CN113112533B - 基于多分辨率分析的sar-多光谱-高光谱一体化融合方法 - Google Patents
基于多分辨率分析的sar-多光谱-高光谱一体化融合方法 Download PDFInfo
- Publication number
- CN113112533B CN113112533B CN202110403614.4A CN202110403614A CN113112533B CN 113112533 B CN113112533 B CN 113112533B CN 202110403614 A CN202110403614 A CN 202110403614A CN 113112533 B CN113112533 B CN 113112533B
- Authority
- CN
- China
- Prior art keywords
- image
- sar
- multispectral
- frequency
- fusion
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 14
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 67
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000003287 optical effect Effects 0.000 claims abstract description 11
- 230000010287 polarization Effects 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000002347 injection Methods 0.000 claims description 2
- 239000007924 injection Substances 0.000 claims description 2
- 150000001875 compounds Chemical class 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000003384 imaging method Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06T5/80—Geometric correction
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于多分辨率分析的SAR‑多光谱‑高光谱一体化融合方法，包括步骤：对多传感器数据集中的多光谱遥感影像进行预处理，将高光谱影像的坏波段去除，以避免高光谱影像中的畸变波段影响权重计算和最终融合的图像质量；将融合前高光谱影像(HS)、融合前SAR影像分别与融合前多光谱影像(MS)进行精确地理配准(影像配准)；将融合前SAR影像与光学影像进行矩匹配，所述矩匹配将融合前SAR影像的像元值映射到光学的像元值空间。本发明的有益效果是：本发明就高光谱影像与SAR影像的像素级融合，提出一种利用多光谱数据作为衔接，降低异质影像融合的困难性，可同时满足SAR‑多光谱‑高光谱影像的像素级融合。
Description
技术领域
本发明涉及遥感图像处理与应用领域，尤其包括一种SAR-多光谱-高光谱一体化的融合方法。
背景技术
遥感是利用传感器进行非接触性信息采集，通过解译区域的电磁波辐射或反射能量的变化，获取我们实际需要的各种信息，为人类认识宇宙世界提供了一个新的科技手段。遥感图像作为一种重要信息，广泛应用于生态、环境、生物学和地理信息等领域。
现阶段遥感发展速度迅猛，雷达、热红外、夜间灯光等多种传感器数据共存，为生产生活、科研提供了有力的支撑和保障。但当前的遥感应用大多基于单一数据源，未充分利用到多源传感器的综合信息。遥感传感器的类型、成像机制、采用的波段和信息记录方式的不同，会在遥感图像上表现出光谱、空间和时间分辨率上的差别。同一场景多源遥感图像观测的地物对象相同，成像机制和物理含义不同，会造成多源信息间的冗余性、互补性、差异性和协作性，进而多传感器遥感影像的像素级融合成为遥感研究领域的热点发展方向之一。图像融合是将同一研究区域的两景或更多经过几何配准的图像，通过一系列的融合算法集成，得到一个兼具多特征的单景图像。
多源多景遥感图像的融合能够综合利用不同来源获取的地物信息，做到更全面、针对性强、面向应用的对地观测。像素级的图像融合，是基于像元信息的基础层次融合，是视觉感受最直观的融合方法，但针对多源图像的融合由于像元所含信息的物理意义不同，会造成像元的物理意义丢失，造成部分信息的畸变。
相比于光学影像，合成孔径雷达(SAR)主动的成像方式受到的天气影响小且可以实现全天候作业。受制于较大的成像机理差异，多传感器影像的融合一般进行的是特征级和决策级的融合，虽然像素级的融合目前相对较少且SAR与高光谱光学影像的融合困难性较大，但却蕴藏着更大地融合潜力。
发明内容
本发明的目的是克服现有光学和SAR影像像素级融合技术中的不足，提供一种基于多分辨率分析的SAR-多光谱-高光谱一体化融合方法。
这种基于多分辨率分析的SAR-多光谱-高光谱一体化融合方法，包括以下步骤：
步骤1、首先，对多传感器数据集中的多光谱遥感影像进行预处理，将高光谱影像的坏波段去除，以避免高光谱影像中的畸变波段影响权重计算和最终融合的图像质量；在融合前对SAR影像进行预处理；分别得到融合前高光谱影像(HS)、融合前多光谱影像(MS)和融合前SAR影像；
步骤2、多光谱影像的空间分辨率与SAR影像的空间分辨率相近或者略低，为了减小高光谱数据和SAR数据之间配准的困难性，将融合前高光谱影像(HS)、融合前SAR影像分别与融合前多光谱影像(MS)进行精确地理配准(影像配准)，保证异质影像间的配准更具可靠性和鲁棒性；
步骤3、由于被动成像方式的光学遥感影像与主动成像方式的微波遥感影像间的成像机制差异，其像元值差距较大；需要将融合前SAR影像与光学影像进行矩匹配，所述矩匹配将融合前SAR影像的像元值映射到光学的像元值空间；
步骤4、将空间分辨率最低的高光谱影像(HS)参照SAR影像进行重采样，直到高光谱影像(HS)具有与SAR影像同样的像元栅格大小，得到重采样后的高光谱影像；若多光谱影像的空间分辨率与SAR影像的空间分辨率不相同，则重采样多光谱影像，直至多光谱影像与SAR影像的像元栅格大小相同；
步骤5、利用多分辨率分析的ATWT(多重小波)算法将多光谱遥感影像分解成一个低频部分和分别位于水平、垂直、对角线方向上的三个高频部分，并分别对多光谱影像和SAR影像进行N级分层，得到一系列高频子带，产生L个高频子图；ATWT(多重小波)算法提供了频域与空间的定位关系，分解产生的低频和高频成分分别体现着源图像的光谱信息和细节信息，可以较好地将SAR影像的纹理、极化特征考虑在内，最大程度上保留SAR影像的特征信息，使多传感器影像融合更具优越性和保真性；
L＝N×3(1+s) (1)
上式中，N表示进行了N级ATWT滤波的影像高频信息提取；s为SAR影像的数目，A为ATWT(多重小波)算法的卷积内核；L为高频子图的数量；
步骤6、将进行N级分层后的多光谱影像和SAR影像经逐级ATWT(多重小波)算法分解，得到多光谱影像和SAR影像两组数据初步融合的N层决策高频图像，高频成分反映着源图像的纹理、结构和边缘等空间细节；
步骤7、将N层决策高频图像根据多重小波重构进行合并，得到融合后的决策高频图像：
GF＝Atwt*{G1(d),G2(d)...,GN(d)} (6)
上式中，Atwt*表示多重小波重构运算；GN(d)表示第N级d方向上的决策高频图像；GF为多光谱影像与SAR影像初步融合后的决策高频图像；
步骤8、基于高光谱分辨率影像波段特点，计算波段间的相关性得到各波段权重，生成与高光谱分辨率影像各波段对应的权重矩阵：
上式中，高光谱分辨率影像波段总数为R；Hr(i,j)表示第r个波段坐标为(i,j)处的像元值；上述权重矩阵反映每个波段分配的高频信息量。
步骤9、考虑到异质影像信息之间的相关性和差异性问题，为避免造成融合后的决策高频图像的高频信息失真，在决策高频注入前对多光谱影像与SAR影像初步融合后的决策高频图像进行矩匹配，统一其均值和方差；
步骤10、按步骤8所得权重矩阵将多光谱影像与SAR影像初步融合后的决策高频图像信息注入到重采样后的高光谱分辨率影像中，得到兼具高光谱分辨率、高空间分辨率和SAR影像特征的一体化融合影像：
FHMS＝HSr+W×GF (8)
上式中，HSr表示重采样后的高光谱影像；W表示权重矩阵；GF表示多光谱影像与SAR影像初步融合后的决策高频图像；FHMS表示最终产生的一体化融合影像。
作为优选，步骤1中多光谱遥感影像融合前的预处理包括：辐射定标、FLASH大气校正、正射校正和几何校正；对SAR影像进行的预处理包括：辐射定标、多普勒地形矫正、热噪声去除、Lee滤波和图像分贝化；其中对SAR影像进行辐射定标处理时，将后向散射信号转换为有单位的后向散射系数，Lee滤波的主要作用是去除SAR影像的相干斑噪声。
作为优选，步骤2中将融合前高光谱影像(HS)、融合前SAR影像分别与融合前多光谱影像(MS)进行地理配准时，待融合的高光谱影像数据集、SAR影像数据集和多光谱影像数据集具有相同的地理区域和投影系统。
作为优选，步骤6具体包括如下步骤：
步骤6.1首先根据能量最大判断，分别决策产生水平、垂直和对角线方向上SAR影像不同极化方式间每一级别的最大高频信息，得到SAR影像多个极化方式中第N级单方向上的最大高频成分
上式中，N为第N级分割N＝1,2,3…10；MAX{.}为求最大值函数；
和
分别为SAR影像vv、hv、hh和vh极化方式的第N级同方向的高频成分。步骤6.2其次对逐级分解得到的多光谱影像的高频成分和SAR影像集中的最大高频成分
按照信息择优的原则进行融合，得到两组数据初步融合的N层决策高频图像；第N级多光谱影像集d方向上的高频成分与SAR影像集d方向上最大的高频成分按照下式(4)进行决策；按照信息择优原则进行判断，方向d为水平、垂直或对角线方向，则第N级d方向上的决策高频图像
表示为：
上式中，
为第N级SAR影像集d方向上最大的高频成分，
为第N级多光谱影像集d方向上的高频成分；T(d)为第N级多光谱影像d方向上的高频成分和SAR影像集d方向上最大的高频成分间的方差；c为方差约束常数。
作为优选，步骤6.1中按照能量最大原则产生SAR影像不同极化方式间每一层次同方向的最大高频信息。
作为优选，步骤6.2中按信息择优的原则对逐级分解得到的多光谱影像的高频成分和SAR影像集中的最大高频成分
进行融合
本发明的有益效果是：本发明就高光谱影像与SAR影像的像素级融合，提出一种利用多光谱数据作为衔接，降低异质影像融合的困难性，可同时满足SAR-多光谱-高光谱影像的像素级融合。
附图说明
图1为利用多分辨率分析的ATWT(多重小波)算法分解后的影像；
图2为本发明的流程图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
本发明基于MRA框架逐层提取SAR和多光谱影像的高频空间信息，经能量最大化和信息择优决策后按波段权重注入处理后的高光谱分辨率影像，一体化、高效能地生产兼具高光谱分辨率、高空间分辨率和SAR影像特征的高保真融合影像。
作为一种实施例，面向异质遥感图像融合的实际需求，如图2所示，提供一种基于多分辨率分析的SAR-多光谱-高光谱一体化融合方法。
本实施例采用的数据为现有的国产资源02D(ZY-02D)卫星高光谱数据和国际公开的Sentinel-2A MSI影像和C波段Sentinel-1A合成孔径雷达影像。本实施例采用计算机软件SNAP6.0、ENVI5.3和MATLAB2018a实现自动运行流程。以下结合图2详述多传感器影像集的一体化融合步骤。
步骤一、对数据集进行预处理。Sentinel-2A多光谱遥感影像，选取2、3、4和8四个空间分辨率为10m的波段，预处理主要包括辐射定标、FLASH大气校正、正射校正、几何校正等操作；国产ZY-02D高光谱影像空间分辨率为30m，在多光谱影像预处理流程化步骤的基础上做一个坏波段剔除，最终得到119个质量较好的波段；Sentinel-1A SAR影像选取的是IW模式的GRD产品，由于合成孔径雷达影像不同极化方式之间成像特点具有差异性，按极化方式分开处理，这里选用VV和VH极化方式，主要的融合前处理包括热噪声去除、辐射定标、多普勒地形矫正、Lee滤波和图像分贝化。其中选择Refined Lee滤波做SAR影像的相干斑噪声去除。为了方便后续的像元一对一运算，这里将雷达影像的像元大小重采样到10m。
步骤二、将国产ZY-02D高光谱影像与Sentinel-1A SAR影像分别与Sentinel-2A多光谱数据进行影像配准，基于ENVI5.3软件的多源影像配准流程化工具，加入人工辅助选点修正，最终将得到地理配准后的三组影像。配准精度对于影像的融合结果至关重要，这里配准精度小于0.6个像元，达到了亚像元级配准。
步骤三、由于被动成像方式的光学遥感影像与主动成像方式的SAR影像间的具有成像机制差异，将做完了预处理的Sentinel-1A SAR影像进行矩匹配，将SAR影像的像元值统一到Sentinel-2A多光谱影像像元空间。
步骤四、基于ENVI5.3软件利用三次卷积法将空间分辨率30m的ZY-02D高光谱影像改变为到10m的像元栅格大小，使高光谱影像与Sentinel-2A多光谱影像与Sentinel-1ASAR影像的像元栅格数一致。
步骤五、利用ATWT(多重小波)滤波分别对多光谱影像和SAR影像集进行3级分层，将各影像分解成一个低频部分和水平、垂直、对角线方向上的三个高频部分，分别得到3级分解后Sentinel-2A MSI的9个高频成分子带和Sentinel-1A SAR影像的两个极化方式的18个高频成分子带，共产生如图1所示的27个高频子图。
步骤六、对Sentinel-1A SAR影像的两个极化方式的18个高频成分子带，依据等级和方向按照高频信息最大化原则，选择两个极化方式里面高频信息较大的分量。
然后对3级分解后多光谱影像的高频子带图像与SAR影像相应的高频子带图像按照信息择优的原则进行初步融合，这里的方差约束系数设定为0.3。即Sentinel-2A多光谱影像的3层3个方向上的9个高频分量与对应层级、方向上的Sentinel-1A SAR影像的最大高频分量进行择优决策，最后得到一级、二级和三级的决策高频子图像。
步骤七、将三个级别的决策高频子图像利用多重小波重构进行合并，得到Sentinel-2A多光谱影像和Sentinel-1A SAR影像两个极化方式初步融合后的决策高频图像。
步骤八、计算国产ZY-02D高光谱影像波段间的相关性得到各个波段间的权重占比，生成与图像像元栅格一一对应的权重矩阵。
步骤九、将决策高频图像参考重采样之后的高光谱分辨率ZY-02D影像进行矩匹配，将决策高频图像的像元值规范化，防止噪点产生。
步骤十、按照权重占比将初步融合产生的决策高频信息注入到重采样后的ZY-02D高光谱分辨率影像中，得到兼具高光谱分辨率、高空间分辨率和SAR影像特征的一体化融合影像。
Claims (6)
1.一种基于多分辨率分析的SAR-多光谱-高光谱一体化融合方法，其特征在于，包括以下步骤：
步骤1、对多光谱遥感影像进行预处理，将高光谱影像的坏波段去除，对SAR影像进行预处理；分别得到融合前高光谱影像、融合前多光谱影像和融合前SAR影像；
步骤2、将融合前高光谱影像、融合前SAR影像分别与融合前多光谱影像进行地理配准；
步骤3、将融合前SAR影像与光学影像进行矩匹配，所述矩匹配将融合前SAR影像的像元值映射到光学的像元值空间；
步骤4、将空间分辨率最低的高光谱影像参照SAR影像进行重采样，直到高光谱影像具有与SAR影像同样的像元栅格大小，得到重采样后的高光谱影像；若多光谱影像的空间分辨率与SAR影像的空间分辨率不相同，则重采样多光谱影像，直至多光谱影像与SAR影像的像元栅格大小相同；
步骤5、利用ATWT算法将多光谱遥感影像分解成一个低频部分和分别位于水平、垂直、对角线方向上的三个高频部分，并分别对多光谱影像和SAR影像进行N级分层，得到高频子带，产生L个高频子图；
L＝N×3(1+s) (1)
上式中，N表示进行了N级ATWT滤波的影像高频信息提取；s为SAR影像的数目，A为ATWT算法的卷积内核；L为高频子图的数量；
步骤6、将进行N级分层后的多光谱影像和SAR影像经逐级ATWT算法分解，得到多光谱影像和SAR影像初步融合的N层决策高频图像；
步骤7、将N层决策高频图像根据多重小波重构进行合并，得到融合后的决策高频图像：
GF＝Atwt*{G1(d),G2(d)…,GN(d)} (6)
上式中，Atwt*表示多重小波重构运算；GN(d)表示第N级d方向上的决策高频图像；GF为多光谱影像与SAR影像初步融合后的决策高频图像；
步骤8、计算波段间的相关性得到各波段权重，生成与高光谱分辨率影像各波段对应的权重矩阵：
上式中，高光谱分辨率影像波段总数为R；Hr(i,j)表示第r个波段坐标为(i,j)处的像元值；
步骤9、在决策高频注入前对多光谱影像与SAR影像初步融合后的决策高频图像进行矩匹配，统一其均值和方差；
步骤10、按步骤8所得权重矩阵将多光谱影像与SAR影像初步融合后的决策高频图像信息注入到重采样后的高光谱分辨率影像中，得到兼具高光谱分辨率、高空间分辨率和SAR影像特征的一体化融合影像：
FHMS＝HSr+W×GF (8)
上式中，HSr表示重采样后的高光谱影像；W表示权重矩阵；GF表示多光谱影像与SAR影像初步融合后的决策高频图像；FHMS表示最终产生的一体化融合影像。
2.根据权利要求1所述基于多分辨率分析的SAR-多光谱-高光谱一体化融合方法，其特征在于，步骤1中多光谱遥感影像的预处理包括：辐射定标、FLASH大气校正、正射校正和几何校正；对SAR影像进行的预处理包括：辐射定标、多普勒地形矫正、热噪声去除、Lee滤波和图像分贝化；其中对SAR影像进行辐射定标处理时，将后向散射信号转换为有单位的后向散射系数。
3.根据权利要求1所述基于多分辨率分析的SAR-多光谱-高光谱一体化融合方法，其特征在于：步骤2中将融合前高光谱影像、融合前SAR影像分别与融合前多光谱影像进行地理配准时，待融合的高光谱影像数据集、SAR影像数据集和多光谱影像数据集具有相同的地理区域和投影系统。
4.根据权利要求1所述基于多分辨率分析的SAR-多光谱-高光谱一体化融合方法，其特征在于，步骤6具体包括如下步骤：
步骤6.1首先根据能量最大判断，分别决策产生水平、垂直和对角线方向SAR影像不同极化方式间每一级别的最大高频信息，得到SAR影像多个极化方式中第N级单方向上的最大高频成分
上式中，N为第N级分割N＝1,2,3…10；MAX{.}为求最大值函数；
和
分别为SAR影像vv、hv、hh和vh极化方式的第N级同方向的高频成分；
步骤6.2对逐级分解得到的多光谱影像的高频成分和SAR影像集中的最大高频成分
进行融合，得到初步融合的N层决策高频图像；第N级多光谱影像集d方向上的高频成分与SAR影像集d方向上最大的高频成分按照下式(4)进行决策；按照信息择优原则进行判断，方向d为水平、垂直或对角线方向，则第N级d方向上的决策高频图像
表示为：
上式中，
为第N级SAR影像集d方向上最大的高频成分，
为第N级多光谱影像集d方向上的高频成分；T(d)为第N级多光谱影像d方向上的高频成分和SAR影像集d方向上最大的高频成分间的方差；c为方差约束常数。
5.根据权利要求4所述基于多分辨率分析的SAR-多光谱-高光谱一体化融合方法，其特征在于：步骤6.1中按照能量最大原则产生SAR影像不同极化方式间每一层次同方向的最大高频信息。
6.根据权利要求4所述基于多分辨率分析的SAR-多光谱-高光谱一体化融合方法，其特征在于：步骤6.2中按信息择优的原则对逐级分解得到的多光谱影像的高频成分和SAR影像集中的最大高频成分
进行融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110403614.4A CN113112533B (zh) | 2021-04-15 | 2021-04-15 | 基于多分辨率分析的sar-多光谱-高光谱一体化融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110403614.4A CN113112533B (zh) | 2021-04-15 | 2021-04-15 | 基于多分辨率分析的sar-多光谱-高光谱一体化融合方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113112533A CN113112533A (zh) | 2021-07-13 |
| CN113112533B true CN113112533B (zh) | 2022-05-03 |
Family
ID=76717044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110403614.4A Active CN113112533B (zh) | 2021-04-15 | 2021-04-15 | 基于多分辨率分析的sar-多光谱-高光谱一体化融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113112533B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113591775B (zh) * | 2021-08-11 | 2022-08-02 | 武汉工程大学 | 一种结合高光谱特征的多光谱遥感影像特定地物提取方法 |
| CN115564808B (zh) * | 2022-09-01 | 2023-08-25 | 宁波大学 | 基于公共空-谱子空间的多分辨率高光谱/sar影像配准方法 |
| CN115564692B (zh) * | 2022-09-07 | 2023-12-05 | 宁波大学 | 顾及幅宽差异下的全色-多光谱-高光谱一体化融合方法 |
| CN117173584B (zh) * | 2023-08-02 | 2024-07-02 | 宁波大学 | 一种PolSAR与Pan影像融合的陆面小微水体提取方法与装置 |
| CN117474801B (zh) * | 2023-10-30 | 2024-05-07 | 安徽大学 | 一种融合时空频信息的非均匀遥感视频影像去雾方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886904A (zh) * | 2019-01-25 | 2019-06-14 | 北京市遥感信息研究所 | 一种sar图像与低分辨率多光谱图像融合方法及系统 |
| CN110097101A (zh) * | 2019-04-19 | 2019-08-06 | 大连海事大学 | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 |
| CN110751614A (zh) * | 2019-09-17 | 2020-02-04 | 宁波大学 | 基于低秩矩阵分解及导向滤波器的高光谱/多光谱影像融合方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11644589B2 (en) * | 2017-05-23 | 2023-05-09 | Schlumberger Technology Corporation | Analogue facilitated seismic data interpretation system |
-
2021
- 2021-04-15 CN CN202110403614.4A patent/CN113112533B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109886904A (zh) * | 2019-01-25 | 2019-06-14 | 北京市遥感信息研究所 | 一种sar图像与低分辨率多光谱图像融合方法及系统 |
| CN110097101A (zh) * | 2019-04-19 | 2019-08-06 | 大连海事大学 | 一种基于改进可靠性因子的遥感图像融合与海岸带分类方法 |
| CN110751614A (zh) * | 2019-09-17 | 2020-02-04 | 宁波大学 | 基于低秩矩阵分解及导向滤波器的高光谱/多光谱影像融合方法 |
Non-Patent Citations (2)
| Title |
|---|
| 《A Novel Multispectral, Panchromatic and SAR Data Fusion for Land Classification》;Pasquale Iervolino等;《 IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》;20191015;第12卷(第10期);全文 * |
| 《多源遥感图像融合发展现状与未来展望》;李树涛 等;《遥感学报》;20210131;第25卷(第1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113112533A (zh) | 2021-07-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113112533B (zh) | 基于多分辨率分析的sar-多光谱-高光谱一体化融合方法 | |
| CN111932457B (zh) | 遥感影像高时空融合处理算法及装置 | |
| Kulkarni et al. | Pixel level fusion techniques for SAR and optical images: A review | |
| CN111383192B (zh) | 一种融合sar的可见光遥感图像去雾方法 | |
| Shen et al. | Missing information reconstruction of remote sensing data: A technical review | |
| CN112130169B (zh) | 一种激光雷达数据和高光谱图像的点云级融合方法 | |
| CN106897707B (zh) | 基于多源中分的特征影像时间序列合成方法及装置 | |
| CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
| CN107610050B (zh) | 一种基于多源卫星数据的高时空分辨率陆表温度融合方法 | |
| CN101246545A (zh) | 一种光学遥感图像去云的泊松方法 | |
| CN103886559B (zh) | 一种光谱图像处理方法 | |
| CN111738916B (zh) | 一种基于统计学的遥感影像广义阴影光谱重建方法和系统 | |
| CN107273813A (zh) | 基于高分卫星遥感数据的地理空间要素提取系统 | |
| Long et al. | Dual self-attention Swin transformer for hyperspectral image super-resolution | |
| 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 | |
| CN111383203B (zh) | 基于分区域拟合的全色与多光谱遥感图像融合方法 | |
| CN118172499B (zh) | 一种基于资源三号遥感影像的建筑高度反演方法 | |
| Chen et al. | Leveraging Chinese GaoFen-7 imagery for high-resolution building height estimation in multiple cities | |
| CN118097426A (zh) | 一种夜间海域监测多模态数据识别方法、介质及系统 | |
| Cresson et al. | Comparison of convolutional neural networks for cloudy optical images reconstruction from single or multitemporal joint SAR and optical images | |
| CN112598590B (zh) | 基于深度学习的光学遥感时间序列影像重建方法及系统 | |
| CN106650673A (zh) | 城市制图方法及装置 | |
| CN109359264A (zh) | 一种基于modis的叶绿素产品降尺度方法及装置 | |
| CN113378924B (zh) | 一种基于空-谱特征联合的遥感影像监督分类方法 | |
| CN116563728A (zh) | 基于生成对抗网络的光学遥感影像去云雾方法和系统 |
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 |