CN111626934A - 高空间分辨率多光谱图的重构方法、系统、介质及设备 - Google Patents

高空间分辨率多光谱图的重构方法、系统、介质及设备 Download PDF

Info

Publication number
CN111626934A
CN111626934A CN202010408473.0A CN202010408473A CN111626934A CN 111626934 A CN111626934 A CN 111626934A CN 202010408473 A CN202010408473 A CN 202010408473A CN 111626934 A CN111626934 A CN 111626934A
Authority
CN
China
Prior art keywords
frequency components
spatial resolution
image
resolution multispectral
images
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
CN202010408473.0A
Other languages
English (en)
Other versions
CN111626934B (zh
Inventor
吴屹霖
张凯
孙天娇
戎晋茹
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.)
Shandong Normal University
Original Assignee
Shandong Normal 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 Shandong Normal University filed Critical Shandong Normal University
Priority to CN202010408473.0A priority Critical patent/CN111626934B/zh
Publication of CN111626934A publication Critical patent/CN111626934A/zh
Application granted granted Critical
Publication of CN111626934B publication Critical patent/CN111626934B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • G06T3/4061—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution by injecting details from different spectral ranges
    • 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
    • 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
    • G06T2207/20212—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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Image Processing (AREA)

Abstract

本公开提供了一种高空间分辨率多光谱图的重构方法、系统、介质及设备，属于图像处理技术领域，获取全色图像和与全色图像对应的第一空间分辨率多光谱图像；对全色图像和第一空间分辨率多光谱图像进行分解，分别得到两种图像的高频分量和低频分量；利用卷积稀疏编码分别分解得到的两种图像的高频分量，得到每个高频分量的特征图；将两种图像的低频分量进行融合，将两种图像的高频分量的特征图进行融合，使用融合后的低频分量和融合后的高频分量重构第二空间分辨率多光谱图；本公开通过重构高空间分辨率的多光谱图像的高频分量，进而融合低频和高频得到了高空间分辨率的多光谱图像，能够更好地保留融合图像中光谱信息并且具有良好的光谱保真性能，保留了更多的空间细节。

Description

高空间分辨率多光谱图的重构方法、系统、介质及设备
技术领域
本公开涉及图像处理技术领域，特别涉及一种高空间分辨率多光谱图的重构方法、系统、介质及设备
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
高分辨率的遥感图像在目标检测，土地分类和变化检测等目标任务中是必不可少的。然而，由于空间分辨率和光谱分辨率之间的制衡关系，难以获得高空间分辨率的多光谱(HR MS)图像。
目前，图像融合方法可以分为三类：基于成分替换的方法，基于多分辨率分析的方法和基于退化模型的方法。基于成分替代的方法易于实施且原理简单而被广泛研究，基于多分辨率分析的方法可以更好地保留融合图像中的光谱信息。近年来，基于退化模型的方法得到了很大的发展，这些方法可以结合观测场景中的各种先验信息。
但是，本公开发明人发现，现有的图像融合方法得到的高空间分辨率的多光谱图像中大都缺乏空间细节，无法得到准确的高空间分辨率的多光谱图像；而且，现有的高空间分辨率的多光谱图像融合方法，无法保留融合图像中光谱信息并且光谱保真性能较差，无法对原有的图像进行完整的融合。
发明内容
为了解决现有技术的不足，本公开提供了一种高空间分辨率多光谱图的重构方法、系统、介质及设备，通过重构高空间分辨率的多光谱图像的高频分量，进而融合低频和高频得到了高空间分辨率的多光谱图像，能够更好地保留融合图像中光谱信息并且具有良好的光谱保真性能，保留了更多的空间细节。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种高空间分辨率多光谱图的重构方法。
一种高空间分辨率多光谱图的重构方法，包括以下步骤：
获取全色图像和与全色图像对应的第一空间分辨率多光谱图像；
对全色图像和第一空间分辨率多光谱图像进行分解，分别得到两种图像的高频分量和低频分量；
利用卷积稀疏编码分别分解得到的两种图像的高频分量，得到每个高频分量的特征图；
将两种图像的低频分量进行融合，将两种图像的高频分量的特征图进行融合，使用融合后的低频分量和融合后的高频分量重构第二空间分辨率多光谱图。
本公开第二方面提供了一种高空间分辨率多光谱图的重构系统。
一种高空间分辨率多光谱图的重构系统，包括：
数据获取模块，被配置为：获取全色图像和与全色图像对应的第一空间分辨率多光谱图像；
图像分解模块，被配置为：对全色图像和第一空间分辨率多光谱图像进行分解，分别得到两种图像的高频分量和低频分量；
高频分量处理模块，被配置为：利用卷积稀疏编码分别分解得到的两种图像的高频分量，得到每个高频分量的特征图；
融合模块，被配置为：将两种图像的低频分量进行融合，将两种图像的高频分量的特征图进行融合，使用融合后的低频分量和融合后的高频分量重构第二空间分辨率多光谱图。
本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的高空间分辨率多光谱图的重构方法中的步骤。
本公开第四方面提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的高空间分辨率多光谱图的重构方法中的步骤。
与现有技术相比，本公开的有益效果是：
本公开所述的方法、系统、介质及设备，利用卷积联合稀疏编码对LR MS(低空间分辨率多光谱)图像中的高频分量进行分解，并且还使用了联合稀疏先验来捕获多光谱图像频带中的相关性。通过联合稀疏性，将波段相关性进一步继承到其对应的特征图中。通过针对空间细节的融合规则，可以有效地增强LR MS图像中的空间信息。与其他方法相比，该方法的融合结果具有良好的空间细节。
本公开所述的方法、系统、介质及设备，设计了一种规则来融合不同图像的特征，并考虑了不同波段的光谱响应，HR MS图像的高频特征图融合后，重构HR MS图像的高频分量，通过融合低频和高频得到HR MS图像。与其他方法相比，该方法可以更好地保留融合图像中光谱信息并且具有良好的光谱保真性能。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的高空间分辨率多光谱图的重构方法的流程示意图。
图2为本公开实施例1提供的仿真1的实验结果对比效果图。
图3为本公开实施例1提供的仿真2的实验结果对比效果图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1所示，本公开实施例1提供了一种高空间分辨率多光谱图的重构方法，该方法对LR MS图像和PAN图像进行高频分量和低频分量的分解；利用卷积联合稀疏编码分解LRMS图像中的高频分量，利用卷积稀疏编码分解PAN图像中的高频分量；将这两个图像的低频分量、高频分量特征图进行融合；使用融合后的低频和高频分量重建HR MS图像，具体步骤如下：
(1)输入全色图像P和低空间分辨率多光谱图像L(第一空间分辨率多光谱图像)，分别对P和L进行高频分量和低频分量的分解，具体方法为：
(1a)分别计算P和L的低频分量PL和
Figure BDA0002492294160000051
公式为：
Figure BDA0002492294160000052
Figure BDA0002492294160000053
其中，Lb是L的第b个波段，PL和
Figure BDA0002492294160000054
分别是P和Lb的低频分量，
Figure BDA0002492294160000055
是梯度算子，α和β是权衡参数：设置原则是，α要小于β，才能得到与低频分量
Figure BDA0002492294160000056
相匹配的PL；
(1b)得到低频分量PL和
Figure BDA0002492294160000057
后，再分别计算P和L的高频分量PH和
Figure BDA0002492294160000058
公式为：
PH＝P-PL
Figure BDA0002492294160000059
(2)利用卷积联合稀疏编码分解两幅图像的高频分量，具体方法为：
(2a)将L中的高频分量
Figure BDA00024922941600000510
进行分解，得到
Figure BDA00024922941600000511
的特征图
Figure BDA00024922941600000512
公式为：
Figure BDA00024922941600000513
(2b)将P中的高频分量PH进行分解，得到PH特征图
Figure BDA00024922941600000514
公式为：
Figure BDA00024922941600000515
其中，K是所有特征图的总数量，即滤波器的数量，fk是相对应的滤波器，滤波器是预先从P中训练出来的；||·||1为L1范数，其等于所有元素绝对值之和，
Figure BDA00024922941600000516
λ，μ和δ均为权重参数。
(3)将这两个图像的低频分量进行融合，具体方法为：将Lb的低频分量
Figure BDA00024922941600000517
直接作为高空间分辨率多光谱图像第b个波段Hb的低频分量
Figure BDA00024922941600000518
即：
Figure BDA00024922941600000519
(4)将这两个图像高频分量的特征图进行融合，具体方法为：
(4a)采用权重加和的方法将低空间分辨率多光谱图像高频分量的特征图
Figure BDA0002492294160000061
与全色图像高频分量的特征图
Figure BDA0002492294160000062
进行融合：
Figure BDA0002492294160000063
其中，
Figure BDA0002492294160000064
是高空间分辨率多光谱图像高频分量的特征图，τ控制不同特征图的权重；
(4b)利用融合特征图
Figure BDA0002492294160000065
对融合后的高频分量进行重构，公式为：
Figure BDA0002492294160000066
(5)使用融合后的低频分量
Figure BDA0002492294160000067
和高频分量
Figure BDA0002492294160000068
重构高空间分辨率多光谱图像的第b个波段
Figure BDA0002492294160000069
公式为：
Figure BDA00024922941600000610
分别重构第二空间分辨率多光谱图像的每个波段的高频分量，得到所有波段的高频分量重构结果，融合后得到高空间分辨率多光谱图像(第二空间分辨率多光谱图像)。
下面结合具体案例进行分析：
本实施例中，在QuickBird和Geoeye-1的真实数据集中实现所提出的方法与其他方法的比较。被比较的方法有GIHS、AWLP、SVT、CSSC和CSCSE。
本实施例中，来自QuickBird数据集的图像对在2008年9月30日采集于中国西安，其他图像对在2009年2月24日从澳大利亚的霍巴特的Geoeye-1卫星中获得。对于来自QuickBird卫星的真实数据，LRMS和PAN图像的空间分辨率分别为2.8m和0.7m；对于来自Geoeye-1卫星的LR MS和PAN图像，空间分辨率分别为2.0m和0.5m。
本实施例的效果可以通过以下仿真进一步说明。
(1)仿真环境:
MATLAB R2017，Intel(R)Core(TM)i5-6300HQCPU 2.30GHz，Win10
(2)仿真内容:
仿真1，将来自QuickBird卫星的64×64×4的LR MS图像和256×256的PAN图像进行融合，以生成融合图像。
为了证明本实施例的效果，分别用本实施例的CSCJS方法和GIHS方法、AWLP方法、SVT方法、CSSC方法、CSCSE方法进行客观指标评价，评价指标如下：
1)空间指标DS：表示图像融合产生的空间细节的差异，DS越小，检测结果越好。
2)光谱指标Dλ：表示原始图像和融合图像之间光谱表现的变化。Dλ越小，检测结果越好。
3)光谱和空间质量联合指数QNR：表示将光谱和空间指标的相关性归因于整体质量。QNR越大，检测结果越好。
图2中的(a)是LR MS图像；
图2中的(b)是PAN图像；
图2中的(c)是用GIHS方法处理后的图像
图2中的(d)是用AWLP方法处理后的图像
图2中的(e)是用SVT方法处理后的图像
图2中的(f)是用CSSC方法处理后的图像
图2中的(g)是用CSCSE方法处理后的图像
图2中的(h)是用CSCJS方法处理后的图像
图2中(a)和(b)展示了LR MS和PAN图像。可以看出：图2中的(c)的结果中出现一些光谱失真；图2中的(d)中的融合图像出现了一些不自然的颜色，但是其空间细节增强得很好；图2中的(e)中注入空间信息到LR MS图像中，融合结果在空间结构中表现良好，但是也可见到光谱失真；图2中的(f)中的图像很好的保留了光谱特征，但在像建筑物的区域出现了模糊现象；图2中的(g)中也出现了模糊现象；图2中的(h)中由于低频和高频分量的融合，空间光谱信息得到了很好的增强。
根据表1可以看出，在空间指示符DS、光谱指标Dλ和QNR这三个指标中，本实施例的方法均优于其他方法，这意味着更好的空间和光谱质量。
表1：QuickBird卫星真实数据集融合图像的质量评价。
Figure BDA0002492294160000081
仿真2，将来自Geoeye-1卫星的64×64×4的LR MS图像和256×256的PAN图像进行融合，以生成预期图像。
图3中的(a)是LR MS图像；
图3中的(b)是PAN图像；
图3中的(c)是用GIHS方法处理后的图像；
图3中的(d)是用AWLP方法处理后的图像；
图3中的(e)是用SVT方法处理后的图像；
图3中的(f)是用CSSC方法处理后的图像；
图3中的(g)是用CSCSE方法处理后的图像；
图3中的(h)是用CSCJS方法处理后的图像；
图3中(a)和(b)展示了LR MS和PAN图像；图3中的(c)中，建筑物的颜色被增强了，这是因为PAN图像的光谱范围与LR MS图像的光谱范围不匹配；图3中的(d)中，建筑物的某些边缘被注入了更多的空间细节，这导致了一些空间效应；图3中的(e)和图3中的(f)中，出现了光谱失真；图3中的(g)中，物体的空间细节有损失；图3中的(h)中，融合结果在空间细节增强和光谱细节保存方面具有更好的性能。
根据表2可以看出，本实施例所述的方法在DS上表现更好一些，虽然在Dλ上最好的不是CSCJS，但在QNR中，即从图像融合的效果来看，最好的是CSCJS。
表2：Geoeye-1卫星真实数据集融合图像的质量评价。
Figure BDA0002492294160000091
实施例2：
本公开实施例2提供了一种高空间分辨率多光谱图的重构系统，包括：
数据获取模块，被配置为：获取全色图像和与全色图像对应的第一空间分辨率多光谱图像；
图像分解模块，被配置为：对全色图像和第一空间分辨率多光谱图像进行分解，分别得到两种图像的高频分量和低频分量；
高频分量处理模块，被配置为：利用卷积稀疏编码分别分解得到的两种图像的高频分量，得到每个高频分量的特征图；
融合模块，被配置为：将两种图像的低频分量进行融合，将两种图像的高频分量的特征图进行融合，使用融合后的低频分量和融合后的高频分量重构第二空间分辨率多光谱图。
所述系统的工作方法与实施例1中的高空间分辨率多光谱图的重构方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的高空间分辨率多光谱图的重构方法中的步骤，所述步骤具体为：
获取全色图像和与全色图像对应的第一空间分辨率多光谱图像；
对全色图像和第一空间分辨率多光谱图像进行分解，分别得到两种图像的高频分量和低频分量；
利用卷积稀疏编码分别分解得到的两种图像的高频分量，得到每个高频分量的特征图；
将两种图像的低频分量进行融合，将两种图像的高频分量的特征图进行融合，使用融合后的低频分量和融合后的高频分量重构第二空间分辨率多光谱图。
详细步骤与实施例1中的高空间分辨率多光谱图的重构方法的详细步骤相同，这里不再赘述。
实施例4：
本公开实施例4提供了一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的高空间分辨率多光谱图的重构方法中的步骤所述步骤具体为：
获取全色图像和与全色图像对应的第一空间分辨率多光谱图像；
对全色图像和第一空间分辨率多光谱图像进行分解，分别得到两种图像的高频分量和低频分量；
利用卷积稀疏编码分别分解得到的两种图像的高频分量，得到每个高频分量的特征图；
将两种图像的低频分量进行融合，将两种图像的高频分量的特征图进行融合，使用融合后的低频分量和融合后的高频分量重构第二空间分辨率多光谱图。
详细步骤与实施例1中的高空间分辨率多光谱图的重构方法的详细步骤相同，这里不再赘述。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开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和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种高空间分辨率多光谱图的重构方法，其特征在于，包括以下步骤：
获取全色图像和与全色图像对应的第一空间分辨率多光谱图像；
对全色图像和第一空间分辨率多光谱图像进行分解，分别得到两种图像的高频分量和低频分量；
利用卷积稀疏编码分别分解得到的两种图像的高频分量，得到每个高频分量的特征图；
将两种图像的低频分量进行融合，将两种图像的高频分量的特征图进行融合，使用融合后的低频分量和融合后的高频分量重构第二空间分辨率多光谱图。
2.如权利要求1所述的高空间分辨率多光谱图的重构方法，其特征在于，将两种图像的低频分量进行融合，具体为：将第一空间分辨率多光谱图像的低频分量直接作为第二空间分辨率多光谱图像的低频分量。
3.如权利要求1所述的高空间分辨率多光谱图的重构方法，其特征在于，将两种图像的高频分量的特征图进行融合，具体为：采用权重加和的方法将第一空间分辨率多光谱图像高频分量的特征图与全色图像高频分量的特征图进行融合，利用融合特征图对融合后的高频分量进行重构。
4.如权利要求3所述的高空间分辨率多光谱图的重构方法，其特征在于，融合特征图，具体为第一空间分辨率多光谱图像高频分量的特征图与第一权重的乘积和全色图像高频分量的特征图与第二权重的乘积的加和。
5.如权利要求3所述的高空间分辨率多光谱图的重构方法，其特征在于，重构后的高频分量，具体为所有的融合特征图与对应的滤波器相乘后的加和。
6.如权利要求3所述的高空间分辨率多光谱图的重构方法，其特征在于，第二空间分辨率多光谱图，具体为融合后的低频分量与重构后的高频分量的加和。
7.如权利要求1所述的高空间分辨率多光谱图的重构方法，其特征在于，分别重构第二空间分辨率多光谱图像的每个波段的高频分量，得到所有波段的高频分量重构结果，融合后得到第二空间分辨率多光谱图像。
8.一种高空间分辨率多光谱图的重构系统，其特征在于，包括：
数据获取模块，被配置为：获取全色图像和与全色图像对应的第一空间分辨率多光谱图像；
图像分解模块，被配置为：对全色图像和第一空间分辨率多光谱图像进行分解，分别得到两种图像的高频分量和低频分量；
高频分量处理模块，被配置为：利用卷积稀疏编码分别分解得到的两种图像的高频分量，得到每个高频分量的特征图；
融合模块，被配置为：将两种图像的低频分量进行融合，将两种图像的高频分量的特征图进行融合，使用融合后的低频分量和融合后的高频分量重构第二空间分辨率多光谱图。
9.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的高空间分辨率多光谱图的重构方法中的步骤。
10.一种设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的高空间分辨率多光谱图的重构方法中的步骤。
CN202010408473.0A 2020-05-14 2020-05-14 高空间分辨率多光谱图的重构方法、系统、介质及设备 Active CN111626934B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010408473.0A CN111626934B (zh) 2020-05-14 2020-05-14 高空间分辨率多光谱图的重构方法、系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010408473.0A CN111626934B (zh) 2020-05-14 2020-05-14 高空间分辨率多光谱图的重构方法、系统、介质及设备

Publications (2)

Publication Number Publication Date
CN111626934A true CN111626934A (zh) 2020-09-04
CN111626934B CN111626934B (zh) 2023-07-18

Family

ID=72271825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010408473.0A Active CN111626934B (zh) 2020-05-14 2020-05-14 高空间分辨率多光谱图的重构方法、系统、介质及设备

Country Status (1)

Country Link
CN (1) CN111626934B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437131A (zh) * 2023-12-21 2024-01-23 珠海视新医用科技有限公司 内窥镜图像电子染色方法及装置、设备、存储介质

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1431523A (zh) * 2003-01-16 2003-07-23 上海交通大学 遥感图像双线性插值小波变换融合的优化方法
CN1484040A (zh) * 2003-07-24 2004-03-24 上海交通大学 基于滤波器组的图像融合方法
CN101930604A (zh) * 2010-09-08 2010-12-29 中国科学院自动化研究所 基于低频相关性分析的全色图像与多光谱图像融合方法
CN102236891A (zh) * 2011-06-30 2011-11-09 北京航空航天大学 基于轮廓波变换及自由搜索微分进化的多光谱融合方法
CN102324033A (zh) * 2011-09-20 2012-01-18 吴建华 风电安全智能预警应急系统图像处理方法
CN102446351A (zh) * 2010-10-15 2012-05-09 江南大学 一种多光谱与高分辨率全色图像融合方法研究
CN102609929A (zh) * 2012-01-12 2012-07-25 河南大学 一种自适应独立信息遥感影像融合方法
CN102622730A (zh) * 2012-03-09 2012-08-01 武汉理工大学 基于非降采样Laplacian金字塔和BEMD的遥感图像融合处理方法
CN106508048B (zh) * 2011-12-05 2014-08-27 中国科学院自动化研究所 一种基于多尺度基本形式的相似尺度图像融合方法
CN105761214A (zh) * 2016-01-14 2016-07-13 西安电子科技大学 基于轮廓波变换与引导滤波的遥感图像融合方法
CN108648165A (zh) * 2018-05-10 2018-10-12 西安电子科技大学 基于自动调节引导滤波器参数的遥感图像融合方法
AU2020100179A4 (en) * 2020-02-04 2020-03-19 Huang, Shuying DR Optimization Details-Based Injection Model for Remote Sensing Image Fusion

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1431523A (zh) * 2003-01-16 2003-07-23 上海交通大学 遥感图像双线性插值小波变换融合的优化方法
CN1484040A (zh) * 2003-07-24 2004-03-24 上海交通大学 基于滤波器组的图像融合方法
CN101930604A (zh) * 2010-09-08 2010-12-29 中国科学院自动化研究所 基于低频相关性分析的全色图像与多光谱图像融合方法
CN102446351A (zh) * 2010-10-15 2012-05-09 江南大学 一种多光谱与高分辨率全色图像融合方法研究
CN102236891A (zh) * 2011-06-30 2011-11-09 北京航空航天大学 基于轮廓波变换及自由搜索微分进化的多光谱融合方法
CN102324033A (zh) * 2011-09-20 2012-01-18 吴建华 风电安全智能预警应急系统图像处理方法
CN106508048B (zh) * 2011-12-05 2014-08-27 中国科学院自动化研究所 一种基于多尺度基本形式的相似尺度图像融合方法
CN102609929A (zh) * 2012-01-12 2012-07-25 河南大学 一种自适应独立信息遥感影像融合方法
CN102622730A (zh) * 2012-03-09 2012-08-01 武汉理工大学 基于非降采样Laplacian金字塔和BEMD的遥感图像融合处理方法
CN105761214A (zh) * 2016-01-14 2016-07-13 西安电子科技大学 基于轮廓波变换与引导滤波的遥感图像融合方法
CN108648165A (zh) * 2018-05-10 2018-10-12 西安电子科技大学 基于自动调节引导滤波器参数的遥感图像融合方法
AU2020100179A4 (en) * 2020-02-04 2020-03-19 Huang, Shuying DR Optimization Details-Based Injection Model for Remote Sensing Image Fusion

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张凯: "基于稀疏矩阵分解的遥感图像融合", pages 33 - 56 *
李红;刘芳;张凯;: "稀疏非负矩阵分解下的遥感图像融合", no. 02 *
李红;刘芳;杨淑媛;张凯;: "基于深度支撑值学习网络的遥感图像融合", no. 08 *
杨默远;李凡;谢明鸿;张亚飞;李华锋;: "卷积稀疏表示图像融合与超分辨率联合实现", no. 02 *
阎昆;李心怡;王;: "结构稀疏表示与细节注入的遥感图像融合方法", no. 06 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117437131A (zh) * 2023-12-21 2024-01-23 珠海视新医用科技有限公司 内窥镜图像电子染色方法及装置、设备、存储介质
CN117437131B (zh) * 2023-12-21 2024-03-26 珠海视新医用科技有限公司 内窥镜图像电子染色方法及装置、设备、存储介质

Also Published As

Publication number Publication date
CN111626934B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
CN110533620B (zh) 基于aae提取空间特征的高光谱和全色图像融合方法
Javan et al. A review of image fusion techniques for pan-sharpening of high-resolution satellite imagery
Mahyari et al. Panchromatic and multispectral image fusion based on maximization of both spectral and spatial similarities
Irmak et al. A MAP-based approach for hyperspectral imagery super-resolution
Li et al. Remote sensing image fusion via sparse representations over learned dictionaries
Sara et al. Hyperspectral and multispectral image fusion techniques for high resolution applications: A review
CN110443768B (zh) 基于多重一致性约束的单帧图像超分辨率重建方法
CN111080567A (zh) 基于多尺度动态卷积神经网络的遥感图像融合方法及系统
CN112069919A (zh) 基于非凸低秩矩阵逼近和全变分正则化的高光谱图像去噪方法
CN111008936B (zh) 一种多光谱图像全色锐化方法
Wen et al. An effective network integrating residual learning and channel attention mechanism for thin cloud removal
CN115861083B (zh) 一种多尺度和全局特征的高光谱与多光谱遥感融合方法
CN111626934B (zh) 高空间分辨率多光谱图的重构方法、系统、介质及设备
Li et al. Low-light hyperspectral image enhancement
CN112767297B (zh) 基于图像衍生的复杂背景下红外无人机群目标仿真方法
Su et al. Graph neural net using analytical graph filters and topology optimization for image denoising
CN114638761A (zh) 一种高光谱图像全色锐化方法、设备及介质
CN113066030B (zh) 一种基于空谱融合网络的多光谱图像全色锐化方法及系统
Yao et al. A multi-expose fusion image dehazing based on scene depth information
Rout et al. S2a: Wasserstein gan with spatio-spectral laplacian attention for multi-spectral band synthesis
CN111369451B (zh) 一种基于复杂任务分解正则化的图像复原模型、方法及设备
CN114529463A (zh) 一种图像去噪方法及系统
CN109785253B (zh) 一种基于增强反投影的全色锐化后处理方法
Choi et al. Fast, trainable, multiscale denoising
CN113379658A (zh) 一种无人机观测目标特征双光融合方法及系统

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