgM_L;
步骤6:计算图像的光谱保持度指标Q_Lamb和空间平滑度第一组分Q_Sig1.MATLAB示例代码如下:
for ii=1:nbands
Q_ML(ii)=img_qi(imgF_LL(:,:,ii),imgM_LL(:,:,ii));
Q_MH(ii)=corr2(imgF_LH(:,:,ii),imgM_LH(:,:,ii));
end
Q_Lamb=mean(Q_ML);
Q_Sig1=mean(Q_MH);
步骤7:利用G0和H0分别对imgI和imgP进行滤波,提取各波段的低频和高频成分。MATLAB示例代码如下:
imgI_H=double(imfilter(imgI,H0,'circular'));
imgI_HL=double(imfilter(imgI_H,G0,'circular'));
imgI_HH=imgI_H-imgI_HL;
imgP_H=double(imfilter(imgP,H0,'circular'));
imgP_HL=double(imfilter(imgP_H,G0,'circular'));
imgP_HH=imgP_H-imgP_HL;
步骤8:计算图像的空间平滑度第二组分Q_Sig2和空间保持度指标Q_Spa和.MATLAB示例代码如下:
Q_Sig2=corr2(imgI_HL,imgP_HL);
Q_Spa=corr2(imgI_HH,imgP_HH);
步骤9:计算并输出评价结果Q。MATLAB示例代码如下:
Q_Sig=sqrt(Q_Sig1*Q_Sig2);
Q=Q_Lamb*Q_Sig*Q_Spa;
融合图像评价结果如下:
上采样MS在光谱保持方面较好,但空间平滑度不够,细节方面则完全没有得到增强,因此评分很低,仅为0.155;IHS和Brovey同为基于色彩空间的分量替换方法,得分非常接近,符合理论预期;随后发展出的PCA方法主要改善了边缘处的空间平滑度,GS方法则进一步提高了PCA的光谱保持能力(已有理论证明,PCA为GS方法的特例);GSA方法在亮度分量构造方面对GS方法进行了改进,因此光谱保持能力大幅度提高;HPF为代表的多尺度分析方法天然具有较好的光谱保持能力,因此光谱保持度高,但空间保持度下降,表现为融合图像不够锐利;ATWT则通过滤波器设计,提高了空间细节保持能力,总体得分最高。从评价结果可以看出,三个子指标可以很好的反映图像在这三个方面的表现,结果与已有研究和主观评价结论一致。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制,而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (10)
1.一种无参考图像的遥感图像融合性能评价方法,包括下述步骤,其特征在于:
步骤1:参数初始化,设置低分辨率多光谱图像M的光学MTF值m、多光谱图像M与全色图像P之间的名义分辨率比值r;
步骤2:对F各波段进行线性组合,构造亮度分量I;
步骤3:图像频率成分提取,包括以下步骤:
步骤3.1:根据m和r构造频率域低通滤波器G(0)和相应的高通滤波器H(0);
步骤3.2:利用G(0)分别对融合图像F的每一波段进行低通滤波,并使用盒采样方法向下r倍重采样至多光谱图像M尺寸,获得小尺寸的退化图像F(1);
步骤3.3:根据m构造频率域低通滤波器G(1),对F(1)和M各波段分别进行低通滤波,获得各自低频成分F(1),l和Ml,以及相应的高频成分F(1),h和Mh;
步骤3.4:利用H(0)对I和P进行高通滤波,获取各自高频成分Ih和Ph,然后利用H(0)对Ih和Ph再进行一次频率成分分离,获得高频成分Ihh和Phh,以及低频成分Ihl和Phl;
步骤5:根据各子指标构造综合评价指标。
2.根据权利要求1所述的一种无参考图像的遥感图像融合性能评价方法,其特征在于:步骤1中采用的多光谱图像M的光学MTF值m据下式估算
m=mtot/0.6366
其中mtot为多光谱图像的MTF值,由数据提供商提供,或自行进行测量,m缺省值为0.5。
3.根据权利要求1所述的一种无参考图像的遥感图像融合性能评价方法,其特征在于:步骤2中对F各波段进行线性组合,构造亮度分量I,线性组合方法不限,权重系数之和也无需为1.各波段权重可由F对P作线性回归取得,缺省值为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911142852.3A CN110942451B (zh) | 2019-11-20 | 2019-11-20 | 一种无参考图像的遥感图像融合性能评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911142852.3A CN110942451B (zh) | 2019-11-20 | 2019-11-20 | 一种无参考图像的遥感图像融合性能评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110942451A true CN110942451A (zh) | 2020-03-31 |
CN110942451B CN110942451B (zh) | 2022-11-18 |
Family
ID=69906972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911142852.3A Active CN110942451B (zh) | 2019-11-20 | 2019-11-20 | 一种无参考图像的遥感图像融合性能评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110942451B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111948653A (zh) * | 2020-07-31 | 2020-11-17 | 上海卫星工程研究所 | 基于p波段合成孔径雷达的林下目标检测方法及系统 |
CN113436069A (zh) * | 2021-06-16 | 2021-09-24 | 中国电子科技集团公司第五十四研究所 | 一种基于最大信噪比投影的遥感图像融合方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023111A (zh) * | 2016-05-23 | 2016-10-12 | 中国科学院深圳先进技术研究院 | 一种影像融合质量评价方法及系统 |
CN106157317A (zh) * | 2016-07-21 | 2016-11-23 | 武汉大学 | 基于弥散张量引导的高分辨率遥感影像融合评价方法 |
-
2019
- 2019-11-20 CN CN201911142852.3A patent/CN110942451B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106023111A (zh) * | 2016-05-23 | 2016-10-12 | 中国科学院深圳先进技术研究院 | 一种影像融合质量评价方法及系统 |
CN106157317A (zh) * | 2016-07-21 | 2016-11-23 | 武汉大学 | 基于弥散张量引导的高分辨率遥感影像融合评价方法 |
Non-Patent Citations (1)
Title |
---|
王力彦等: "基于光谱响应函数的ZY-3卫星图像融合算法研究", 《宇航学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111948653A (zh) * | 2020-07-31 | 2020-11-17 | 上海卫星工程研究所 | 基于p波段合成孔径雷达的林下目标检测方法及系统 |
CN113436069A (zh) * | 2021-06-16 | 2021-09-24 | 中国电子科技集团公司第五十四研究所 | 一种基于最大信噪比投影的遥感图像融合方法 |
CN113436069B (zh) * | 2021-06-16 | 2022-03-01 | 中国电子科技集团公司第五十四研究所 | 一种基于最大信噪比投影的遥感图像融合方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110942451B (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830796B (zh) | 基于谱空结合和梯度域损失的高光谱图像超分辨重构方法 | |
CN111932457B (zh) | 遥感影像高时空融合处理算法及装置 | |
CN109886870B (zh) | 基于双通道神经网络的遥感图像融合方法 | |
CN111127374B (zh) | 一种基于多尺度密集网络的Pan-sharpening方法 | |
Perez et al. | Poverty prediction with public landsat 7 satellite imagery and machine learning | |
CN108765359B (zh) | 一种基于jskf模型和nsct技术的高光谱遥感影像与全色图像的融合方法 | |
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 | |
CN112991288B (zh) | 基于丰度图像锐化重构的高光谱遥感图像融合方法 | |
CN110942451B (zh) | 一种无参考图像的遥感图像融合性能评价方法 | |
CN111798135B (zh) | 一种基于多源数据集成的高铁沉降危害性评估方法 | |
CN113327218B (zh) | 一种基于级联网络的高光谱与全色图像融合方法 | |
CN109816646B (zh) | 一种基于退化决策逻辑的无参考图像质量评价方法 | |
CN103020939A (zh) | 利用多时相数据去除光学遥感影像大面积厚云的方法 | |
CN113793289B (zh) | 基于cnn和nsct的多光谱图像和全色图像模糊融合方法 | |
Zhou et al. | No-reference quality assessment for pansharpened images via opinion-unaware learning | |
WO2016145571A1 (zh) | 基于条件直方图码书的盲图像质量评价方法 | |
CN115984110A (zh) | 一种基于Swin-Transformer的二阶光谱注意力高光谱图像超分辨率方法 | |
CN115760814A (zh) | 一种基于双耦合深度神经网络的遥感图像融合方法及系统 | |
CN116309136A (zh) | 一种基于sar先验知识引导的遥感影像云区重建方法 | |
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 | |
CN102497576A (zh) | 基于Gabor特征互信息的全参考图像质量评价方法 | |
CN108776958B (zh) | 混合降质图像的图像质量评价方法和装置 | |
CN112989593B (zh) | 基于双相机的高光谱低秩张量融合计算成像方法 | |
CN108304766A (zh) | 一种基于高分辨率遥感筛选危险品堆场的方法 | |
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 |