CN112802136A - 基于低分辨率先验信息互补编码的场景重建方法和系统 - Google Patents
基于低分辨率先验信息互补编码的场景重建方法和系统 Download PDFInfo
- Publication number
- CN112802136A CN112802136A CN202110116368.4A CN202110116368A CN112802136A CN 112802136 A CN112802136 A CN 112802136A CN 202110116368 A CN202110116368 A CN 202110116368A CN 112802136 A CN112802136 A CN 112802136A
- Authority
- CN
- China
- Prior art keywords
- information
- coding
- scene
- compressed
- complementary
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T9/00—Image coding
Abstract
本发明公开了一种基于低分辨率先验信息互补编码的场景重建方法和系统。过程包括利用压缩光谱成像系统分别加载快照式编码模板和随机编码模板对场景成像,获取场景的低分辨率光谱信息和压缩编码信息;根据场景的低分辨率光谱信息和压缩观测信息,获取场景的互补压缩编码信息;将场景的压缩观测信息与互补压缩编码信息作为约束项,加入重构场景的目标函数;根据设置的求解方法,求解目标函数,解出原始的场景信息。本发明在观测次数较少时,相比传统的随机编码方法,重构质量更好;对于不同光谱波段,相比传统的随机编码方法,重构图像的质量更稳定、更好。并且,本发明在重构过程中,互补编码信息作为额外的约束项,充分利用了低分辨率先验信息,提高了重构场景信息的质量。
Description
技术领域
本发明涉及压缩光谱成像技术领域,尤其是一种基于低分辨率先验信息互补编码的场景重建方法和系统。
背景技术
在科研和实际应用中,学者们和技术人员都渴望有一种理论或技术能在现有的高光谱成像理论和系统的基础上做更进一步的改进,以获得更高的光谱分辨率或空间分辨率并同时兼顾数据采集和传输问题。压缩感知理论的出现,给解决这一类问题提供了新的理论指导。压缩感知理论(Compressive Sampling or Compressed Sensing,CS)能够从远少于传统采样的观测值数量中恢复出完整的原始信号,为高维数据的获取提供了一种更加经济的新方法。它可以应用到一维的光谱数据采集,从较少的光谱观测值恢复出远多于观测值的光谱观测点,可以解决光谱分辨率不足的问题;进一步推广到二维图像应用,可以从图像的角度以较少的采样点多次观测图像,提高空间分辨率的同时突破探测器的制造技术或者成本限制;在三维数据的储存和传输阶段,利用高光谱数据的冗余度高,可压缩性好的特点,可直接储存原始数据,再利用压缩感知方法压缩需要传输的数据,或者直接获取压缩后的空间或光谱数据进行储存或者传输,再在其他处理阶段利用相应算法恢复原始数据。在过去的十多年里,压缩感知理论已经多次被应用在了光谱成像领域,例如编码孔径快照光谱成像仪(Coded Aperture Snapshot Spectral Imager,CASSI),压缩高光谱成像仪(Compressive Sensing Hyperspectral Imager),利用空谱编码的压缩高光谱成像系统(Compressive Hyperspectral Imaging System by Spectral and Spatial operators,CHISSS)等等。
设计观测矩阵的常见方法有3类,一种是的利用最小化相干准则的测量矩阵设计方法,这些设计方法来源于对RIP(restricted isometryproperty)准则某种等价转化;一种时利用通讯编码技术构造编码矩阵,常见的有正交光编码、BCH编码、LDPC编码;还有一种是结合压缩编码成像系统结构的编码矩阵设计,常见的有2016年特拉华大学提出的彩色编码模板,2017年提出的旋转编码模板,2020年北京理工大学提出的彩色相机获取高分辨率图像辅助编码模板设计。
就目前应用最广的传统编码方法而言,传统随机编码方法在观测次数较低时,存在重构光谱图像质量不佳的问题;传统随机编码方法,在不同光谱波段的重构光谱图像存在重构质量不稳定,波动较强的问题;基于低分辨率先验信息的编码方法,存在对低分辨率信息利用不足的问题。
发明内容
本发明的发明目的在于:针对上述存在的问题,提供一种基于低分辨率先验信息互补编码的场景重建方法,以解决在观测次数较少时,利用随机编码方法重构质量不佳的问题,以及利用低分辨率先验信息编码方法重构时,对场景低分辨率先验信息利用不充分的问题。
本发明采用的技术方案如下:
一种基于低分辨率先验信息互补编码的场景重建方法,包括:
A.利用压缩光谱成像系统分别加载快照式编码模板和随机编码模板对场景成像,获取场景的低分辨率光谱信息和压缩编码信息;
B.根据场景的低分辨率光谱信息和压缩观测信息,获取场景的互补压缩编码信息;
C.将场景的压缩观测信息与互补压缩编码信息作为约束项,加入重构场景的目标函数;根据设置的求解方法,求解目标函数,解出原始的场景信息。
进一步的,所述快照式编码模板各编码单元均为1。
进一步的,所述步骤A包括:
压缩光谱成像系统逐一变换光谱滤波器的中心波长对场景的空间光谱信息进行滤波,在快照式编码孔径和随机编码模板的作用下,分别对各波段下的空间光谱图像进行成像,对成像结果分别进行组合得到对应的低分辨率场景信息和压缩观测信息。
进一步的,所述步骤B包括:
根据快照式编码模板和随机编码模板,计算出互补编码模板;
利用互补编码模板分别对各波段下的空间光谱图像进行成像,对成像结果进行组合得到互补压缩编码信息。
进一步的,利用所述快照式编码模板和所述随机编码模板作差,计算出所述互补编码模板。
进一步的,所述步骤B包括:
将所述低分辨率光谱信息和所述压缩编码信息作差,得到所述互补压缩编码信息。
进一步的,所述步骤C包括:
将压缩观测信息和互补压缩编码信息写入重构场景的目标函数;
根据设置的求解方法,求解目标函数;
根据对目标函数的求解结果,遍历求解探测器平面上接受到的所有像素点的压缩观测值,得到原始的场景信息。
为解决上述全部或部分问题,本发明还提供了一种基于低分辨率先验信息互补编码的场景重建系统,包括:
压缩单元,被配置为:利用压缩光谱成像系统分别加载快照式编码模板和随机编码模板成像对场景成像,获取对应的场景的低分辨率光谱信息和压缩编码信息;
互补压缩编码单元,被配置为:根据场景的低分辨率光谱信息和压缩观测信息,获取场景的互补压缩编码信息;
原始场景重建单元,被配置为:将场景的压缩观测信息与互补压缩编码信息作为约束项,加入重构场景的目标函数;根据设置的求解方法,求解目标函数,解出原始的场景信息。
进一步的,所述快照式编码模板各编码单元均为1。
进一步的,所述互补压缩编码信息为所述低分辨率光谱信息和所述压缩观测信息的差值。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明在观测次数较少时,相比传统的随机编码方法,重构质量更好。
2、本发明对于不同光谱波段,相比传统的随机编码方法,重构图像的质量更稳定、更好。
3、本发明充分利用了场景的低分辨率先验信息,使其辅助生成了互补编码信息,包含了场景的更多潜在特征。在重构过程中,互补编码信息作为额外的约束项,提高了重构场景信息的质量。
附图说明
本发明将通过例子并参照附图的方式说明,其中:
图1是基于低分辨率先验信息互补编码的场景重建方法流程图。
图2是本发明与随机编码方法在不同观测次数的实施效果对比图。
图3是本发明与随机编码方法在不同光谱波段的实施效果对比图。
具体实施方式
本说明书中公开的所有特征,或公开的所有方法或过程中的步骤,除了互相排斥的特征和/或步骤以外,均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要)中公开的任一特征,除非特别叙述,均可被其他等效或具有类似目的的替代特征加以替换。即,除非特别叙述,每个特征只是一系列等效或类似特征中的一个例子而已。
实施例一
一种基于低分辨率先验信息互补编码的场景重建方法,如图1所示,包括:
A.在一次光谱扫描对场景的成像过程中,利用压缩光谱成像系统(技术)分别加载快照式编码模板和随机编码模板,获取场景的低分辨率光谱信息(对应快照式编码模板)和压缩编码信息(对应随机编码模板)。
场景的空间光谱信息包含L个波段,假设L个波段对应的中心波长分别为λ1λ2…λi…λL。场景的空间光谱信息通过光谱滤波器,光谱滤波器根据设定的中心波长,仅允许相应波段的场景信息通过,压缩光谱成像系统通过逐次调节光谱滤波器的中心波长,分别得到各波段下的空间光谱图像。
设计一种快照式编码模板,该快照式编码模板的各编码单元全部为1。利用压缩光谱成像系统加载快照式编码模板和随机编码模板,对各波段下的空间光谱图像进行成像,对应得到低分辨率光谱图像和压缩观测图像,进行组合即可对应得到场景的低分辨率场景信息和压缩观测信息。选取任意K个随机编码模板对场景信息编码,利用探测器采集编码后的图像,以探测器上任意一点(mx,my)以及它对应的编码模板区域为例,当使用快照式编码模板和随机编码模板时,接收到的低分辨率场景信息和压缩观测信息分别为:
其中,公式中的表示与低分辨率场景信息对应的区域中快照式编码孔径第i行中第j列的元素,i,j=1,2,....,R,R代表空间维度的压缩比例,这里假设场景信息在x和y维度上的压缩比例相等。表示光谱波段为λi时,相对空间位置(x,y)处的场景图像的光谱密度。表示当光谱滤波器中心波长为λi,在第k次随机编码中,编码模板区域中随机编码模板的第i行中第j列的元素,i,j=1,2,....,R。
B.根据场景的低分辨率光谱信息和压缩观测信息,生成场景的互补压缩编码信息。
因为快照式编码孔径有Φsnap=onesR·R,其中,ones代表元素全为1的矩阵。故假设针对中心波长为λi、点(mx,my)对应的第k个编码孔径中,有g个非零编码孔径(为方便表示,假设为),公式(1),公式(2)可进一步表示为:
观察公式(3)和(4)可以发现,由随机编码模板获取的场景信息的压缩观测信息,是由快照式编码模板获取的低分辨率光谱信息的一个子集。
因此,本实施例定义了一种互补编码模板:
C.将场景的压缩观测信息与互补压缩编码信息作为约束项,加入重构场景的目标函数。根据设置的求解方法,求解目标函数,解出原始的场景信息。
通过公式(5)和(6)为每一次随机编码结果生成一次对应的互补编码结果,将获得的互补压缩编码信息作为重构原始场景过程中的辅助信息。结合公式(2)获取的压缩观测信息,互补编码过程中重建场景信息的目标函数可以表示如下:
使用设置的求解方法-包括但不限于梯度投影算法(Gradient Projection forSparse Reconstruction,GPSR),两步迭代收缩阈值算法(Two-Step IterativeShrinkage/Thresholding,TwIST),可分离近似法的稀疏重建算法(SparseReconstruction by Separable Approximation,SpaRSA)等中的一种-求解出式(7)中的目标函数。
根据对目标函数的求解结果,遍历求解探测器平面上接收到的所有像素点的压缩观测值,即得到全部原始场景的空间光谱数据F(即场景信息):
实施例二
本实施例公开了一种基于低分辨率先验信息互补编码的场景重建系统,包括:
压缩单元,被配置为:对场景的光谱扫描利用压缩光谱成像系统(技术)分别加载快照式编码模板和随机编码模板成像,获取对应的场景的低分辨率光谱信息(对应快照式编码模板)和压缩编码信息(对应随机编码模板)。
场景的空间光谱信息包含L个波段,假设L个波段对应的中心波长分别为λ1λ2…λi…λL。场景的空间光谱信息通过光谱滤波器,光谱滤波器根据设定的中心波长,仅允许相应波段的场景信息通过,通过逐次调节光谱滤波器的中心波长,分别得到各波段下的空间光谱图像。
设计了一种快照式编码模板,该快照式编码模板的各编码单元全部为1。利用压缩光谱成像系统加载快照式编码模板和随机编码模板,对各波段下的空间光谱图像进行成像,对应得到场景的低分辨率场景信息和压缩观测信息。选取任意K个随机编码模板对场景信息编码,利用探测器采集编码后的图像,以探测器上任意一点(mx,my)以及它对应的编码模板区域为例,当使用快照式编码模板和随机编码模板时,接收到的低分辨率场景信息和压缩观测信息分别为:
其中,公式中的表示与低分辨率场景信息对应的区域中快照式编码孔径第i行中第j列的元素,i,j=1,2,....,R,R代表空间维度的压缩比例,这里假设场景信息在x和y维度上的压缩比例相等。表示光谱波段为λi时,相对空间位置(x,y)处的场景图像的光谱密度。表示当光谱滤波器中心波长为λi,在第k次随机编码中,编码模板区域中随机编码模板的第i行中第j列的元素,i,j=1,2,....,R。
互补压缩编码单元,被配置为:根据场景的低分辨率光谱信息和压缩观测信息,生成场景的互补压缩编码信息。
因为快照式编码孔径有Φsnap=onesR·R,其中,ones代表元素全为1的矩阵。故假设针对中心波长为λi、点(mx,my)对应的第k个编码孔径中,有g个非零编码孔径(为方便表示,假设为),公式(1),公式(2)可进一步表示为:
观察公式(3)和(4)可以发现,由随机编码模板获取的场景信息的压缩观测信息,是由快照式编码模板获取的低分辨率光谱信息的一个子集。
因此,互补压缩编码单元定义了一种互补编码模板:
原始场景重建单元,被配置为:将场景的压缩观测信息与互补压缩编码信息作为约束项,加入重构场景的目标函数。根据设置的求解方法,求解目标函数,解出原始的场景信息。
通过公式(5)和(6)为每一次随机编码结果生成一次对应的互补编码结果,将获得的互补压缩编码信息作为重构过程中的辅助信息。结合公式(2)获取的压缩观测信息,互补编码过程中重建场景信息的目标函数可以表示如下:
使用设置的求解方法-包括但不限于梯度投影算法(Gradient Projection forSparse Reconstruction,GPSR),两步迭代收缩阈值算法(Two-Step IterativeShrinkage/Thresholding,TwIST),可分离近似法的稀疏重建算法(SparseReconstruction by Separable Approximation,SpaRSA)等中的一种-求解出式(7)中的目标函数。
遍历求解探测器平面上接收到的所有像素点的压缩观测值,即得到全部原始场景的空间光谱数据F(即场景信息):
实施例三
本实施例选取压缩光谱成像领域适用范围较广且具有公信力的随机编码方法作为对比方法,通过仿真实验对比其与本专利提出的方法的性能,说明本发明提出方法的有效性和优越性。本实施例选取美国特拉华大学公开的光谱数据作为实验数据,其在可见光范围具有24个光谱波段,空间分辨率为256*256。选取Matlab 2020a为仿真实验平台。选取梯度投影算法(Gradient Projection for Sparse Reconstruction,GPSR)作为求解目标函数的工具。以峰值信噪比(Peak Signal to Noise Ratio,PSNR)和结构相似性(Structural Similarity,SSIM)作为算法的评价指标。
本发明所述的方法与传统随机编码方法在不同观测次数的实施效果比较如图2所示。图2中子图(1)展示了这两方法在不同观测次数时,PSNR评价指标下的优劣。可以看出,本专利提出的方法较随机编码方法总体性能更好;在观测次数较少时,有更明显的优势。图2中子图(2)展示了这两方法在不同观测次数时,SSIM评价指标下的优劣。可以看出,本专利提出的方法较随机编码方法总体性能更好;当观测次数较少时,有更明显的优势。
本发明所述的方法与传统随机编码方法在不同光谱波段时的实施效果比较如图3所示。图3中子图(1)展示了这两方法在不同光谱波段时,PSNR评价指标下的优劣。可以看出,本专利提出的方法较随机编码方法总体性能更好、更稳定。图3中子图(2)展示了这两方法在不同光谱波段时,SSIM评价指标下的优劣。可以看出,本专利提出的方法较随机编码方法同样总体性能更好、更稳定。
本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合,以及披露的任一新的方法或过程的步骤或任何新的组合。
Claims (10)
1.一种基于低分辨率先验信息互补编码的场景重建方法,其特征在于,包括:
A.利用压缩光谱成像系统分别加载快照式编码模板和随机编码模板对场景成像,获取场景的低分辨率光谱信息和压缩编码信息;
B.根据场景的低分辨率光谱信息和压缩观测信息,获取场景的互补压缩编码信息;
C.将场景的压缩观测信息与互补压缩编码信息作为约束项,加入重构场景的目标函数;根据设置的求解方法,求解目标函数,解出原始的场景信息。
2.如权利要求1所述的基于低分辨率先验信息互补编码的场景重建方法,其特征在于,所述快照式编码模板各编码单元均为1。
3.如权利要求1或2所述的基于低分辨率先验信息互补编码的场景重建方法,其特征在于,所述步骤A包括:
压缩光谱成像系统逐一变换光谱滤波器的中心波长对场景的空间光谱信息进行滤波,在快照式编码孔径和随机编码模板的作用下,分别对各波段下的空间光谱图像进行成像,对成像结果分别进行组合得到对应的低分辨率场景信息和压缩观测信息。
4.如权利要求1或2所述的基于低分辨率先验信息互补编码的场景重建方法,其特征在于,所述步骤B包括:
根据快照式编码模板和随机编码模板,计算出互补编码模板;
利用互补编码模板分别对各波段下的空间光谱图像进行成像,对成像结果进行组合得到互补压缩编码信息。
5.如权利要求4所述的基于低分辨率先验信息互补编码的场景重建方法,其特征在于,利用所述快照式编码模板和所述随机编码模板作差,计算出所述互补编码模板。
6.如权利要求1所述的基于低分辨率先验信息互补编码的场景重建方法,其特征在于,所述步骤B包括:
将所述低分辨率光谱信息和所述压缩编码信息作差,得到所述互补压缩编码信息。
7.如权利要求1所述的基于低分辨率先验信息互补编码的场景重建方法,其特征在于,所述步骤C包括:
将压缩观测信息和互补压缩编码信息写入重构场景的目标函数;
根据设置的求解方法,求解目标函数;
根据对目标函数的求解结果,遍历求解探测器平面上接受到的所有像素点的压缩观测值,得到原始的场景信息。
8.一种基于低分辨率先验信息互补编码的场景重建系统,其特征在于,包括:
压缩单元,被配置为:利用压缩光谱成像系统分别加载快照式编码模板和随机编码模板成像对场景成像,获取对应的场景的低分辨率光谱信息和压缩编码信息;
互补压缩编码单元,被配置为:根据场景的低分辨率光谱信息和压缩观测信息,获取场景的互补压缩编码信息;
原始场景重建单元,被配置为:将场景的压缩观测信息与互补压缩编码信息作为约束项,加入重构场景的目标函数;根据设置的求解方法,求解目标函数,解出原始的场景信息。
9.如权利要求8所述的基于低分辨率先验信息互补编码的场景重建系统,其特征在于,所述快照式编码模板各编码单元均为1。
10.如权利要求9所述的基于低分辨率先验信息互补编码的场景重建系统,其特征在于,所述互补压缩编码信息为所述低分辨率光谱信息和所述压缩观测信息的差值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110116368.4A CN112802136B (zh) | 2021-01-28 | 2021-01-28 | 基于低分辨率先验信息互补编码的场景重建方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110116368.4A CN112802136B (zh) | 2021-01-28 | 2021-01-28 | 基于低分辨率先验信息互补编码的场景重建方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112802136A true CN112802136A (zh) | 2021-05-14 |
CN112802136B CN112802136B (zh) | 2022-11-15 |
Family
ID=75812445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110116368.4A Active CN112802136B (zh) | 2021-01-28 | 2021-01-28 | 基于低分辨率先验信息互补编码的场景重建方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112802136B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103983355A (zh) * | 2014-05-27 | 2014-08-13 | 西安电子科技大学 | 基于全色成像的压缩光谱成像系统及成像方法 |
CN105758524A (zh) * | 2016-03-29 | 2016-07-13 | 西安电子科技大学 | 基于全通单模板互补采样的光谱相机及成像方法 |
CN106441577A (zh) * | 2016-09-27 | 2017-02-22 | 北京理工大学 | 基于随机投影的协同编码高光谱成像系统及图像重构方法 |
CN107560735A (zh) * | 2017-09-07 | 2018-01-09 | 西安电子科技大学 | 基于压缩感知的高分辨率红外成像系统及方法 |
CN109682476A (zh) * | 2019-02-01 | 2019-04-26 | 北京理工大学 | 一种利用自适应编码孔径进行压缩高光谱成像的方法 |
-
2021
- 2021-01-28 CN CN202110116368.4A patent/CN112802136B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103983355A (zh) * | 2014-05-27 | 2014-08-13 | 西安电子科技大学 | 基于全色成像的压缩光谱成像系统及成像方法 |
CN105758524A (zh) * | 2016-03-29 | 2016-07-13 | 西安电子科技大学 | 基于全通单模板互补采样的光谱相机及成像方法 |
CN106441577A (zh) * | 2016-09-27 | 2017-02-22 | 北京理工大学 | 基于随机投影的协同编码高光谱成像系统及图像重构方法 |
CN107560735A (zh) * | 2017-09-07 | 2018-01-09 | 西安电子科技大学 | 基于压缩感知的高分辨率红外成像系统及方法 |
CN109682476A (zh) * | 2019-02-01 | 2019-04-26 | 北京理工大学 | 一种利用自适应编码孔径进行压缩高光谱成像的方法 |
Non-Patent Citations (2)
Title |
---|
CHANG XU 等: "Super-resolution compressive spectral imaging via two-tone adaptive coding", 《PHOTONICS RESEARCH》 * |
林耀海: "压缩编码的计算光谱成像方法研究", 《中国博士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112802136B (zh) | 2022-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fu et al. | Exploiting spectral-spatial correlation for coded hyperspectral image restoration | |
Yang et al. | Compressive hyperspectral imaging via sparse tensor and nonlinear compressed sensing | |
US8948540B2 (en) | Optimized orthonormal system and method for reducing dimensionality of hyperspectral images | |
Peng et al. | Residual pixel attention network for spectral reconstruction from RGB images | |
Qian et al. | Fast three-dimensional data compression of hyperspectral imagery using vector quantization with spectral-feature-based binary coding | |
Zheng et al. | Separable-spectral convolution and inception network for hyperspectral image super-resolution | |
CN114266957A (zh) | 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法 | |
CN109682476B (zh) | 一种利用自适应编码孔径进行压缩高光谱成像的方法 | |
CN115307733A (zh) | 一种空间维编码光谱偏振一体化成像系统及其设计方法 | |
Fan et al. | Global sensing and measurements reuse for image compressed sensing | |
CN112802136B (zh) | 基于低分辨率先验信息互补编码的场景重建方法和系统 | |
Fuchs et al. | Hyspecnet-11k: A large-scale hyperspectral dataset for benchmarking learning-based hyperspectral image compression methods | |
Geng et al. | Spatial constrained hyperspectral reconstruction from RGB inputs using dictionary representation | |
Majumdar et al. | Non-convex group sparsity: Application to color imaging | |
CN108801457B (zh) | 基于编码采样板设计以及二次能量约束校正的三维图谱获取及重建方法 | |
CN106101732A (zh) | 快速压缩高光谱信号的矢量量化方案 | |
Kaarna et al. | Multispectral image compression | |
Ali et al. | Lossy hyperspectral image compression based on intraband prediction and inter-band fractal | |
CN112989593A (zh) | 基于双相机的高光谱低秩张量融合计算成像方法 | |
Gashnikov | Decision-Tree-Based Interpolation for Multidimensional Signal Compression | |
Li et al. | Cross-Attention-Based Common and Unique Feature Extraction for Pan-sharpening | |
Kapah et al. | Hyper-Spectral Image Compression By Joint Spatial Spectral Dimension Reduction Using Thresholded Principal Component Analysis | |
Liu et al. | Pan-sharpening with multi-scale wavelet dictionary | |
Yongfeng et al. | Hyperspectral image super-resolution algorithm via sparse representation based on spectral similarity | |
CN110636307B (zh) | 基于Gabor滤波器的确定性图像编码方法 |
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 |