CN112819909A - 基于低分辨率先验光谱图像区域分割的自适应编码方法 - Google Patents
基于低分辨率先验光谱图像区域分割的自适应编码方法 Download PDFInfo
- Publication number
- CN112819909A CN112819909A CN202110116351.9A CN202110116351A CN112819909A CN 112819909 A CN112819909 A CN 112819909A CN 202110116351 A CN202110116351 A CN 202110116351A CN 112819909 A CN112819909 A CN 112819909A
- Authority
- CN
- China
- Prior art keywords
- resolution
- low
- segmentation
- scene
- region
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种基于低分辨率先验光谱图像区域分割的自适应编码方法,包括利用压缩光谱成像系统加载快照式编码模板,获取场景的低分辨率场景信息;利用分割‑合并方法对低分辨率场景信息进行分割,获取低分辨率场景信息的分割结果;在低分辨率自适应编码框架下,利用所述分割结果生成基于区域的阈值矩阵,结合对原光谱图像的近似估计,生成基于区域的自适应编码矩阵;利用自适应编码矩阵对场景进行压缩观测,利用重构算法从压缩观测结果重建出场景的场景信息。本发明无需充足的高分辨率先验信息,所采用的分割方法挖掘了低分辨率场景信息的空间光谱相关性,以区域为单位生成自适应编码,相比传统编码方式,提高了重构光谱图像的质量。
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光谱图像区域分割的自适应编码方法。
背景技术
压缩感知光谱成像技术是一种利用压缩感知原理,在采集场景的空间光谱信息过程中通过各种技术手段实现压缩编码来获取场景少量或低分辨率信息,并通过重建过程再建场景的大量或高分辨率信息的技术。2007年,莱斯大学的Baraniuk等人首先将这一技术成功用于成像领域,制成单像素相机(Single Pixel Camera,SPC)。国外的杜克大学、亚利桑那大学、特拉华大学和国内的清华大学、北京理工大学、西安电子科技大学、中国科学院大学等研究机构的研究人员纷纷开展相关方法和技术的研究。压缩感知理论与计算成像技术的结合使传统光学成像技术焕发了新的活力,先后在医疗成像、雷达成像、遥感成像、高光谱成像等多个研究领域取得了突破性的成果。
自适应编码是压缩感知成像技术邻域一种根据场景先验知识,设计场景的观测矩阵、稀疏基、稀疏系数等的技术。这种技术旨在通过已知知识或其他技术手段获取先验知识,优化压缩成像过程中涉及编码的相关要素以期提高重构场景的图谱质量。
传统图像分割分为基于图像边缘的方法和基于图像区域的方法。前者依靠相邻像素间的不相似的特征,产生可以分割的边界。这种方法容易受到噪声和图像纹理变化的影响,从而在纹理变化显著的区域产生过分割的现象。后者主要依靠相邻区域的同质性或异质性,产生抗噪声的分割边界。这种方法容易在地物的边界产生分割误差,而且往往是一种欠分割的结果。根据两者的优缺点,学者们提出了混合的图像分割方法。
近年来,一种分割-合并(Segment-Merging)的方法被提出,该方法能利用基于边缘和基于区域这两种分割思想,以一种面向地理对象的方式分析分割目标的完整信息。其主要是利用基于边缘的分割方法,产生图像的初始分割;然后,利用基于区域的合并方法,进行后续的初始分割合并,是多尺度分割方法之一。能产生初始分割的算法有:基于支持向量基的算法、基于分水岭变换的算法、基于超像素的算法、基于分形网络演化的算法和基于均值漂移的算法等。设计初始分割合并的算法时,要考虑的两个关键因素是合并顺序(Merging Order,MO)和合并条件(Merging Criteria,MC)。合并顺序的判别规则可以从松到紧排列如下:适合,最适合,局部最适合和全局最适合。在设计区域合并算法时,既可以单独使用上述某一种规则,也可以联合若干种规则。
但是,无论如何进行分割的设计,传统的大多数压缩编码方法均需要充足的场景的高分辨率先验信息。
针对上述情况,有学者设计了利用场景低分辨率先验信息生成编码矩阵来进行场景重构,但是,经实践发现,此类设计未考虑先验信息谱间相关性的问题,导致重构的场景图像容易发生失真的情况,而通过设计固定编码模板的方法并不能很好地匹配应用场景,设计移动编码模板的方式难以与应用场景的光谱信息特征相匹配。
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光谱图像区域分割的自适应编码方法,以解决传统压缩编码方法通常需要场景高分辨率先验信息的不足,以及现有利用场景低分辨率先验信息生成编码矩阵来重构高光谱图像时出现的失真问题。
本发明采用的技术方案如下:
一种基于低分辨率先验光谱图像区域分割的自适应编码方法,包括:
A.利用压缩光谱成像系统加载快照式编码模板,获取场景的低分辨率场景信息;
B.利用针对低分辨率光谱图像设计的分割方法对低分辨率场景信息进行分割,获取低分辨率场景信息的分割结果;
C.在低分辨率自适应编码框架下,利用所述分割结果生成基于区域的阈值矩阵,结合对原光谱图像的近似估计,生成基于区域的自适应编码矩阵;
D.利用自适应编码矩阵对场景进行压缩观测,利用重构算法从压缩观测结果重建出场景的场景信息。
进一步的,所述快照式编码模板的各编码单元全部为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,在在快照式编码孔径的作用下,获得场景对应波段下的低分辨率光谱图像,各波段下的低分辨率光谱图像组合得到低分辨率场景信息。
进一步的,所述针对低分辨率光谱图像设计的分割方法为分割-合并类算法。
进一步的,所述步骤B包括:
采用具有边缘感知能力的分割算法获取低分辨率场景信息的初始分割结果;
根据设定的合并条件及合并顺序形成合并循环,对初始分割结果进行合并,在合并循环中产生最终的具有区域同质性的分割结果。
进一步的,所述对原光谱图像的近似估计,为依据低分辨率光谱图像在各波段的空间信息,使用插值法估计出与原场景图像分辨率相同的插值图像。
进一步的,所述低分辨率自适应编码框架为:
其中,sgn(·)代表符号操作数,代表区域的低分辨率场景信息中第j个元素,(mx,my)表示低分辨率光谱图像上的一点,阈值Λij是一个服从分布的随机阈值,其中为区域的均值,为区域的标准差,R代表空间维度采样时的压缩比例。
进一步的,所述在低分辨率自适应编码框架下,利用所述分割结果生成基于区域的阈值矩阵,包括:
对于经区域合并后标记相同的各区域所分别对应的原场景图像块Fsub(mx,my,λi),通过以下方法计算原场景图像块Fsub(mx,my,λi)的均值:
通过各波段下低分辨率光谱图像各区域内像素点的标准差估计所对应的原场景图像块Fsub(mx,my,λi)的标准差:
由此得到各原场景图像块的阈值分布:
根据各原场景图像块的阈值分布,计算出基于区域的阈值矩阵。
进一步的,所述基于区域的自适应编码矩阵为:
进一步的,所述重构算法为梯度投影算法、两步迭代收缩阈值算法、可分离近似法的稀疏重建算法中的一种。
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、本发明方法基于低分辨率空间光谱先验信息进行自适应编码设计,无需充足的高分辨率先验信息。并且,本发明无需增加额外探测器件,利用基于压缩感知原理光谱成像系统的结构特性,即可获取方法所需的低分辨率空间光谱先验信息。
2、本发明采用针对光谱图像的分割方法,挖掘低分辨率场景信息的空间光谱相关性,使得能够准确还原出高光谱图像。对比只采用单幅光谱图像信息的分割方法,这设计能为场景生成更合理的区域分割结果。
3、本发明针对低分辨率光谱图像分割结果,以区域为单位生成自适应编码矩阵,与应用场景匹配度更高,相比传统编码方法,该方法提高了重构光谱图像的质量。
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是低分辨率场景信息分割方法流程图。
图2是基于图1的自适应编码方法流程图。
图3是本发明方法与随机编码方法在不同观测次数的实施效果对比图。
图4是本发明方法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光谱图像区域分割的自适应编码方法,如图1、2所示,包括:
A.在一次光谱扫描对场景信息的成像过程中,利用压缩光谱成像系统(技术)加载快照式编码模板,获取场景的低分辨率场景信息,作为空间光谱先验信息。
假设原场景的空间光谱信息为F,在空间维度坐标为(x,y),光谱维度坐标为λi(假设场景的空间光谱信息包含波长为λ1,λ2,λ3,...,λi,...,λL的L个波段)处的场景信息为f(x,y,λi)。在理想光谱滤波器的波段选择下,只允许中心波长为λi的场景信息通过,则通过设置光谱滤波器的波段,可以得到各波段(λ1,λ2,λ3,...,λi,...,λL)的场景信息。
设计一种快照式编码模板,其特征在于其编码单元全部为1。压缩光谱成像系统逐一变换光谱滤波器的中心波长λi对场景的空间光谱信息进行滤波,在快照式编码孔径的作用下,获得场景对应波段下的低分辨率光谱图像,各波段下的低分辨率光谱图像组合得到低分辨率场景信息。
其中表示编码孔径第i行中第j列的元素,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,R代表原厂件空间维度的采样压缩比例。因为采用了单元全为1的快照式编码模板,所以低分辨率的场景图像可以看作是原场景信息的先降采样再加权,有:
假设场景信息图像大小与低分辨率图像大小相等,对应于低分辨率场景信息任意一像素点flow(mx,my,λi)的原场景图像块为Fsub(mx,my,λi)。
B.利用针对低分辨率光谱图像设计的分割方法对低分辨率场景信息进行分割,获取低分辨率场景信息的分割结果。在本发明实施例中,采用分割-合并类算法获取具有较强区域相似性的分割结果。
本发明实施例采用的分割方法,先采用具有边缘感知能力的分割算法,包括但不限于基于支持向量基的算法、基于分水岭变换的算法、基于超像素的算法等获取低分辨率场景信息的初始分割结果。再依据场景的特征选取恰当的合并条件,包括但不限于边缘相似性,颜色相似性,纹理相似性等。最后根据设定的合适的合并顺序-包括但不限于适合,最适合,局部最适合和全局最适合-形成合并循环对初始分割结果进行合并,在合并循环中产生最终的具有区域同质性的分割结果。
假设获得初始分割结果为Flow_seg,将隶属于不同分割区域的低分辨率像素点依据其特征分别标记为0,1,2,...,Nseg-1,共Nseg个,各分割区域使用相同的标记。标记为0的区域为边界区域。对于任意一个标记为k的同质性区域,其对应的空间坐标的集合为:
Rk={(mx,my)|Flow_seg(mx,my)=k} (3)
C.在低分辨率自适应编码框架下,利用上述区域分割结果生成基于区域的阈值矩阵,结合对原光谱图像的近似估计,生成基于区域的自适应编码矩阵。
采用一种通过阈值操作生成自适应编码框架:
其中,sgn(·)代表符号操作数,代表区域的低分辨率场景信息中第j个元素,阈值Λij是一个服从分布的随机阈值,其中为区域的均值,为区域的标准差,R代表空间维度采样时的压缩比例,这里假设场景信息在x和y维度上的压缩比例相等。
在光谱波段为λi时,假设原场景图像块Fsub(mx,my,λi)对应的压缩低分辨光谱图像经过区域合并之后的标记为k,依据以下公式可以估计原场景图像块的均值:
根据上述对区域同质性对灰度值变化影响的分析,Fsub(mx,my,λi)在λi时的标准差可以用低分辨率光谱图像Rk区域内像素点的标准差估计,其表达式如下:
这样,场景空间信息的子区域(原场景图像块)Fsub(mx,my,λi)的阈值分布为:
通过式(7)得到的各子区域的阈值分布,即可得到基于区域的阈值矩阵。
依据低分辨率光谱图像在λi时的空间信息,使用插值方法估计与原场景图像分辨率相同的插值图像flow_inp。依据公式(4)给出的自适应编码框架,带入通过式(7)估计的阈值矩阵和插值图像flow_inp,得到基于区域的自适应编码矩阵,其中原场景信息块(mx,my)中第i行中第j列的元素为:
在压缩光谱成像系统中,通常采用的编码器件无法直接实现具有负值的编码矩阵,为了便于上述设计的自适应编码矩阵在压缩感知的光谱计算成像系统中实现,做如下的等价转换:
D.利用自适应编码矩阵对场景进行压缩观测,利用重构算法从压缩观测结果重建出场景的场景信息。
如图2所示,在二次光谱扫描成像的过程中,生成的自适应编码模板代替常规的随机编码模板(原编码模板)完成对场景信息的压缩观测。最终得到场景的自适应压缩编码图像。选取合适的重构算法包括但不限于梯度投影算法(Gradient Projection for SparseReconstruction,GPSR),两步迭代收缩阈值算法(Two-Step Iterative Shrinkage/Thresholding,TwIST),可分离近似法的稀疏重建算法(Sparse Reconstruction bySeparable Approximation,SpaRSA)等即可重建出场景的空间光谱信息。
实施例二
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,以说明本发明提出的方法的有效性和优越性。
本实施例中,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。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(StructuralSimilarity,SSIM)作为算法的评价指标。
如图3所示为本发明提出的方法与传统随机编码方法在不同观测次数的实施效果对比图,图3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。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。
如图4所示为本发明提出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对比图,图4展示了观测次数为8次时,24个不同光谱波段在不同评价标准下的结果。图4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。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光谱图像区域分割的自适应编码方法,其特征在于,包括:
A.利用压缩光谱成像系统加载快照式编码模板,获取场景的低分辨率场景信息;
B.利用针对低分辨率光谱图像设计的分割方法对低分辨率场景信息进行分割,获取低分辨率场景信息的分割结果;
C.在低分辨率自适应编码框架下,利用所述分割结果生成基于区域的阈值矩阵,结合对原光谱图像的近似估计,生成基于区域的自适应编码矩阵;
D.利用自适应编码矩阵对场景进行压缩观测,利用重构算法从压缩观测结果重建出场景的场景信息。
2.如权利要求1所述的基于低分辨率先验光谱图像区域分割的自适应编码方法,其特征在于,所述快照式编码模板的各编码单元全部为1。
3.如权利要求1或2所述的基于低分辨率先验光谱图像区域分割的自适应编码方法,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,在快照式编码孔径的作用下,获得场景对应波段下的低分辨率光谱图像,各波段下的低分辨率光谱图像组合得到低分辨率场景信息。
4.如权利要求1所述的基于低分辨率先验光谱图像区域分割的自适应编码方法,其特征在于,所述针对低分辨率光谱图像设计的分割方法为分割-合并类算法。
5.如权利要求4所述的基于低分辨率先验光谱图像区域分割的自适应编码方法,其特征在于,所述步骤B包括:
采用具有边缘感知能力的分割算法获取低分辨率场景信息的初始分割结果;
根据设定的合并条件及合并顺序形成合并循环,对初始分割结果进行合并,在合并循环中产生最终的具有区域同质性的分割结果。
6.如权利要求1所述的基于低分辨率先验光谱图像区域分割的自适应编码方法,其特征在于,所述对原光谱图像的近似估计,为依据低分辨率光谱图像在各波段的空间信息,使用插值法估计出与原场景图像分辨率相同的插值图像。
10.如权利要求1所述的基于低分辨率先验光谱图像区域分割的自适应编码方法,其特征在于,所述重构算法为梯度投影算法、两步迭代收缩阈值算法、可分离近似法的稀疏重建算法中的一种。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110116351.9A CN112819909B (zh) | 2021-01-28 | 2021-01-28 | 基于低分辨率先验光谱图像区域分割的自适应编码方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110116351.9A CN112819909B (zh) | 2021-01-28 | 2021-01-28 | 基于低分辨率先验光谱图像区域分割的自适应编码方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112819909A true CN112819909A (zh) | 2021-05-18 |
CN112819909B CN112819909B (zh) | 2023-07-25 |
Family
ID=75859776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110116351.9A Active CN112819909B (zh) | 2021-01-28 | 2021-01-28 | 基于低分辨率先验光谱图像区域分割的自适应编码方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112819909B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952982A (zh) * | 2024-03-27 | 2024-04-30 | 国网山东省电力公司滨州市滨城区供电公司 | 一种光伏组件数量及容量检测方法、系统、终端及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1985514A (zh) * | 2004-07-13 | 2007-06-20 | 皇家飞利浦电子股份有限公司 | 空间和snr图像压缩的方法 |
US20140063314A1 (en) * | 2012-02-28 | 2014-03-06 | Aswin C Sankaranarayanan | System And Method Of Video Compressive Sensing For Spatial-Multiplexing Cameras |
CN106227015A (zh) * | 2016-07-11 | 2016-12-14 | 中国科学院深圳先进技术研究院 | 一种基于压缩感知理论的全息图像高分辨率重建方法及系统 |
CN106558018A (zh) * | 2015-09-25 | 2017-04-05 | 北京大学 | 基于构件分解的视频人脸幻构方法及装置 |
WO2018120329A1 (zh) * | 2016-12-28 | 2018-07-05 | 深圳市华星光电技术有限公司 | 基于稀疏域重构的单帧图像超分辨重建方法及装置 |
US20190272622A1 (en) * | 2018-03-01 | 2019-09-05 | Nvidia Corporation | Enhancing high-resolution images with data from low-resolution images |
-
2021
- 2021-01-28 CN CN202110116351.9A patent/CN112819909B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1985514A (zh) * | 2004-07-13 | 2007-06-20 | 皇家飞利浦电子股份有限公司 | 空间和snr图像压缩的方法 |
US20140063314A1 (en) * | 2012-02-28 | 2014-03-06 | Aswin C Sankaranarayanan | System And Method Of Video Compressive Sensing For Spatial-Multiplexing Cameras |
CN106558018A (zh) * | 2015-09-25 | 2017-04-05 | 北京大学 | 基于构件分解的视频人脸幻构方法及装置 |
CN106227015A (zh) * | 2016-07-11 | 2016-12-14 | 中国科学院深圳先进技术研究院 | 一种基于压缩感知理论的全息图像高分辨率重建方法及系统 |
WO2018120329A1 (zh) * | 2016-12-28 | 2018-07-05 | 深圳市华星光电技术有限公司 | 基于稀疏域重构的单帧图像超分辨重建方法及装置 |
US20190272622A1 (en) * | 2018-03-01 | 2019-09-05 | Nvidia Corporation | Enhancing high-resolution images with data from low-resolution images |
Non-Patent Citations (1)
Title |
---|
许廷发等: "多帧距离选通图像点扩散函数估计的超分辨率重建", 中国光学, vol. 9, no. 2, pages 226 - 233 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952982A (zh) * | 2024-03-27 | 2024-04-30 | 国网山东省电力公司滨州市滨城区供电公司 | 一种光伏组件数量及容量检测方法、系统、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112819909B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
CN111932457B (zh) | 遥感影像高时空融合处理算法及装置 | |
Han et al. | SSF-CNN: Spatial and spectral fusion with CNN for hyperspectral image super-resolution | |
Li et al. | Survey of single image super‐resolution reconstruction | |
Song et al. | Spatiotemporal satellite image fusion through one-pair image learning | |
Kumar et al. | Convolutional neural networks for wavelet domain super resolution | |
CN106920214B (zh) | 空间目标图像超分辨率重建方法 | |
CN104123705B (zh) | 一种超分辨率重建图像质量Contourlet域评价方法 | |
KR101723738B1 (ko) | 딕셔너리 학습 기반 해상도 향상 장치 및 방법 | |
Kato et al. | Multi-frame image super resolution based on sparse coding | |
CN110570440A (zh) | 一种基于深度学习边缘检测的图像自动分割方法及装置 | |
CN105550989A (zh) | 基于非局部高斯过程回归的图像超分辨方法 | |
Yang et al. | An efficient and high-quality pansharpening model based on conditional random fields | |
CN115496662A (zh) | 基于光谱信息融合的高阶张量光谱图像超分辨率重建方法 | |
Tang et al. | Combining sparse coding with structured output regression machine for single image super-resolution | |
CN111340697A (zh) | 一种基于聚类回归的图像超分辨方法 | |
CN112819909B (zh) | 基于低分辨率先验光谱图像区域分割的自适应编码方法 | |
Deng et al. | Multiple frame splicing and degradation learning for hyperspectral imagery super-resolution | |
CN114612315A (zh) | 一种基于多任务学习的高分辨率影像缺失区域重建方法 | |
CN109840539B (zh) | 一种基于地块图斑的遥感时空数据融合方法 | |
Guo et al. | Blind single-image-based thin cloud removal using a cloud perception integrated fast Fourier convolutional network | |
Yang et al. | Fast multisensor infrared image super-resolution scheme with multiple regression models | |
CN112837220A (zh) | 一种提高红外图像分辨率的方法及其用途 | |
Doshi et al. | Zoom based image super-resolution using DCT with LBP as characteristic model | |
CN109615584B (zh) | 一种基于单应性约束的sar图像序列map超分辨率重建方法 |
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 |