CN111681194B - 基于小波变换和施密特光谱锐化的多源图像融合方法 - Google Patents

基于小波变换和施密特光谱锐化的多源图像融合方法 Download PDF

Info

Publication number
CN111681194B
CN111681194B CN202010498943.7A CN202010498943A CN111681194B CN 111681194 B CN111681194 B CN 111681194B CN 202010498943 A CN202010498943 A CN 202010498943A CN 111681194 B CN111681194 B CN 111681194B
Authority
CN
China
Prior art keywords
image
low
multispectral image
component
multispectral
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
Application number
CN202010498943.7A
Other languages
English (en)
Other versions
CN111681194A (zh
Inventor
冯伟
童莹萍
全英汇
邢孟道
肖国尧
董淑仙
钟娴
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.)
Xidian University
Original Assignee
Xidian 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 Xidian University filed Critical Xidian University
Priority to CN202010498943.7A priority Critical patent/CN111681194B/zh
Publication of CN111681194A publication Critical patent/CN111681194A/zh
Application granted granted Critical
Publication of CN111681194B publication Critical patent/CN111681194B/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
    • 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
    • G06T5/73—Deblurring; Sharpening
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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

本发明公开了一种基于小波变换和施密特光谱锐化的多源图像融合方法。其实现方案是：获取多光谱图像与高分辨率全色图像，对多光谱图像做施密特光谱锐化GS变换；取GS变换后多光谱图像的第一分量并进行小波变换，得到该分量的低频子图像和三个高频子图像；对高分辨率全色图像做小波变换，得到该图像的低频子图像和三个高频子图像；用全色图像的低频子图像替代多光谱图像的低频子图像，得到新的多光谱图像第一分量并对该分量进行小波逆变换，得到多光谱图像重构的第一分量；将该重构分量与多光谱图像的其余分量做GS逆变换，得到融合后的图像。本发明减少了融合过程中多光谱图像光谱信息的丢失，可用于生态监测与生态保护。

Description

基于小波变换和施密特光谱锐化的多源图像融合方法
技术领域
本发明属于图像处理技术领域，尤其涉及一种多源图像融合方法，可用于生态监测与生态保护。
背景技术
随着成像传感器的发展，各式各样的成像设备已经渗透到人们的生活中。但是由于不同类型成像传感器的成像机理存在很大差异，使得它们所采集的图像难以满足一些特定的应用需求。因此需要对多源图像进行融合，获得目标和场景信息更加全面的图像。
多光谱图像是目前应用最广泛的图像之一，其具有丰富的光谱信息，但是空间分辨率相对较低。为了更好地应用多光谱图像，需要将其与高分辨率图像相融合，得到具有高分辨率和丰富光谱信息的新图像。
现有的多光谱图像融合方法主要有强度色调饱和度变换IHS法，主成分分析PCA法和传统的施密特光谱锐化融合GS法。其中，IHS法将多光谱图像由RGB空间转换至IHS空间，然后用高分辨率全色图像替换I分量，这种方法扭曲了原始图像的光谱特性，而且高分辨率全色图像的利用率低。PCA法是将多光谱图像进行主成分变换，然后将高分辨率全色图像进行线性拉伸并用拉伸后的图像替换第一主成分，最后经过主成分反变换得到融合图像。这种方法虽然提高了多光谱图像的空间分辨率，但是直接线性拉伸全色图像会改变其光谱特性。传统的GS融合方法是将多光谱图像通过GS转换至正交空间，再将高分辨率全色图像替换第一分量，最后通过GS反变换得到融合图像。这种方法所说对需要融合的遥感图像无波段数限制，但是仍会减少多光谱图像的光谱信息。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种基于小波变换和施密特光谱锐化的多源图像融合方法，以减少融合过程中多光谱图像光谱信息的丢失，获得谱段多、分辨率高的多光谱数据。
为达到上述目的，本发明的技术方案包括如下：
(1)从遥感卫星影像中获取多光谱图像与高分辨率全色图像P(x,y)，从多光谱图像中复制出一个全色波段，将这个全色波段与多光谱图像其他波段进行施密特光谱锐化GS变换；
(2)取GS变换后多光谱图像的第一分量I(x,y)，对其进行小波变换，得到一个低频子图像ILL(x,y)与三个高频子图像ILH(x,y)，IHL(x,y)和IHH(x,y)；
(3)对高分辨率全色图像P(x,y)进行小波变换，得到一个低频子图像PLL(x,y)与三个高频子图像PLH(x,y)，PHL(x,y)和PHH(x,y)；
(4)用全色图像的低频子图像PLL(x,y)替代多光谱图像第一分量的低频子图像ILL(x,y)，得到新的多光谱图像第一分量，并对新的多光谱图像第一分量进行小波逆变换，得到多光谱图像重构的第一分量
Figure BDA0002524017140000021
(5)将多光谱图像重构的第一分量
Figure BDA0002524017140000022
与多光谱图像的其余分量进行GS逆变换，得到融合后的图像。
本发明具有如下优点：
1)本发明由于使用小波变换对图像进行分解，可以保证图像在分解过程中没有信息损失，并有效地提取原始图像的结构信息和细节信息，减少多光谱图像光谱信息的丢失。
2)本发明以施密特光谱锐化算法为基础，使融合后的图像具有更高色彩的对比度，并且适用于不同维度图像的融合。
附图说明
图1是本发明的实现流程图；
图2是使用本发明和现有方法对多光谱图像和高分辨率全色图像进行融合的仿真结果图。
具体实施方案
以下结合附图对本发明的实施例和效果进行详细描述。
参照图1，本发明的实现步骤如下：
步骤1：获取多光谱图像与高分辨率全色图像。
从遥感卫星影像中获取同一地理位置的多光谱图像与高分辨率全色图像P(x,y)，剪裁多光谱图像与高分辨率全色图像，保证两幅图像的大小相同。由于不同卫星传感器的成像方式不同，需要对多光谱图像与高分辨率全色图像进行几何校正，保证图像中的各元素具有相同的位置和大小。
步骤2：对原始多光谱图像进行施密特光谱锐化GS变换。
对原始多光谱图像进行施密特光谱锐化GS变换，首先需要从原始多光谱图像中复制出一个全色波段，本实施例选择但不仅限于选择红色波段进行复制。然后将这个复制的全色波段与多光谱图像其他波段进行施密特光谱锐化GS变换，其具体实现如下：
2.1)计算原始多光谱图像的每个波段像元灰度值的均值μT：
Figure BDA0002524017140000031
其中，T为原始多光谱图像的波段数，x和y分别是原始多光谱图像的行数和列数，M和N分别是原始多光谱图像的总行数和总列数，BT是原始多光谱图像的第T个波段，本实施例中T的取值为3，M和N的取值分别为404和396；
2.2)计算原始多光谱图像的协方差
Figure BDA0002524017140000032
Figure BDA0002524017140000033
其中，GSl是经过GS变换后的第l个分量，σ(BT,GSl)是BT与GSl之间的方差；
2.3)对原始多光谱图像进行GS变换，得到经GS变换后的T个分量GST(x,y)：
Figure BDA0002524017140000034
步骤3：对GS变换后多光谱图像的第一分量I(x,y)进行小波变换。
3.1)设GS变换后多光谱图像的第一分量为I(x,y)，对I(x,y)的每一行分别使用低通滤波器L和高通滤波器H进行滤波和2倍下采样，分别得到多光谱图像的低通系数矩阵IL(x,y)和高通系数矩阵IH(x,y)：
Figure BDA0002524017140000041
Figure BDA0002524017140000042
其中，低通滤波器
Figure BDA0002524017140000043
其脉冲响应为l(i)，i＝0,1,...,Nl-1，Nl为低通滤波器L的支撑长度，高通滤波器
Figure BDA0002524017140000044
其脉冲响应为h(j)，j＝0,1,...,Nh-1，Nh为高通滤波器H的支撑长度，mod为取余函数，x＝0,1,...,M/2-1，y＝0,1,...,N-1；
3.2)对多光谱图像低通系数矩阵IL(x,y)和高通系数矩阵IH(x,y)的每一列分别使用低通滤波器L和高通滤波器H进行垂直滤波和2倍下采样，得到多光谱图像低通系数矩阵的低频子图像ILL(x,y)，水平高频子图像ILH(x,y)和多光谱图像高通系数矩阵的垂直高频子图像IHL(x,y)，对角高频子图像IHH(x,y)：
Figure BDA0002524017140000045
Figure BDA0002524017140000046
Figure BDA0002524017140000047
Figure BDA0002524017140000048
其中x＝0,1,...,M/2-1，y＝0,1,...,N/2-1。
步骤4：对高分辨率全色图像P(x,y)进行小波变换。
4.1)对高分辨率全色图像P(x,y)的每一行分别使用低通滤波器L和高通滤波器H进行滤波和2倍下采样，分别得到全色图像的低通系数矩阵PL(x,y)和高通系数矩阵PH(x,y)：
Figure BDA0002524017140000049
Figure BDA0002524017140000051
其中x＝0,1,...,M/2-1，y＝0,1,...,N-1；
4.2)对全色图像低通系数矩阵PL(x,y)和高通系数矩阵PH(x,y)的每一列分别使用低通滤波器L和高通滤波器H进行垂直滤波和2倍下采样，得到全色图像低通系数矩阵的低频子图像PLL(x,y)，水平高频子图像PLH(x,y)和全色图像高通系数矩阵的垂直高频子图像PHL(x,y)，对角高频子图像PHH(x,y)：
Figure BDA0002524017140000052
Figure BDA0002524017140000053
Figure BDA0002524017140000054
Figure BDA0002524017140000055
其中，x＝0,1,...,M/2-1，y＝0,1,...,N/2-1。
步骤5：低频替代。
由于小波变换后的子图像中低频图像具有原始图像的近似信息，因而用全色图像的低频子图像PLL(x,y)替代多光谱图像第一分量的低频子图像ILL(x,y)，可得到新的多光谱图像第一分量，该第一分量包含多光谱图像的水平高频子图像ILH(x,y)、垂直高频子图像IHL(x,y)、对角高频子图像IHH(x,y)和全色图像的低频子图像PLL(x,y)，每个子图像的大小均为
Figure BDA0002524017140000056
步骤6：对新的多光谱图像第一分量进行小波逆变换。
6.1)对低通滤波器L和高通滤波器H分别取反向滤波器，得到合成低通滤波器
Figure BDA00025240171400000510
和合成高通滤波器
Figure BDA0002524017140000057
6.2)使用合成低通滤波器
Figure BDA0002524017140000058
和合成高通滤波器
Figure BDA0002524017140000059
对新的多光谱图像第一分量四个子图像的每一列和每一行进行2倍上采样和滤波，得到重构的多光谱图像第一分量
Figure BDA0002524017140000061
步骤7：将多光谱图像重构的第一分量
Figure BDA0002524017140000062
与多光谱图像的其余分量
Figure BDA0002524017140000063
进行GS逆变换。
多光谱图像重构的第一分量
Figure BDA0002524017140000064
与原始多光谱图像的其余分量
Figure BDA0002524017140000065
共同构成重构的多光谱图像，其中l的取值范围为2至T；
对重构的多光谱图像进行GS逆变换，得到融合后的多光谱第T个波段图像
Figure BDA0002524017140000066
Figure BDA0002524017140000067
其中，T为图像的波段数，x和y分别是重构多光谱图像的行数和列数，μT是重构多光谱图像中第T个波段像元灰度值的均值，
Figure BDA0002524017140000068
是重构多光谱图像的协方差。
本发明的效果可以通过以下测试进一步说明：
测试内容：使用现有GS变换方法和本发明方法图2(a)所示的多光谱和图2(b)所示的高分辨率全色图像进行融合，结果如图2(c)和图2(d)所示，其中，图2(c)是现有GS变换方法的融合图像，图2(d)是本发明方法的融合图像。
从图2(d)可见，本发明的融合图像具有丰富的光谱信息，图像中边缘清晰，充分保留高分辨率全色图像的结构信息和细节信息，图像具有更高的对比度，而图2(c)中的图像边缘模糊，图像对比度低，证明本发明具有很好的应用效果。

Claims (7)

1.一种基于小波变换和施密特光谱锐化的多源图像融合方法，其特征在于，包括如下：
(1)从遥感卫星影像中获取多光谱图像与高分辨率全色图像P(x,y)，从多光谱图像中复制出一个全色波段，将这个全色波段与多光谱图像其他波段进行施密特光谱锐化GS变换；
(2)取GS变换后多光谱图像的第一分量I(x,y)，对其进行小波变换，得到一个低频子图像ILL(x,y)与三个高频子图像ILH(x,y)，IHL(x,y)和IHH(x,y)；
(3)对高分辨率全色图像P(x,y)进行小波变换，得到一个低频子图像PLL(x,y)与三个高频子图像PLH(x,y)，PHL(x,y)和PHH(x,y)；
(4)用全色图像的低频子图像PLL(x,y)替代多光谱图像第一分量的低频子图像ILL(x,y)，得到新的多光谱图像第一分量，并对新的多光谱图像第一分量进行小波逆变换，得到多光谱图像重构的第一分量
Figure FDA0002524017130000011
(5)将多光谱图像重构的第一分量
Figure FDA0002524017130000012
与多光谱图像的其余分量进行GS逆变换，得到融合后的图像。
2.根据权利要求1所述的方法，其特征在于，(1)中将从多光谱图像中复制出一个全色波段与其他波段进行GS变换，实现如下：
(1a)计算原始多光谱图像的每个波段像元灰度值的均值μT：
Figure FDA0002524017130000013
其中，T为原始多光谱图像的波段数，x和y分别是原始多光谱图像的行数和列数，M和N分别是原始多光谱图像的总行数和总列数，BT是原始多光谱图像的第T个波段；
(1b)计算原始多光谱图像的协方差
Figure FDA0002524017130000021
Figure FDA0002524017130000022
其中，GSl是经过GS变换后的第l个分量，σ(BT,GSl)是BT与GSl之间的方差；
(1c)对原始多光谱图像进行GS变换：
Figure FDA0002524017130000023
3.根据权利要求1所述的方法，其特征在于，(2)中对GS变换后多光谱图像的第一分量I(x,y)进行小波变换，实现如下：
(2a)设多光谱图像的第一分量I(x,y)的大小为M×N，对I(x,y)的每一行分别使用低通滤波器L和高通滤波器H进行滤波和2倍下采样，分别得到多光谱图像的低通系数矩阵IL(x,y)和高通系数矩阵IH(x,y)：
Figure FDA0002524017130000024
Figure FDA0002524017130000025
其中，低通滤波器
Figure FDA0002524017130000026
其脉冲响应为l(i)，i＝0,1,...,Nl-1，Nl为低通滤波器L的支撑长度，高通滤波器
Figure FDA0002524017130000027
其脉冲响应为h(j)，j＝0,1,...,Nh-1，Nh为高通滤波器H的支撑长度，mod为取余函数，x＝0,1,...,M/2-1，y＝0,1,...,N-1；
(2b)对多光谱图像低通系数矩阵IL(x,y)和高通系数矩阵IH(x,y)的每一列分别使用低通滤波器L和高通滤波器H进行垂直滤波和2倍下采样，得到如下多光谱图像低通系数矩阵的低频子图像ILL(x,y)，水平高频子图像ILH(x,y)和多光谱图像高通系数矩阵的垂直高频子图像IHL(x,y)，对角高频子图像IHH(x,y)：
Figure FDA0002524017130000031
Figure FDA0002524017130000032
Figure FDA0002524017130000033
Figure FDA0002524017130000034
其中x＝0,1,...,M/2-1，y＝0,1,...,N/2-1。
4.根据权利要求1所述的方法，其特征在于，(3)中对高分辨率全色图像P(x,y)进行小波变换，实现如下：
(3a)对高分辨率全色图像P(x,y)的每一行分别使用低通滤波器L和高通滤波器H进行滤波和2倍下采样，分别得到全色图像的低通系数矩阵PL(x,y)和高通系数矩阵PH(x,y)：
Figure FDA0002524017130000035
Figure FDA0002524017130000036
其中x＝0,1,...,M/2-1，y＝0,1,...,N-1；
(3b)对全色图像低通系数矩阵PL(x,y)和高通系数矩阵PH(x,y)的每一列分别使用低通滤波器L和高通滤波器H进行垂直滤波和2倍下采样，得到如下全色图像低通系数矩阵的低频子图像PLL(x,y)，水平高频子图像PLH(x,y)和全色图像高通系数矩阵的垂直高频子图像PHL(x,y)，对角高频子图像PHH(x,y)：
Figure FDA0002524017130000037
Figure FDA0002524017130000041
Figure FDA0002524017130000042
Figure FDA0002524017130000043
其中，x＝0,1,...,M/2-1，y＝0,1,...,N/2-1。
5.根据权利要求1所述的方法，其特征在于，(4)中得到新的多光谱图像第一分量，包括多光谱图像的水平高频子图像ILH(x,y)，垂直高频子图像IHL(x,y)，对角高频子图像IHH(x,y)和全色图像的低频子图像PLL(x,y)，每个子图像的大小均为
Figure FDA0002524017130000044
6.根据权利要求1所述的方法，其特征在于，(4)中对新的多光谱图像第一分量进行小波逆变换，得到多光谱图像重构的第一分量
Figure FDA0002524017130000045
实现如下：
(4a)对低通滤波器L和高通滤波器H分别取反向滤波器，得到合成低通滤波器
Figure FDA0002524017130000046
和合成高通滤波器
Figure FDA0002524017130000047
(4b)使用合成低通滤波器
Figure FDA0002524017130000048
和合成高通滤波器
Figure FDA0002524017130000049
对新的多光谱图像第一分量四个子图像的每一列和每一行进行2倍上采样和滤波，得到重构的多光谱图像第一分量
Figure FDA00025240171300000410
7.根据权利要求1所述的方法，其特征在于，(5)中将多光谱图像重构的第一分量
Figure FDA00025240171300000411
与多光谱图像的其余分量
Figure FDA00025240171300000412
进行GS逆变换，通过如下公式进行：
Figure FDA00025240171300000413
其中，T为图像的波段数，
Figure FDA00025240171300000414
为融合后的第T波段图像，x和y分别是重构多光谱图像的行数和列数，μT是重构多光谱图像中第T个波段像元灰度值的均值，
Figure FDA0002524017130000051
是重构多光谱图像的协方差。
CN202010498943.7A 2020-06-04 2020-06-04 基于小波变换和施密特光谱锐化的多源图像融合方法 Active CN111681194B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010498943.7A CN111681194B (zh) 2020-06-04 2020-06-04 基于小波变换和施密特光谱锐化的多源图像融合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010498943.7A CN111681194B (zh) 2020-06-04 2020-06-04 基于小波变换和施密特光谱锐化的多源图像融合方法

Publications (2)

Publication Number Publication Date
CN111681194A CN111681194A (zh) 2020-09-18
CN111681194B true CN111681194B (zh) 2023-03-14

Family

ID=72453066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010498943.7A Active CN111681194B (zh) 2020-06-04 2020-06-04 基于小波变换和施密特光谱锐化的多源图像融合方法

Country Status (1)

Country Link
CN (1) CN111681194B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869114A (zh) * 2016-03-25 2016-08-17 哈尔滨工业大学 基于多层带间结构模型的多光谱图像和全色图像融合方法
CN106157269A (zh) * 2016-07-29 2016-11-23 西安电子科技大学 基于方向多尺度群低秩分解的全色图像锐化方法
CN109447934A (zh) * 2018-11-14 2019-03-08 西北工业大学 基于两步稀疏编码和小波变换全色与多光谱图像融合方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103198463B (zh) * 2013-04-07 2014-08-27 北京航空航天大学 基于整体结构和空间细节信息融合的光谱图像全色锐化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105869114A (zh) * 2016-03-25 2016-08-17 哈尔滨工业大学 基于多层带间结构模型的多光谱图像和全色图像融合方法
CN106157269A (zh) * 2016-07-29 2016-11-23 西安电子科技大学 基于方向多尺度群低秩分解的全色图像锐化方法
CN109447934A (zh) * 2018-11-14 2019-03-08 西北工业大学 基于两步稀疏编码和小波变换全色与多光谱图像融合方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
一种快速的全色和多光谱图像融合算法;毛克;《测绘科学》(第01期);全文 *
资源三号卫星正视全色与多光谱影像融合及评价;吴晓萍等;《物探化探计算技术》(第01期);全文 *

Also Published As

Publication number Publication date
CN111681194A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
US8577184B2 (en) System and method for super-resolution imaging from a sequence of color filter array (CFA) low-resolution images
CN101556690B (zh) 基于词典学习和稀疏表示的超分辨率算法
CN109102469B (zh) 一种基于卷积神经网络的遥感图像全色锐化方法
US8693771B2 (en) Method for pan-sharpening panchromatic and multispectral images using dictionaries
CN109509160A (zh) 一种利用逐层迭代超分辨率的分层次遥感图像融合方法
CN106920214B (zh) 空间目标图像超分辨率重建方法
US20140301659A1 (en) Panchromatic Sharpening Method of Spectral Image Based on Fusion of Overall Structural Information and Spatial Detail Information
Lemeshewsky Multispectral multisensor image fusion using wavelet transforms
CN106157269B (zh) 基于方向多尺度群低秩分解的全色图像锐化方法
CN113191325B (zh) 一种图像融合方法、系统及其应用
CN106780423B (zh) 一种基于少数波段高分辨率图像的光谱重建方法
CN106875370B (zh) 一种全色图像和多光谱图像的融合方法及装置
CN109859153B (zh) 一种基于自适应光谱-空间梯度稀疏正则化的多光谱图像融合方法
Khaire et al. Resolution Enhancement of images with interpolation and DWT–SWT Wavelet domain components
CN111681194B (zh) 基于小波变换和施密特光谱锐化的多源图像融合方法
CN113284067A (zh) 基于深度细节注入网络的高光谱全色锐化方法
CN112734636A (zh) 一种多源异构遥感影像的融合方法
CN109544495B (zh) 一种基于高斯滤波和比值变换的SoC芯片图像处理融合方法
Matsuo et al. Super-resolution for 2K/8K television using wavelet-based image registration
CN111524079B (zh) 基于分量替换和低通滤波的多光谱遥感图像全色锐化方法
CN110163830A (zh) 基于Riesz-Lap变换及PCNN的图像融合方法
CN109658358B (zh) 一种基于多导向滤波的快速bayer彩色重建方法
CN114708178B (zh) 基于引导滤波与稀疏表示的遥感影像融合方法
Shoeiby et al. Super-resolved Chromatic Mapping of Snapshot Mosaic Image Sensors via a Texture Sensitive Residual Network
CN112508829B (zh) 一种基于剪切波变换的pan-sharpening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