CN111681171B - 基于分块匹配的全色与多光谱图像高保真融合方法及装置 - Google Patents
基于分块匹配的全色与多光谱图像高保真融合方法及装置 Download PDFInfo
- Publication number
- CN111681171B CN111681171B CN202010540819.2A CN202010540819A CN111681171B CN 111681171 B CN111681171 B CN 111681171B CN 202010540819 A CN202010540819 A CN 202010540819A CN 111681171 B CN111681171 B CN 111681171B
- Authority
- CN
- China
- Prior art keywords
- image
- multispectral
- panchromatic
- point
- full
- 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 claims description 22
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 239000013598 vector Substances 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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 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
- 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
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10041—Panchromatic 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种基于分块匹配的全色图像与多光谱图像高保真融合方法及装置,该方法将待融合的全色图像与多光谱图像通过分块匹配求取多光谱上采样图像中每个像素点各个波段的权值,然后对多光谱上采样图像的每个像素的所有波段加权求和,得到降质的全色图像,最终得到融合图像。通过上述方法,可以解决光谱失真与纹理细节丢失的问题,得到高保真的全色与多光谱融合图像。
Description
技术领域
本申请涉及计算机图像处理技术领域,尤其是涉及一种基于分块匹配的全色图像与多光谱图像高保真融合方法及装置。
背景技术
遥感卫星的应用带来了海量的遥感图像数据,这些具有丰富地物信息的图像时刻影响着科技的发展和人们的日常生活。
大部分光学卫星可采集同时相的全色图像与多光谱图像,前者的分辨率优于后者,而后者相对于前者又具有丰富的色彩信息。在实际应用中,例如在遥感图像判读中,人们往往需要高分辨率的多光谱图像,需要高视觉质量的融合图像。通过将全色图像与多光谱图像进行融合,可以获得高视觉质量的融合遥感图像。遥感图像融合分为像素级、特征级和决策级。
然而,目前的图像融合算法基本都存在融合图像纹理细节丢失或光谱特征扭曲的问题,对待融合的全色图像与多光谱图像有限制,因此难以得到高质量的融合图像。
发明内容
本申请旨在公开一种基于分块匹配的全色图像与多光谱图像高保真融合方法及装置,以得到高质量的全色与多光谱融合图像。
根据本发明的第一方面,提供了一种图像融合方法,包括:
获取同时相的全色图像和多光谱图像;
将所述多光谱图像上采样至与所述全色图像相同的空间分辨率;
计算多光谱上采样图像每个像素点的一组波段权值,该组波段权值中的每个值对应该像素点的多光谱图像各波段所占的权重;
对所述多光谱图像每个像素的所有波段加权求和,生成降质的全色图像;以及
基于所述全色图像、多光谱上采样图像以及降质的全色图像利用比值变换生成融合图像。
在该第一方面中,根据可选的实施方式,在将所述多光谱图像上采样至与所述全色图像相同的空间分辨率之前,还包括将获得的同时相的全色图像、多光谱图像按照预定尺寸裁切为具有相同场景的图像。
在该第一方面中,根据可选的实施方式,采用双线性插值法对多光谱图像进行上采样,以及可选地,在计算多光谱上采样图像像素点波段权值之前,还包括对多光谱上采样图像与全色图像进行配准,例如采用像素平移进行图像配准。
根据本发明的第二方面,一种图像融合方法,包括:
获取同时相的全色图像和多光谱图像;
将所述多光谱图像上采样至与所述全色图像相同的空间分辨率;
将所述全色图像、多光谱上采样图像输入一图像融合模型,该模型执行如下操作:
计算多光谱上采样图像每个像素点的一组波段权值,该组波段权值中的每个值对应该像素点的多光谱图像各波段所占的权重;
对所述多光谱图像每个像素的所有波段加权求和,生成降质的全色图像;以及
基于所述全色图像、多光谱上采样图像以及降质的全色图像利用比值变换生成融合图像。
在该第二方面中,根据可选的实施方式,在将所述多光谱图像上采样至与所述全色图像相同的空间分辨率之前,还包括将获得的同时相的全色图像、多光谱图像按照预定尺寸裁切为具有相同场景的图像。
在该第二方面中,根据可选的实施方式,采用双线性插值法对多光谱图像进行上采样,以及可选地,在将所述全色图像、多光谱上采样图像输入图像融合模型之前,还包括对多光谱上采样图像与全色图像进行配准,例如采用像素平移进行图像配准。
在该第二方面中,根据可选的实施方式,所述计算多光谱上采样图像每个像素点的一组波段权值,包括
指定一个n×n的区块,利用带约束的线性最小二乘法求取该区块中心点(i,j)的权值;
在以(i,j+1)为中心点的n×n区块中,对第j+1列的n个值,利用带约束的线性最小二乘法,求取(i,j+1)点的列权值;
计算(i,j)点权值与(i,j+1)点列权值的加权和作为(i,j+1)点的权值。
根据本发明的第三方面,提供了一种图像融合装置,包括:
图像获取单元,用以采集待融合的同时相全色图像与多光谱图像;
存储单元,该存储单元中存储有计算机指令;
处理器,所述图像获取单元、存储单元数据连接,其通过执行所述计算机指令,从而执行所述的图像融合方法,得到全色图像和多光谱图像的融合图像。
根据本发明的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令在被处理器执行时实现所述的图像融合方法。
本申请通过对多光谱上采样图像利用分块匹配拟合全色图像,实现了全色图像与多光谱图像的高保真融合。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其他特征、目的和优点将会变得更明显:
图1是根据本申请实施例的图像融合方法示意性工作流程图;
图2是根据本申请实施例的双线性插值法原理示意图;
图3是根据本申请实施例的全色图像与多光谱图像融合模型中计算像素点(i,j)波段权值示意图;
图4是根据本申请实施例的全色图像与多光谱图像融合模型中计算像素点(i,j+1)列权值示意图;
图5是根据本申请实施例的基于分块匹配构建的全色图像与多光谱图像融合模型示意图;
图6是采用本申请实施例提供的方法对全色图像与多光谱图像融合的一个示例;其中,(a)为全色图像,(b)为多光谱图像,(c)降质的全色图像,(d)融合图像;
图7是根据本申请实施例的基于分块匹配的全色图像与多光谱图像融合装置结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了根据本申请实施例的全色图像与多光谱图像的融合方法示意性流程100。如图1所示,所述方法包括以下步骤:
步骤101、获取同时相的全色图像和多光谱图像;
本发明中,全色图像、多光谱图像可为卫星采集的同时相遥感图像,例如WorldView卫星或QuickBird卫星等所采集的同时相的全色图像和多光谱图像。然而,本领域技术人员可以理解,所述同时相的全色图像和多光谱图像也可以是采用其他手段针对目标区域获得的遥感图像。
全色图像为针对目标区域获取整个可见光波区的黑白影像,即只有一个波段,是一种灰度图像。全色图像空间分辨率高,例如QuickBird卫星采集的全色图像分辨率可以达到0.61m,可清晰地观察得到目标区域的地物纹理细节。然而,全色图像无法显示地物色彩。
多光谱图像为包含很多带(波段)的图像,每个带是一幅灰度图像,它表示根据用来产生该带的传感器的敏感度得到的场景亮度。多光谱图像呈现丰富的色彩信息,但空间分辨率远低于全色图像,纹理细节不清晰。
例如,QuickBird卫星采集的多光谱图像分辨率为2.44m,其具有四个波段,分别为蓝光波段、绿光波段、红光波段以及近红外波段。蓝光波段可清晰地获得影像中地物相交处的边界信息。绿光波段可使水体的信息特征很好地表现出来。红光波段在城市人工地物和植被混杂的区域,可以将建筑物与植被进行很好的区分。近红外波段可以很好地区别水陆交界线。
步骤102、将所述多光谱图像上采样至与所述全色图像相同的空间分辨率,并进行配准;
针对在步骤101中得到的图像数据,执行如下操作:
首先,将获得的同时相的全色图像、多光谱图像按照预定尺寸裁切为具有相同场景的图像。
例如,可以通过软件envi对下载的图像数据进行裁切,得到具有相同场景的全色图像、多光谱图像。
然后,将多光谱图像上采样至与全色图像相同的空间分辨率。
可选地,本申请实施例采用双线性插值法对多光谱图像进行上采样。
双线性插值法又称双线性内插,在数学上是有两个变量的插值函数的线性插值扩展,其核心思想是在两个方向分别进行一次线性插值。
如图2所示,已知现有Q12,Q22,Q11,Q21四个点,要插值的点为P点。利用双线性插值法,首先在x轴方向上,对R1和R2两个点进行插值,再根据R1和R2对点P进行插值即可,具体公式如下所示。
最后,将多光谱上采样图像与全色图像进行配准。通过配准可以实现多光谱上采样图像与全色图像像素级别对齐,防止因全色图像与多光谱上采样图像的像素错位而导致的融合图像细节丢失或光谱失真,以确保融合得到的结果更加精准。
可选地,本申请实施例采用像素平移进行图像配准,例如可以通过软件Matlab实现。
通过上述步骤102处理,获得配准的待融合的全色图像和多光谱图像。
步骤103、计算各光谱上采样图像每个像素点的一组波段权值,该组波段权值中的每个值对应该像素点的多光谱图像各波段所占的权重;
图3示出了根据本申请实施例利用分块匹配计算像素点(i,j)波段权值示意图。其中,i和j分别代表像素所在行号和列号。
如图所示,假设有一张5×5的全色图像,(i,j)点的值为yi,j,其对应一张上采样后大小为5×5的多光谱图像,该多光谱图像具有四个波段,每个像素在各个波段下的权值为xi,j,k,k=1,2,3,4,其中k代表波段序号。取n×n的区块大小为3×3。
以点(2,2)为中心点的区块覆盖的多光谱图像部分,即3×3×4的多光谱图像展成9×4的向量X,将对应的3×3的全色图像展成9×1的向量Y,b为一组1×4的向量,b1,b2,b3,b4分别表示该点第1到第4波段对应的权值。
要求解方程组Y=Xb得到b,显然该方程组有无穷组解,因此本发明利用带约束的线性最小二乘法求解该方程组,即在指定的约束条件下,通过最小化误差的平方和求解,即求得的解需使||Xb-Y||2最小。该约束条件为,b1,b2,b3,b4范围均在0到1之间,且满足线性关系b1+b2+b3+b4=1。所求的向量b即为该示意图中点(2,2)的一组权值。
图4示出了利用分块匹配计算像素点(i,j+1)列权值示意图。如图所示,原理与图3相似,将以(2,3)为中心点的区块覆盖的多光谱图像第j+1列的点展成3×4的向量X,对应的全色图像第j+1列向量Y,b′为列权值,是一组3×4的向量,b′1,b′2,b′3,b′4分别表示该点第1到第4波段对应的列权值。
要求解方程组Y=Xb′得到权值b′,显然该方程组有无穷组解,因此本发明利用带约束的线性最小二乘法求解该方程组,即在指定的约束条件下,通过最小化误差的平方和求解,即求得的解需使||Xb′-Y||2最小。该约束条件为,b′1,b′2,b′3,b′4范围均在0到1之间,且满足线性关系b′1+b′2+b′3+b′4=1。所求的向量b′即为该示意图中点(2,3)的列权值,该点权值为(2,2)点的权值与该点的列权值的加权和,即
步骤104、对整张多光谱图像每个像素的所有波段加权求和,生成降质的全色图像;
对整张多光谱图像每个像素的所有波段加权求和,生成降质的全色图像即:
步骤105、利用比值变换生成融合图像。
根据比值变换融合方法,全色图像与降质的全色图像的比值等于融合图像与多光谱上采样图像的比值,即:
其中,P与分别表示全色图像与生成的降质的全色图像,/>与/>分别表示融合图像与多光谱上采样图像,i,j分别为像素点所在的行号和列号,k为多光谱图像的波段序号。
由此,通过比值变换最终得到全色图像和多光谱图像的融合图像。
本申请通过对多光谱上采样图像利用分块匹配拟合全色图像,较利用整张多光谱上采样图像整体匹配去拟合全色图像更为精准。
根据可选的实施例,本发明通过图像融合模型实现上述图像融合方法。图5示出了根据本申请实施例的图像融合模型结构,用于将全色图像和多光谱图像进行融合。
如图5所示,将获取的同时相全色图像P和多光谱图像M经过上述配准后,输入训练好的图像融合模型,该模型首先利用分块匹配对多光谱上采样图像每个像素点计算出一组权值,该组权值中的每个值对应的是该像素点的每个波段所占的权重。
然后,对整张多光谱图像M的每个像素所有波段加权求和,生成降质的全色图像即:
最后,利用比值变换生成融合图像。
根据比值变换融合方法,全色图像与降质的全色图像的比值等于多光谱上采样图像与融合图像的比值,即:
其中,P与分别表示全色图像与生成的降质的全色图像,/>与/>分别表示融合图像与多光谱上采样图像,i,j分别为像素点所在的行号和列号,k为多光谱图像的波段序号。
由此,通过比值变换最终得到全色图像和多光谱图像的融合图像。
将待融合的全色图像与多光谱图像(如图6(a)、(b))输入到图5所示模型中,通过分块匹配求取多光谱上采样图像中每个像素点各个波段的权值,然后对多光谱上采样图像的每个像素的所有波段加权求和,得到降质的全色图像(如图6(c)),最终得到融合图像(如图6(d))。
根据本申请的另一实施例,本发明还提供了一种基于分块匹配的全色图像与多光谱图像融合装置,实现全色图像与多光谱图像的高保真融合。该全色图像与多光谱图像融合装置可以由软件和/或硬件实现。如图7所示,该装置200包括图像获取单元201、存储单元202以及处理器203。其中,图像获取设备201、存储器202以及处理器203可以通过总线或者其他方式连接。
其中,图像获取单元201用以采集待融合的全色图像与多光谱图像,并将该待融合的全色图像与多光谱图像发送至处理器203。
处理器203可以为中央处理器(Central Processing Unit,CPU),或者其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储单元202作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请前述实施例中的全色图像与多光谱图像融合方法对应的程序或指令。处理器203通过运行存储在存储单元202中的非暂态软件程序或指令,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的全色图像与多光谱图像融合方法。
存储单元202可以包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需要的应用程序;数据存储区可存储处理单元202所创建的数据等。此外,存储单元202可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些方面中,存储单元202可选地包括相对于处理器203远程设置的存储器,这些远程存储器可以通过网络连接至处理器203。可选地,上述网络包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请发明构思的情况下,可以对本本申请实施例的技术方案进行修改或等同替换都不应脱离本申请实施例的技术方案的精神和范围。
Claims (10)
1.一种图像融合方法,其特征在于,包括:
获取同时相的全色图像和多光谱图像;
将所述多光谱图像上采样至与所述全色图像相同的空间分辨率;
计算多光谱上采样图像每个像素点的一组波段权值,该组波段权值中的每个值对应该像素点的多光谱图像各波段所占的权重;其中,所述计算多光谱上采样图像每个像素点的一组波段权值,包括:指定一个n×n的区块,利用带约束的线性最小二乘法求取该区块中心点(i,j)的权值;在以(i,j+1)为中心点的n×n区块中,对第j+1列的n个值,利用带约束的线性最小二乘法,求取(i,j+1)点的列权值;计算(i,j)点权值与(i,j+1)点列权值的加权和作为(i,j+1)点的权值;
对所述多光谱图像每个像素的所有波段加权求和,生成降质的全色图像;以及
基于所述全色图像、多光谱上采样图像以及降质的全色图像利用比值变换生成融合图像。
2.根据权利要求1所述的图像融合方法,其特征在于,在将所述多光谱图像上采样至与所述全色图像相同的空间分辨率之前,还包括将获得的同时相的全色图像、多光谱图像按照预定尺寸裁切为具有相同场景的图像。
3.根据权利要求1或2所述的图像融合方法,其特征在于,采用双线性插值法对多光谱图像进行上采样。
4.根据权利要求1所述的图像融合方法,其特征在于,在计算多光谱上采样图像像素点波段权值之前,还包括对多光谱上采样图像与全色图像进行配准。
5.根据权利要求4所述的图像融合方法,其特征在于,采用像素平移对多光谱上采样图像与全色图像进行配准。
6.一种图像融合方法,其特征在于,包括:
获取同时相的全色图像和多光谱图像;
将所述多光谱图像上采样至与所述全色图像相同的空间分辨率;
将所述全色图像、多光谱上采样图像输入一图像融合模型,该模型执行如下操作:
计算多光谱上采样图像每个像素点的一组波段权值,该组波段权值中的每个值对应该像素点的多光谱图像各波段所占的权重;其中,所述计算多光谱上采样图像每个像素点的一组波段权值,包括:指定一个n×n的区块,利用带约束的线性最小二乘法求取该区块中心点(i,j)的权值;在以(i,j+1)为中心点的n×n区块中,对第j+1列的n个值,利用带约束的线性最小二乘法,求取(i,j+1)点的列权值;计算(i,j)点权值与(i,j+1)点列权值的加权和作为(i,j+1)点的权值;
对所述多光谱图像每个像素的所有波段加权求和,生成降质的全色图像;以及
基于所述全色图像、多光谱上采样图像以及降质的全色图像利用比值变换生成融合图像。
7.根据权利要求6所述的图像融合方法,其特征在于,在将所述多光谱图像上采样至与所述全色图像相同的空间分辨率之前,还包括将获得的同时相的全色图像、多光谱图像按照预定尺寸裁切为具有相同场景的图像。
8.根据权利要求6所述的图像融合方法,其特征在于,采用双线性插值法对多光谱图像进行上采样。
9.一种图像融合装置,其特征在于,包括:
图像获取单元,用以采集待融合的同时相全色图像与多光谱图像;
存储单元,该存储单元中存储有计算机指令;
处理器,所述图像获取单元、存储单元数据连接,其通过执行所述计算机指令,从而执行如权利要求1-8任一项所述的图像融合方法,得到全色图像和多光谱图像的融合图像。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令在被处理器执行时实现如权利要求1-8所述的图像融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010540819.2A CN111681171B (zh) | 2020-06-15 | 2020-06-15 | 基于分块匹配的全色与多光谱图像高保真融合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010540819.2A CN111681171B (zh) | 2020-06-15 | 2020-06-15 | 基于分块匹配的全色与多光谱图像高保真融合方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111681171A CN111681171A (zh) | 2020-09-18 |
CN111681171B true CN111681171B (zh) | 2024-02-27 |
Family
ID=72435419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010540819.2A Active CN111681171B (zh) | 2020-06-15 | 2020-06-15 | 基于分块匹配的全色与多光谱图像高保真融合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111681171B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570536B (zh) * | 2021-07-31 | 2022-02-01 | 中国人民解放军61646部队 | 基于cpu和gpu协同处理的全色和多光谱影像实时融合方法 |
CN114782502B (zh) * | 2022-06-16 | 2022-11-04 | 浙江宇视科技有限公司 | 一种多光谱多传感器协同处理方法及装置、存储介质 |
CN115063336B (zh) * | 2022-08-18 | 2022-11-25 | 北京理工大学 | 一种全色与多光谱图像融合方法及其装置、介质 |
CN118097359B (zh) * | 2024-04-23 | 2024-07-19 | 之江实验室 | 一种模型训练方法、装置、存储介质以及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542549A (zh) * | 2012-01-04 | 2012-07-04 | 西安电子科技大学 | 基于压缩感知的多光谱与全色图像超分辨融合方法 |
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 |
CN104112263A (zh) * | 2014-06-28 | 2014-10-22 | 南京理工大学 | 基于深度神经网络的全色图像与多光谱图像融合的方法 |
CN105096286A (zh) * | 2015-06-30 | 2015-11-25 | 中国石油天然气股份有限公司 | 遥感图像的融合方法及装置 |
CN107016641A (zh) * | 2016-09-23 | 2017-08-04 | 北京航空航天大学 | 一种基于改进比值变换的全色与高光谱图像融合方法 |
CN109215038A (zh) * | 2018-09-29 | 2019-01-15 | 中国资源卫星应用中心 | 一种基于遥感影像的智能信息提取方法及系统 |
CN109993717A (zh) * | 2018-11-14 | 2019-07-09 | 重庆邮电大学 | 一种结合引导滤波和ihs变换的遥感图像融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7340099B2 (en) * | 2003-01-17 | 2008-03-04 | University Of New Brunswick | System and method for image fusion |
-
2020
- 2020-06-15 CN CN202010540819.2A patent/CN111681171B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102542549A (zh) * | 2012-01-04 | 2012-07-04 | 西安电子科技大学 | 基于压缩感知的多光谱与全色图像超分辨融合方法 |
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 |
CN104112263A (zh) * | 2014-06-28 | 2014-10-22 | 南京理工大学 | 基于深度神经网络的全色图像与多光谱图像融合的方法 |
CN105096286A (zh) * | 2015-06-30 | 2015-11-25 | 中国石油天然气股份有限公司 | 遥感图像的融合方法及装置 |
CN107016641A (zh) * | 2016-09-23 | 2017-08-04 | 北京航空航天大学 | 一种基于改进比值变换的全色与高光谱图像融合方法 |
CN109215038A (zh) * | 2018-09-29 | 2019-01-15 | 中国资源卫星应用中心 | 一种基于遥感影像的智能信息提取方法及系统 |
CN109993717A (zh) * | 2018-11-14 | 2019-07-09 | 重庆邮电大学 | 一种结合引导滤波和ihs变换的遥感图像融合方法 |
Non-Patent Citations (8)
Title |
---|
A new merging method and its spectral and spatial effects;Y. ZHANG;International Journal of Remote Sensing;第2003-2014页 * |
ETM+全色波段及其多光谱波段图像的融合应用;许榕峰,徐涵秋;地球信息科学;第6卷(第01期);第99-103页 * |
Pansharpening Using Regression of Classified MS and Pan Images to Reduce Color Distortion;Qizhi Xu 等;IEEE GEOSCIENCE AND REMOTE SENSING LETTERS;第12卷(第1期);第28-32页 * |
QuickBird遥感影像的融合及在农业园区底图制作中的应用研究;周炼清,郭亚东,史舟,王珂,王人潮;科技通报;第20卷(第05期);第392-396页 * |
一种快速的全色和多光谱图像融合算法;毛克;;测绘科学;第41卷(第01期);第151-153页 * |
基于多种变换的遥感图像新型融合方法;尹继豪;赵占杰;王义松;;遥感信息;第27卷(第03期);第20-26页 * |
基于比值变换的全色与多光谱图像高保真融合方法;徐其志 等;计算机科学;第41卷(第10期);第19-22页 * |
基于非负最小二乘法的全色与高光谱图像融合;郝红勋等;航天返回与遥感;第40卷(第4期);第105-111页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111681171A (zh) | 2020-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111681171B (zh) | 基于分块匹配的全色与多光谱图像高保真融合方法及装置 | |
Wang et al. | SAR-to-optical image translation using supervised cycle-consistent adversarial networks | |
CN111369440B (zh) | 模型训练、图像超分辨处理方法、装置、终端及存储介质 | |
CN107123089B (zh) | 基于深度卷积网络的遥感图像超分辨重建方法及系统 | |
US20080131024A1 (en) | Structured Smoothing for Superresolution of Multispectral Imagery Based on Registered Panchromatic Image | |
US20080131025A1 (en) | Panchromatic Modulation of Multispectral Imagery | |
CN111693025B (zh) | 一种遥感影像数据生成方法、系统及设备 | |
CN113870110B (zh) | 遥感影像的图像融合方法、装置、电子设备和存储介质 | |
CN112488924A (zh) | 一种图像超分辨率模型训练方法、重建方法及装置 | |
CN110335330B (zh) | 图像模拟生成方法及其系统、深度学习算法训练方法及电子设备 | |
CN111986134B (zh) | 面阵相机遥感成像方法及装置 | |
CN109118463B (zh) | 一种基于hsl和图像熵的sar图像和光学图像融合方法 | |
CN113222819B (zh) | 一种基于深度卷积神经网络的遥感图像超分辨重建方法 | |
CN114868384B (zh) | 用于图像处理的设备及方法 | |
CN109472752B (zh) | 基于航拍图像的多曝光融合系统 | |
CN112581370A (zh) | 人脸图像的超分辨率重建模型的训练及重建方法 | |
CN116310883B (zh) | 基于遥感图像时空融合的农业灾害预测方法及相关设备 | |
CN115082322B (zh) | 图像处理方法和装置、图像重建模型的训练方法和装置 | |
CN113837941A (zh) | 图像超分模型的训练方法、装置及计算机可读存储介质 | |
CN115601281A (zh) | 基于深度学习的遥感图像时空融合方法、系统及电子设备 | |
CN117788296B (zh) | 基于异构组合深度网络的红外遥感图像超分辨率重建方法 | |
CN116245757A (zh) | 多模态数据的多场景通用性遥感影像云修复方法和系统 | |
Deng et al. | Improving the spatial resolution of solar images using generative adversarial network and self-attention mechanism | |
CN114897706A (zh) | 一种全色多光谱影像融合的绿色植被增强方法 | |
Kubade et al. | Feedback neural network based super-resolution of dem for generating high fidelity features |
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 |