CN112166692B - 一种遥感图像交叉融合方法 - Google Patents
一种遥感图像交叉融合方法 Download PDFInfo
- Publication number
- CN112166692B CN112166692B CN201218002154.6A CN201218002154A CN112166692B CN 112166692 B CN112166692 B CN 112166692B CN 201218002154 A CN201218002154 A CN 201218002154A CN 112166692 B CN112166692 B CN 112166692B
- Authority
- CN
- China
- Prior art keywords
- image
- fusion
- panchromatic
- multispectral
- remote sensing
- 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 abstract description 30
- 230000004927 fusion Effects 0.000 claims abstract description 84
- 230000003595 spectral effect Effects 0.000 claims abstract description 42
- 230000004044 response Effects 0.000 claims abstract description 8
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 abstract description 16
- 230000014759 maintenance of location Effects 0.000 abstract description 9
- 238000002347 injection Methods 0.000 abstract description 6
- 239000007924 injection Substances 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 33
- 238000011156 evaluation Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000011158 quantitative evaluation Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012544 monitoring process Methods 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
- CJDRUOGAGYHKKD-XMTJACRCSA-N (+)-Ajmaline Natural products O[C@H]1[C@@H](CC)[C@@H]2[C@@H]3[C@H](O)[C@@]45[C@@H](N(C)c6c4cccc6)[C@@H](N1[C@H]3C5)C2 CJDRUOGAGYHKKD-XMTJACRCSA-N 0.000 description 1
- BLRPTPMANUNPDV-UHFFFAOYSA-N Silane Chemical compound [SiH4] BLRPTPMANUNPDV-UHFFFAOYSA-N 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910000077 silane Inorganic materials 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明属于遥感图像处理领域,公开了一种遥感图像交叉融合方法,该方法首先获取可用于交叉融合的卫星遥感全色影像和多光谱影像,然后对全色影像和多光谱影像进行影像配准,并引入自适应权重系数β和自适应比例系数w对Brovey融合公式中的乘积系数进行改进,利用改进后的Brovey融合公式对影像进行融合。本发明充分考虑了不同传感器的光谱范围差异和光谱响应差异,解决了多卫星传感器数据遥感图像融合方法光谱保持能力和空间细节注入能力不能兼具的问题,使融合后的影像在保持Brovey融合空间细节注入能力强的同时,大大提高了融合影像的光谱保持能力,且该方法结构简单,融合速度快,易于推广和应用。
Description
技术领域
本发明属于卫星遥感数据图像处理技术领域,涉及一种卫星遥感全色影像和多光谱影像的交叉融合方法。
背景技术
随着遥感技术发展,新型卫星传感器不断涌现,在同一地区形成了多卫星、多传感器、多时相、多分辨率的遥感影像数据序列。为了全面了解地物目标特征及其变化,越来越多的遥感应用需要综合利用不同卫星传感器数据各自的优势,多卫星传感器数据融合应运而生,即将不同类型传感器获取的同一地区的影像数据进行空间配准,然后采用一定的算法将各影像数据所含的信息优势或互补性有机结合起来产生新影像数据的技术。
从80年代初开始,国内外相继有一些学者开展了多卫星传感器数据融合研究并取得了很大进展,主要表现为以下方面:
(1)一部分是将传统融合方法应用于不同卫星遥感数据融合,通过比较分析确定最佳方法。另一部分则提出了基于传统融合方法的改进方法,还有部分学者提出了几种方法相耦合的新方法。如:J.Zhou等(Zhou J,Civco D L,and Silander J A.1998.A wavelet transformmethod to merge Landsat TM and SPOT panchromatic data.INT.J.REMOTE SENSING,19(4):743-757)通过对比传统融合方法最后选取小波变换方法用于Landsat TM和SPOT全色的融合。E.Saroglu等(E.Saroglu,F.Bektas,N.Musaoglu and C.Goksel.2004.Fusion ofmultisensory remote sensing data:assessing the quality of resulting images)通过传统融合方法比较发现IHS变换方法适用于IRS 1D的全色与LISS III多光谱数据的融合。何国金等(何国金,李克鲁,胡德永,从柏林,张雯华.1999.多卫星遥感数据的信息融合:理论、方法与实践.中国图象图形学报,4(9):744-749.)和陈少辉等(陈少辉,曾致远,张秋文,王乘,周建中.2005.基于加权相关矩的多传感器图像融合方法.计算机应用研究,(12):150-151.)均提出了小波变换改进方法,然而针对不同的应用目标,需要人工确定小波基的长度以及小波分解级数等,增加了主观不确定性和复杂性。Yusuf Siddiqui(Yusuf Siddiqui.2003.TheModified IHS Method for fusing satellite imagery.ASPRS 2003 Annual Conference Proceedings,Anchorage,Alaska)提出了Modified IHS融合方法,由于该方法的光谱保持能力强而得到较广泛应用纳入了ERDAS遥感软件平台,然而由于该方法对全色影像的过度处理导致融合结果清晰度降低甚至出现斑块噪声。Ehlers(Ehlers M.2004.“Spectral CharacteristicsPreserving Image Fusion Based on Fourier Domain Filtering,”in Remote Sensing forEnvironmental Monitoring,GIS Applications,and Geology IV,Proceedings of SPIE,Ehlers,M.,Kaufmann,H.J.,and U.Michel(Eds.),Bellingham,WA)提出了基于IHS变换与傅立叶频谱域自适应滤波相耦合的光谱保持式融合方法,该方法的光谱保持能力较好,但由于此方法需要靠丰富的经验人工设置滤波参数才能取得较好的效果,稳定性较差,从而限制了它的普及和应用。
(2)多是从图像本身开展的各种算法研究,然而在将全色图像的细节成分注入到各个多光谱波段的过程中几乎没有考虑成像系统自身的物理特性,比如各波段成像传感器的光谱响应等因素。因而,融合后的多光谱图像中出现了细节“过”注入或“抵消”等现象,甚至出现了一些目标的光谱特性轻微改变的现象(张强,郭宝龙.2007.基于成像系统物理特性的多光谱图像与全色波段图像融合.光学学报,27(2):243-248)。
针对以上问题,在多卫星传感器遥感图像融合研究中,如何从各传感器物理特性出发,研究一种融合图像的空间细节注入能力和光谱保持能力兼具的方法成为亟待解决的问题。
发明内容
本发明的目的是提供一种遥感图像交叉融合方法,该方法考虑了不同传感器的光谱范围差异和光谱响应差异,解决了现有融合方法中融合结果光谱失真或图像模糊的问题。
为实现上述目的,本发明提出的遥感图像交叉融合方法包括以下步骤:
1)获取可用于交叉融合的卫星遥感全色影像和多光谱影像;
2)对全色影像和多光谱影像进行影像配准;
3)引入自适应权重系数β,根据不同传感器全色影像与多光谱影像的光谱范围差异对βi进行函数建模,从而得到多光谱各波段自适应权重系数值:
其中,βi为参与融合的多光谱影像i波段的自适应权重系数,Overlapi表示多光谱第i波段与参与融合的全色波段光谱范围重叠的部分,Δλpan表示全色波段的光谱范围,n为多光谱影像的波段数目;
4)引入自适应比例系数w,根据不同传感器全色影像与多光谱影像的光谱范围差异和光谱响应差异对w进行函数建模,结合图像的灰度均值求解w:
5)利用自适应权重系数β和自适应比例系数w重新构建Brovey融合公式,并利用改进的融合公式对遥感影像进行融合:
其中,Rfus、Gfus、Bfus分别为融合后图像红、绿、蓝波段影像数据值,Pan为全色影像数据值,DNR′、DNG′、DNB′分别指多光谱影像波段中参与融合的被分别赋予红、绿、蓝波段的影像数据值,为改进的乘积系数。
进一步的,获取可用于交叉融合的卫星遥感全色影像和多光谱影像时,要求选取的全色影像与多光谱影像有重叠覆盖区域,且全色影像光谱范围至少与多光谱影像的某两个波段光谱范围有重叠。
本发明从参与融合的不同传感器的光谱特性出发,通过考虑不同传感器的光谱范围差异和光谱响应差异,提出了一种自适应权重系数β和自适应比例系数w及其函数关系式,弥补了以前多卫星传感器遥感图像融合方法仅从图像本身考虑的缺陷;并利用自适应权重系数和自适应比例系数重新构建了Brovey融合公式中的乘积系数,利用改进后的Brovey融合公式对影像进行融合,解决了多卫星传感器数据遥感图像融合方法光谱保持能力和空间细节注入能力不能兼具的问题,使融合后的影像在保持Brovey融合空间细节注入能力强的同时,大大提高了融合影像的光谱保持能力。此外,该方法结构简单,融合速度快,易于推广和应用,能够更好地满足多种多样的遥感应用需要。
附图说明
图1为本发明的流程图;
图2为参与融合的多光谱第i波段与全色波段光谱范围重叠示意图;
图3为北京一号卫星(BJ-1)多光谱影像与SPOT5全色影像融合结果截取图(1、2、3波段彩色合成),其中,图(a)为BJ-1多光谱影像(32m),图(b)为SPOT5全色影像(2.5m),图(c)为Brovey融合结果,图(d)为Modified IHS融合结果,图(e)为本发明融合结果;
图4为SPOT4多光谱影像与BJ-1全色影像融合结果截取图(4、3、2波段彩色合成),其中图(a)为SPOT4多光谱影像(20m),图(b)为BJ-1全色影像(4m),图(c)为Brovey融合结果,图(d)为Modified IHS融合结果,图(e)为本发明融合结果;
图5为Landsat5/TM多光谱影像与BJ-1全色影像融合结果截取图(5、3、2波段彩色合成),其中,图(a)为TM5多光谱影像(30m),图(b)为BJ-1全色影像(4m),图(c)为Brovey融合结果,图(d)为Modified IHS融合结果,图(e)为本发明融合结果;
图6为环境一号B卫星(HJ1B)多光谱影像与BJ-1全色影像融合结果截取图(4、3、2波段彩色合成),其中,图(a)为HJ1B多光谱影像(30m),图(b)为BJ-1全色影像(4.0m),图(c)为Brovey融合结果,图(d)为Modified IHS融合结果,图(e)为本发明融合结果。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明所述遥感图像交叉融合方法适用于同一卫星拍摄的全色影像和多光谱影像融合,也适用于不同卫星拍摄的全色影像和多光谱影像融合,其具体实施流程见图1所示,包括以下步骤:
步骤一、获取可用于交叉融合的卫星遥感全色影像和多光谱影像。
具体做法如下:获取来自不同传感器的遥感影像数据,从中选取可用于交叉融合的卫星遥感全色影像和多光谱影像,可参照如下选择原则:首先保证选取的全色影像与多光谱影像有重叠覆盖区域,然后保证选取的全色影像光谱范围至少与多光谱影像的某两个波段光谱范围有重叠。遥感影像可以是相同时相,也可是不同时相。
步骤二、将选取的全色影像和多光谱影像进行影像配准。
首先选取全色影像作为参考影像,选择ERDAS IMAGINE软件(或其他遥感图像处理软件)的图像预处理模块进行两幅影像的配准,配准过程如下:
1)选取控制点
在以高分辨率全色影像作为参考影像时,控制点一定是在两个分辨率的影像上均能识别。控制点个数按照全色影像的标准景计算(比如BJ-1 24km*24km),至少为30个。控制点应保证能控制全景图像、均匀分布。点位选择在高程变化不大的地面上,一般以接近正交的线状地物的交点、地物拐点上、影像清晰的明显地物点或固定的点状地物上。不允许在楼房、围墙、水塔等高层建构筑物上选点。控制点最大中误差不超过表1规定的2倍。
表1控制点中误差 单位:像素
地形类别 | 中误差 |
平原、丘陵地 | 0.5~1.5 |
山地、高山地 | 1.5~2 |
2)计算转换模型。
选取多项式模型(Polynomial Model)作为转换模型。
3)图像重采样。
采用双线性插值法进行图像重采样。
4)进行影像配准。
影像配准完成后,可对配准结果进行检验,检验的基本方法是,在同一个窗口中打开两幅图像,其中一幅是配准后的图像,一幅是当时的参考图像,通过ERDAS中的卷帘(swipe)功能进行水平方向和垂直方向的目视定性检验。
步骤三、引入自适应权重系数β,从传感器的光谱特性——光谱范围出发,通过建模得到反映不同传感器光谱范围差异的多光谱各波段自适应权重系数βi的函数关系式,计算如下:
其中,Overlapi表示参与融合的多光谱第i波段与全色波段光谱范围重叠的部分,Δλpan表示全色波段的光谱范围,n为多光谱影像的波段数目,如图2所示。
步骤四、引入自适应比例系数w,从传感器的光谱特性——光谱范围和光谱响应差异出发,结合自适应权重系数βi通过建模得到反映不同传感器光谱范围及光谱响应差异的自适应比例系数w的函数关系式,计算如下:
步骤五、结合Brovey融合公式,利用自适应权重系数βi和自适应比例系数w重新构建Brovey融合公式中的乘积系数,并求解。其中,Brovey融合公式如下:
式中,Rfus、Gfus、Bfus分别为融合图像红、绿、蓝波段影像数据值,Pan为全色影像数据值,DNR、DNG、DNB分别指多光谱影像波段中参与融合的红、绿、蓝波段影像数据值,即为乘积系数。利用自适应权重系数β和自适应比例系数w重新构建的Brovey融合公式中的乘积系数为的计算公式如下:
其中,βi为多光谱i波段的自适应权重系数,DNi为多光谱i波段的数据值,w为自适应比例系数。
步骤六、利用改进的融合公式对影像进行融合。改进的融合公式如下:
其中,Rfus、Gfus、Bfus分别为融合后图像红、绿、蓝波段影像数据值,Pan为全色影像数据值,DNR′、DNG′、DNB′分别指多光谱影像波段中参与融合的被分别赋予红、绿、蓝波段的影像数据值,比如,TM影像的4(近红外)、3(红)、2(绿)波段参与融合,则DNR′为4波段的影像数据值,DNG′为3波段的影像数据值,DNB′为2波段的影像数据值,即为改进的乘积系数。
为了对本发明方法进行全方位有效地验证和评价,分别开展了北京一号(BJ-1)、环境1A(HJ1A)、Landsat/TM5、SPOT4/5卫星之间的融合实验,并对采用本发明、Brovey变换融合方法以及Modified IHS融合方法得到的融合结果进行相应地定性和定量评价。
首先,利用人的视觉对融合图像进行定性评价。图3-6为北京一号(BJ-1)、环境1A(HJ1A)、Landsat/TM5、SPOT4/5卫星之间的融合结果截取图,其中图3为北京一号卫星(BJ-1)多光谱影像与SPOT5全色影像融合结果截取图;图4为SPOT4多光谱影像与BJ-1全色影像融合结果截取图;图5为Landsat5/TM多光谱影像与BJ-1全色影像融合结果截取图,图6为环境一号B卫星(HJ1B)多光谱影像与BJ-1全色影像融合结果截取图。从目视效果看,与原始多光谱影像相比,三种融合图像都大大提高了图像的空间分辨率。Brovey融合结果整体偏暗,光谱畸变较严重,但图像清晰度及纹理细节融入度较好。Modified IHS融合结果很好地保留了光谱信息,但整体清晰度不高,图像中的道路、建筑物、水体有一定程度的模糊和斑块噪声。本发明在光谱信息较好保持的同时,空间纹理细节的融入度也得到较大增强。
然后对遥感图像融合效果进行定量评价。客观评价方法一般分为需要参考图像的评价方法和不需要参考图像的评价方法,前者选取相关系数、相对整体维数综合误差(ERGAS)两个指标,后者选取灰度均值、信息熵和平均梯度三个指标。
相关系数反映了两幅影像的相关程度,即保持光谱特性的能力,一般相关系数越高(越接近1),两幅图像越相似,光谱保持能力越强。其公式为:
ERGAS参数越低,光谱的扭曲程度越小。它的计算遵循Wald评价方法,即将原始待融合图像分别降低分辨率后再进行融合,得到的融合图像与原始多光谱图像进行相似度比较。ERGAS的计算公式如下(参见:马艳军,石爱业,徐立中.2007.基于区域特性选择的遥感图像融合方法.中国图象图形学报,12(2):228-233):
R2(Xi)=Δ2(Xi)+δ2(Xi) (8)
其中,h为降采样后的全色图像的空间分辨率;l为降采样后多光谱图像的空间分辨率;M(Xi)为融合图像Xi波段的中值;Δ为参考图像1个波段的中值与融合图像对应波段的中值的偏差;标准方差偏差δ为参考图像1个波段的标准方差与融合图像对应波段标准方差的偏差,融合图像的光谱质量越高,ERGAS越低,理想情况应为0.
灰度均值为图像中像素的灰度平均值,反映了图像的整体亮度,如果融合结果与参考图像的平均值存在较大差异,说明该方法引入了较大的低频信号扭曲,它的计算公式为:
式中,Z表示图像的均值,Z(xi,yj)为图像在第i行第j列的灰度值,M为图像的总行数,N为图像的总列数,i,j分别表示依次取的像素的行列号。
图像的信息熵是衡量信息量增加大小的重要参数,值越大,图像所含的信息越丰富,图像质量越好,它的计算公式为:
式中,E为图像的熵,L为图像的总灰度级,pi表示灰度值为i的像素数Ni与图像总像素数N之比。
在图像清晰度方面,平均梯度是其主要的衡量参数。它反映了图像微小细节反差变化的速率,即反映空间细节融入度,也可以反映图像边缘强度的总体水平,平均梯度越大,图像的锐化效果则越强,局部对比度越高。计算公式为:
式中,G表示图像的平均梯度值,Z(xi,yj)为图像在第i行,第j列的灰度值,M为图像的总行数,N为图像总列数,i,j分别表示依次取的像素行列号,δ表示对函数求偏微分。
表1-表4列出了使用以上三种方法的融合结果客观评价数据,其中表1为BJ-1多光谱影像与SPOT5全色影像的融合实验结果,表2为SPOT-4多光谱影像与BJ-1全色影像的融合实验结果,表3为Landsat/TM5多光谱影像与BJ-1全色影像的融合实验结果,表4为HJ1A多光谱影像与SPOT5全色影像融合实验结果。可以看出,在信息增加量方面,本发明融合影像信息熵均为最佳,这说明该方法信息增加量最丰富。在空间细节融入度方面,本发明得到的融合结果平均梯度也远高于其它两种方法,这说明该方法细节信息丰富,清晰度高。在光谱保持能力方面,本发明得到相关系数和ERGAS指标略低于Modified IHS方法,均值指标均比其他两种融合方法高,这表明该方法光谱保持能力与Modified HIS融合方法相当,远高于Brovey融合方法。因此,总体来看,本发明在光谱信息损失较少的情况下,大大地提高了影像的空间细节融入度,性能最优。
表1不同融合方法定量评价列表(BJ-1多光谱&SPOT5全色)
表2不同融合方法定量评价列表(SPOT4多光谱&BJ-1全色)
表3不同融合方法定量评价列表(TM5多光谱&BJ-1全色)
表4不同融合方法定量评价列表(HJ1B多光谱&BJ-1全色)
说明书中描述的只是该发明的具体实施方式。虽然结合附图描述了本发明的实施方式,但是本领域内熟练的技术人员可以在所附权利要求的范围内作出各种变形或修改。
Claims (2)
1.一种遥感图像交叉融合方法,其特征在于包括以下步骤:
1)获取可用于交叉融合的卫星遥感全色影像和多光谱影像;
2)对全色影像和多光谱影像进行影像配准;
3)引入自适应权重系数β,根据不同传感器全色影像与多光谱影像的光谱范围差异对βi进行函数建模,从而得到多光谱各波段自适应权重系数值:
其中,βi为参与融合的多光谱影像i波段的自适应权重系数,Overlapi表示多光谱第i波段与参与融合的全色波段光谱范围重叠的部分,Δλpan表示全色波段的光谱范围,n为多光谱影像的波段数目;
4)引入自适应比例系数w,根据不同传感器全色影像与多光谱影像的光谱范围差异和光谱响应差异对w进行函数建模,结合图像的灰度均值求解w:
5)利用自适应权重系数β和自适应比例系数w重新构建Brovey融合公式,并利用改进的融合公式对遥感影像进行融合:
2.根据权利要求1所述的遥感图像交叉融合方法,其特征在于,获取可用于交叉融合的卫星遥感全色影像和多光谱影像时,要求选取的全色影像与多光谱影像有重叠覆盖区域,且全色影像光谱范围至少与多光谱影像的某两个波段光谱范围有重叠。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201218002154.6A CN112166692B (zh) | 2012-06-29 | 2012-06-29 | 一种遥感图像交叉融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201218002154.6A CN112166692B (zh) | 2012-06-29 | 2012-06-29 | 一种遥感图像交叉融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112166692B true CN112166692B (zh) | 2014-07-30 |
Family
ID=73856628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201218002154.6A Active CN112166692B (zh) | 2012-06-29 | 2012-06-29 | 一种遥感图像交叉融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112166692B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523497A (zh) * | 2018-10-30 | 2019-03-26 | 中国资源卫星应用中心 | 一种光学遥感影像融合方法 |
CN110533600A (zh) * | 2019-07-10 | 2019-12-03 | 宁波大学 | 一种同/异质遥感影像高保真广义空-谱融合方法 |
CN113454677A (zh) * | 2018-12-29 | 2021-09-28 | 长沙天仪空间科技研究院有限公司 | 一种遥感卫星系统 |
CN117253125A (zh) * | 2023-10-07 | 2023-12-19 | 珠江水利委员会珠江水利科学研究院 | 一种空-谱互注图像融合方法、系统及可读存储介质 |
-
2012
- 2012-06-29 CN CN201218002154.6A patent/CN112166692B/zh active Active
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523497A (zh) * | 2018-10-30 | 2019-03-26 | 中国资源卫星应用中心 | 一种光学遥感影像融合方法 |
CN113454677A (zh) * | 2018-12-29 | 2021-09-28 | 长沙天仪空间科技研究院有限公司 | 一种遥感卫星系统 |
CN110533600A (zh) * | 2019-07-10 | 2019-12-03 | 宁波大学 | 一种同/异质遥感影像高保真广义空-谱融合方法 |
CN110533600B (zh) * | 2019-07-10 | 2022-07-19 | 宁波大学 | 一种同/异质遥感影像高保真广义空-谱融合方法 |
CN117253125A (zh) * | 2023-10-07 | 2023-12-19 | 珠江水利委员会珠江水利科学研究院 | 一种空-谱互注图像融合方法、系统及可读存储介质 |
CN117253125B (zh) * | 2023-10-07 | 2024-03-22 | 珠江水利委员会珠江水利科学研究院 | 一种空-谱互注图像融合方法、系统及可读存储介质 |
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 | |
CN110378858B (zh) | 一种基于经验正交函数分解法的静止海洋水色卫星数据重构方法 | |
Song et al. | Spatiotemporal satellite image fusion through one-pair image learning | |
CN112560570B (zh) | 一种协同降尺度与数据融合的高分辨率地表温度估算方法 | |
González-Audícana et al. | A low computational-cost method to fuse IKONOS images using the spectral response function of its sensors | |
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 | |
Qu et al. | A dual-branch detail extraction network for hyperspectral pansharpening | |
CN110544212B (zh) | 基于层级特征融合的卷积神经网络高光谱图像锐化方法 | |
CN113763299B (zh) | 一种全色与多光谱图像融合方法、装置及其应用 | |
CN112166692B (zh) | 一种遥感图像交叉融合方法 | |
CN112991288A (zh) | 基于丰度图像锐化重构的高光谱遥感图像融合方法 | |
CN107958450B (zh) | 基于自适应高斯滤波的全色多光谱影像融合方法及系统 | |
Long et al. | Dual self-attention Swin transformer for hyperspectral image super-resolution | |
CN114820741B (zh) | 一种高光谱影像全波段超分重建方法 | |
CN111798394B (zh) | 一种基于多年时间序列数据的遥感图像云污染去除方法 | |
CN116630209A (zh) | 基于交叉混合注意力的sar与可见光图像融合方法 | |
CN116309136A (zh) | 一种基于sar先验知识引导的遥感影像云区重建方法 | |
CN107016641A (zh) | 一种基于改进比值变换的全色与高光谱图像融合方法 | |
Yang et al. | A sparse representation based pansharpening method | |
CN114387531B (zh) | 一种基于改进地理加权回归模型的地表温度降尺度方法 | |
CN116740524A (zh) | 多分支多尺度拉普拉斯渐进式遥感图像融合方法及系统 | |
CN117314811A (zh) | 基于混合模型的sar-光学图像融合方法 | |
CN111383203A (zh) | 基于分区域拟合的全色与多光谱遥感图像融合方法 | |
Ye et al. | An unsupervised SAR and optical image fusion network based on structure-texture decomposition | |
CN109840539B (zh) | 一种基于地块图斑的遥感时空数据融合方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR03 | Grant of secret patent right | ||
GRSP | Grant of secret patent right | ||
DC01 | Secret patent status has been lifted | ||
DC01 | Secret patent status has been lifted |