CN113269684A - 基于单张rgb图像和非监督学习的高光谱图像复原方法 - Google Patents
基于单张rgb图像和非监督学习的高光谱图像复原方法 Download PDFInfo
- Publication number
- CN113269684A CN113269684A CN202110450105.7A CN202110450105A CN113269684A CN 113269684 A CN113269684 A CN 113269684A CN 202110450105 A CN202110450105 A CN 202110450105A CN 113269684 A CN113269684 A CN 113269684A
- Authority
- CN
- China
- Prior art keywords
- image data
- hyperspectral image
- hyperspectral
- rgb image
- loss
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000003595 spectral effect Effects 0.000 claims abstract description 24
- 230000004044 response Effects 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 230000006870 function Effects 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000011160 research Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于单张RGB图像和非监督学习的高光谱图像复原方法,包括如下步骤:A)获取同一区域内的高光谱图像数据和RGB图像数据,研究高光谱图像数据的统计属性、相邻波段的光谱响应差、不同波段间的结构相似性以及高光谱图像数据与RGB图像数据间的相关性;B)依据高光谱图像数据的统计属性、相邻波段的光谱响应差、不同波段间的结构相似性以及高光谱图像数据与RGB图像数据之间相关性设计损失函数,以能够以无监督的方式训练深度卷积神经网络,从而得到高光谱图像数据与RGB图像数据间的非线性映射关系;C)根据该非线性映射关系利用RGB图像数据复原高光谱图像数据。本发明能够实现利用单张RGB图像复原高光谱图像,实用性高。
Description
技术领域
本发明涉及图像复原方法,具体涉及一种基于单张RGB图像和非监督学习的高光谱图像复原方法。
背景技术
高光谱成像现已广泛应用于遥感,环境监测,异常检测和计算机视觉任务中,例如物体识别,分类和跟踪。
但由于高光谱成像设备的局限性,高光谱的成像分辨率经常遭受空间、光谱或时间的不利影响而下降。
现有技术中的基于深度学习的方法多是在RGB(红绿蓝色彩模式)图像和相应的高光谱图像的可用性下以有监督的方式学习的,这需要具有足够的先验知识,并对先验知识进行人工标注,因而工作量庞大,学习成本高,且对于实际应用来说不具备良好的实用性与便利性。
有鉴于此需要提供一种基于单张RGB图像和非监督学习的高光谱图像复原方法。
发明内容
本发明所要提供的是一种基于单张RGB图像和非监督学习的高光谱图像复原方法,其能够实现利用单张RGB图像复原高光谱图像,且实用性高。
为实现以上发明目的,本发明提供一种基于单张RGB图像和非监督学习的高光谱图像复原方法,包括如下步骤:A)获取高光谱图像数据集中同一研究区域内的高光谱图像数据以及RGB图像数据,以研究所述高光谱图像数据的统计属性、相邻波段的光谱响应差和不同波段之间的结构相似性、以及所述高光谱图像数据与所述RGB图像数据之间的相关性;B)依据所述高光谱图像数据的所述统计属性、所述相邻波段的光谱响应差和所述不同波段之间的结构相似性,以及所述高光谱图像数据与所述RGB图像数据之间相关性设计损失函数,以能够以无监督的方式训练深度卷积神经网络,从而得到所述高光谱图像数据与所述RGB图像数据之间的非线性映射关系;C)根据所述高光谱图像数据与所述RGB图像数据之间的非线性映射关系利用所述RGB图像数据复原所述高光谱图像数据。
具体地,所述步骤A)中,同一研究区域内的所述RGB图像数据和多组所述高光谱图像数据之间的所述统计属性Ic(u,v)表示为:
其中,(u,v)表示空间坐标,H(u,v,i)表示i波段的所述高光谱图像数据,c∈{R,G,B},R为红色通道,G为绿色通道,B为蓝色通道。rc(i)表示通道c在波长i处的频谱响应。
进一步具体地,所述步骤A)中,将所述高光谱图像数据归一化,并设所述高光谱图像数据中的波段跨度为d纳米,则所述相邻波段的光谱响应差D表示为:
其中,k和k+d(n-1)表示所述高光谱图像数据中的波段范围,H(u,v,i+d)表示i+d波段的所述高光谱图像数据,||·||1表示L1范数。
进一步具体地,所述步骤A)中,所述不同波段之间的结构相似性由结构相似度ssim(X,Y)表示:
其中,X=H(u,v,x),表示x波段的所述高光谱图像数据;Y=H(u,v,x),表示少波段的所述高光谱图像数据;C1和C2为常量;wx是x波段的所述高光谱图像数据在窗口w中的区域,是wx的灰度平均值;和是wx的方差和与wy的协方差。
进一步具体地,所述步骤A)中,所述高光谱图像数据与所述RGB图像数据之间的相关性Sc表示为:
其中,Sc的取值范围为[0,1],Ic表示输入所述深度卷积神经网络的所述RGB图像数据。
进一步具体地,所述步骤B)中的所述损失函数loss包括图像输入输出差异losspro,图像输入输出相关性losscor和图像输出波段间的相似性lossself。
进一步具体地,所述图像输入输出差异losspro基于所述统计属性得出:
其中,pro(H)表示所述RGB图像数据经所述深度卷积神经网络处理后得到的反向映射图像数据,H表示经所述深度卷积神经网络重构的所述高光谱图像数据。
进一步具体地,所述图像输入输出相关性losscor基于所述高光谱图像数据与所述RGB图像数据之间的相关性得出:
进一步具体地,所述图像输出波段间的相似性lossself基于所述相邻波段的光谱响应差得出:
更具体地,所述步骤E)中,所述损失函数loss表示为:
loss=losspro+losscor+αlossself
其中,α为平衡因子。
本发明的基于单张RGB图像和非监督学习的高光谱图像复原方法,先是要研究相关的高光谱图像数据集中的某一研究区域内的高光谱图像数据与相对应区域中的RGB图像之间的关联性,包括高光谱图像数据的统计属性、相邻波段的光谱响应差和不同波段之间的结构相似性,以及高光谱图像数据与所述RGB图像数据之间的相关性,并依据上述高光谱图像数据与RGB图像数据之间的关联性设计出损失函数,以将该损失函数应用于深度卷积神经网络,从而实现对高光谱图像数据与RGB图像数据之间的非线性映射关系进行无监督学习,以能够实现利用单张RGB图像复原高光谱图像,且不需要对图像数据进行人工标注,从而提高了利用RGB图像复原高光谱图像的效率,具有良好的实用性。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
图1是本发明基于单张RGB图像和非监督学习的高光谱图像复原方法的步骤图;
图2是本发明基于单张RGB图像和非监督学习的高光谱图像复原方法的原理图;
图3是本发明基于单张RGB图像和非监督学习的高光谱图像复原方法中高光谱图像的相邻波段间的光谱响应差图;
图4是本发明基于单张RGB图像和非监督学习的高光谱图像复原方法中深度卷积神经网络复原高光谱图像(无监督学习)的过程示意图;
图5是本发明基于单张RGB图像和非监督学习的高光谱图像复原方法中高光谱图像数据集上高光谱图像的S平均值图;
图6是本发明基于单张RGB图像和非监督学习的高光谱图像复原方法中高光谱图像数据与RGB图像数据之间的相关性图;
图7是本发明基于单张RGB图像和非监督学习的高光谱图像复原方法与稀疏编码方法的效果对比图;
图8是本发明基于单张RGB图像和非监督学习的高光谱图像复原方法中80组测试图像上的定量比较图,其中图8-(a)为RMSE定量比较图、图8-(b)为MRAE定量比较图、图8-(c)为SSIM定量比较图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
如图1和图2所示,在本发明基于单张RGB图像和非监督学习的高光谱图像复原方法的一种实施例中,其复原高光谱图像的步骤包括:
A)获取高光谱图像数据集中同一研究区域内的高光谱图像数据以及RGB图像数据,以研究高光谱图像数据的统计属性、相邻波段的光谱响应差和不同波段之间的结构相似性、以及高光谱图像数据与RGB图像数据之间的相关性;
具体地,以研究在iCVL高光谱图像数据集上某一研究区域内的高光谱图像数据为例,该研究区域内RGB图像所对应的高光谱图像包括多组,则RGB图像数据与多组高光谱图像数据之间的统计属性Ic(u,v)表示为:
其中,(u,v)表示空间坐标,H(u,v,i)表示i波段的所述高光谱图像数据,c∈{R,G,B},R为红色通道,G为绿色通道,B为蓝色通道。rc(i)表示通道c在波长i处的频谱响应。
以高光谱图像中光的波段为400nm至700nm,且取波段跨度为d=10nm为例,首先将高光谱图像数据进行归一化,则高光谱图像中相邻波段的光谱响向差D表示为:
其中,H(u,v,i+d)表示i+d波段的所述高光谱图像数据,||·||1表示L1范数。由此所得到的所有相邻波段间的光谱响应差如图3所示,从图3可知大部分D的值小于0.005,这表明光谱响应在光谱域中是平滑的。
随后,研究高光谱图像中不同波段之间的结构相似性,该结构相似性由结构相似度ssim(X,Y)表示:
其中,X=H(u,v,x),表示x波段的高光谱图像数据;Y=H(u,v,x),表示少波段的高光谱图像数据;C1和C2为常量,C1和C2的值可根据具体的研究内容具体设置,在本实施例中C1可具体设置为1×10-4,C2可具体设置为9×10-4;wx是x波段的高光谱图像数据在窗口w中的区域,是wx的灰度平均值;和是wx的方差和与wy的协方差。结合如图4所示的深度卷积神经网络复原高光谱图像(无监督学习)的过程示意图可知,该深度卷积神经网络包括特征提取,映射和重建三个卷积层,三个卷积层分别具有128,64,31个输出通道,因此,高光谱图像中第n波段与第m波段的频谱响应的结构相似度可以用一个31×31的矩阵S(m,n)表示,由此所得到的高光谱图像数据集上高光谱图像的S平均值如图5所示,由图5可知,两个波段越接近,结构相似度的值越大。对角线值为1.0(实线标记处),两个最近邻波段之间的结构相似度更接近1.0(虚线标记),表明最近邻光谱间具有很高的相似性。
最后,研究高光谱图像数据与RGB图像数据之间的相关性,具体是定义高光谱图像数据与RGB图像数据每个通道(即R(红),G(绿)和B(蓝)三种颜色)之间的相关性,该相关性Sc表示为:
其中,Sc的取值范围为[0,1],Ic表示输入所述深度卷积神经网络的所述RGB图像数据。所得到的高光谱图像数据与RGB图像数据之间的相关性图如图6所示,由图6可知Sr、Sg、Sb的趋势是一致的。大多数Sc的值大于0.9,Sr和Sg的值接近1.0,这表明RGB图像数据和高光谱图像数据的相似度也很高。因此,相邻波段之间的平滑和高度相似性,以及RGB图像数据和高光谱图像数据之间的相关性均可被用作设计损失函数的标准。
B)依据所述高光谱图像数据的所述统计属性、所述相邻波段的光谱响应差和所述不同波段之间的结构相似性,以及所述高光谱图像数据与所述RGB图像数据之间相关性设计损失函数。
具体地,损失函数loss包括图像输入输出差异losspro,图像输入输出相关性losscor和图像输出波段间的相似性lossself。其中,图像输入输出差异losxpro基于统计属性Ic(u,v)得出:
其中,Ic表示输入深度卷积神经网络的RGB图像数据,pro(H)表示RGB图像数据经深度卷积神经网络处理后得到的反向映射图像数据,H表示经深度卷积神经网络重构的高光谱图像数据;
图像输入输出相关性losscor基于高光谱图像数据与RGB图像数据之间的相关性Sc得出:
图像输出波段间的相似性lossself基于相邻波段的光谱响应差D得出:
由此,损失函数loss可表示为:
loss=losspro+losscor+αlossself
其中,α为平衡因子,在本实施例中α可设为0.1。
将上述的损失函数loss输入深度卷积神经网络,到以能够以无监督的方式训练深度卷积神经网络,从而得到高光谱图像数据与RGB图像数据之间的非线性映射关系。
C)根据高光谱图像数据与RGB图像数据之间的非线性映射关系利用RGB图像数据复原高光谱图像数据。
在训练上述的深度卷积神经网络时,可基于iCVL高光谱图像数据集进行训练,具体地,该数据集是用Specim PS Kappa DX4高光谱相机采集获得的,所得图像的空间分辨率为1392×1300,波段数为31(400nm-700nm,间隔为10nm)。实验中使用121组RGB图像训练网络,并使用80对由本发明的方法复原的高光谱图像与真实的高光谱图像进行测试。可优选将训练用的RGB图像裁剪为大小为40x40的小块,以增强训练数据,并可优选采用了批量大小为128的Adam优化器;学习率最初优选设置为0.0001,然后以0.99的速率呈指数衰减;最大迭代次数设置为100。
随后,使用稀疏编码方法与本发明所提供基于单张RGB图像和非监督学习的高光谱图像复原方法进行比较,其中,稀疏编码方法是在相同训练数据上,以监督学习的方式进行训练。此外,引入均方根误差(RMSE),平均相对绝对误差(MRAE)和结构相似度(SSIM)用作客观评价指标。
首先,进行消融实验,以验证所提出的损失函数的有效性。使用损失函数中去除losscor的部分:loss=losspro+αlossself对网络进行训练,并使用五个选定的波段(450nm,500nm,550nm,600nm和650nm)评估高光谱图像重构的效果,对比结果如图7所示,图7中同一列的图像的波段相同,从左至右的5列对应的光波波段分别为450nm,500nm,550nm,600nm和650nm,图7中的第一行代表真实的高光谱图像,图7中的第二行代表由本发明的高光谱图像复原方法所复原出的高光谱图像,图7中的第三行代表由本发明的高光谱图像复原方法所复原出的高光谱图像与真实的高光谱图像之间的差异图,图7中的第四行代表由稀疏编码方法所复原出的高光谱图像与真实的高光谱图像之间的差异图,图7中的第五行代表由稀疏编码方法所复原出的高光谱图像。由图7中第5列第三行至第5列第五行的虚线框处的图像内容可明显的看出由本发明所提供的基于单张RGB图像和非监督学习的高光谱图像复原方法所复原出的高光谱图像与由稀疏编码方法所复原出的高光谱图像相比,其与真实的高光谱图像之间的差异更小,即是本发明所提供的基于单张RGB图像和非监督学习的高光谱图像复原方法优于稀疏编码方法,尤其是在长波阶段。
此外,在80组复原的高光谱图像与真实的高光谱图像上的定量比较如图8所示,对于RMSE和MRAE,较小的值表示较好的结果;对于SSIM,较大的值表示较好的结果。由图8可知,在大多数波段上,本发明所提出的方法均优于稀疏编码方法。但是,对于400nm-450nm的短波波段,稀疏编码的性能优于本发明所提供的方法。且所有波段上RMSE、MRAE和SSIM指标的平均值如表1所示:
RMSE | MRAE | SSIM | |
稀疏编码方法 | 0.0306 | 0.1544 | 0.9372 |
本发明所提供的方法 | 0.0197 | 0.1227 | 0.9793 |
表1
由表1可知,本发明所提出的方法获得了较小的RMSE和MRAE,以及较高的SSIM,因此,本发明所提出的方法均优于稀疏编码方法。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (10)
1.一种基于单张RGB图像和非监督学习的高光谱图像复原方法,其特征在于,包括如下步骤:
A)获取高光谱图像数据集中同一研究区域内的高光谱图像数据以及RGB图像数据,以研究所述高光谱图像数据的统计属性、相邻波段的光谱响应差和不同波段之间的结构相似性、以及所述高光谱图像数据与所述RGB图像数据之间的相关性;
B)依据所述高光谱图像数据的所述统计属性、所述相邻波段的光谱响应差和所述不同波段之间的结构相似性,以及所述高光谱图像数据与所述RGB图像数据之间相关性设计损失函数,以能够以无监督的方式训练深度卷积神经网络,从而得到所述高光谱图像数据与所述RGB图像数据之间的非线性映射关系;
C)根据所述高光谱图像数据与所述RGB图像数据之间的非线性映射关系利用所述RGB图像数据复原所述高光谱图像数据。
6.根据权利要求1所述的基于单张RGB图像和非监督学习的高光谱图像复原方法,其特征在于,所述步骤B)中的所述损失函数loss包括图像输入输出差异losspro,图像输入输出相关性losscor和图像输出波段间的相似性lossself。
10.根据权利要求6至9中任一项所述的基于单张RGB图像和非监督学习的高光谱图像复原方法,其特征在于,所述损失函数loss表示为:
loss=loaapro+loaacor+αlossself
其中,α为平衡因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450105.7A CN113269684B (zh) | 2021-04-25 | 2021-04-25 | 基于单张rgb图像和非监督学习的高光谱图像复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110450105.7A CN113269684B (zh) | 2021-04-25 | 2021-04-25 | 基于单张rgb图像和非监督学习的高光谱图像复原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269684A true CN113269684A (zh) | 2021-08-17 |
CN113269684B CN113269684B (zh) | 2022-07-26 |
Family
ID=77229293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110450105.7A Active CN113269684B (zh) | 2021-04-25 | 2021-04-25 | 基于单张rgb图像和非监督学习的高光谱图像复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269684B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131317A (zh) * | 2022-06-28 | 2022-09-30 | 华东师范大学 | 一种基于双模态图像的胃癌癌前病变分析系统及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063857A (zh) * | 2014-06-30 | 2014-09-24 | 清华大学 | 高光谱图像的生成方法及系统 |
CN105787516A (zh) * | 2016-03-09 | 2016-07-20 | 南京信息工程大学 | 一种基于空谱局部性低秩超图学习的高光谱图像分类方法 |
US20190096044A1 (en) * | 2017-09-25 | 2019-03-28 | Korea Advanced Institute Of Science And Technology | Method for reconstructing hyperspectral image using prism and system therefor |
CN111127573A (zh) * | 2019-12-12 | 2020-05-08 | 首都师范大学 | 一种基于深度学习的宽谱段高光谱图像重构方法 |
-
2021
- 2021-04-25 CN CN202110450105.7A patent/CN113269684B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104063857A (zh) * | 2014-06-30 | 2014-09-24 | 清华大学 | 高光谱图像的生成方法及系统 |
CN105787516A (zh) * | 2016-03-09 | 2016-07-20 | 南京信息工程大学 | 一种基于空谱局部性低秩超图学习的高光谱图像分类方法 |
US20190096044A1 (en) * | 2017-09-25 | 2019-03-28 | Korea Advanced Institute Of Science And Technology | Method for reconstructing hyperspectral image using prism and system therefor |
CN111127573A (zh) * | 2019-12-12 | 2020-05-08 | 首都师范大学 | 一种基于深度学习的宽谱段高光谱图像重构方法 |
Non-Patent Citations (3)
Title |
---|
JUNCHAO ZHANG.ET.: "Deep-learning-based hyperspectral recovery from a single RGB image", 《OPTICS LETTERS》 * |
NAVEED AKHTAR.ET.: "Hyperspectral recovery from RGB images using Gaussian Processes", 《IEEE TRANS PATTERN ANAL MACH INTELL》 * |
刘鹏飞等: "对抗网络实现单幅RGB重建高光谱图像", 《红外与激光工程》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115131317A (zh) * | 2022-06-28 | 2022-09-30 | 华东师范大学 | 一种基于双模态图像的胃癌癌前病变分析系统及方法 |
CN115131317B (zh) * | 2022-06-28 | 2024-03-12 | 华东师范大学 | 一种基于双模态图像的胃癌癌前病变分析系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113269684B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529447B (zh) | 一种小样本人脸识别方法 | |
CN108009559B (zh) | 一种基于空谱联合信息的高光谱数据分类方法 | |
Lin et al. | Hyperspectral image denoising via matrix factorization and deep prior regularization | |
CN109615008B (zh) | 基于堆叠宽度学习的高光谱图像分类方法和系统 | |
CN114119444B (zh) | 一种基于深度神经网络的多源遥感图像融合方法 | |
CN107239781B (zh) | 一种基于rgb图像的超光谱反射率重建方法 | |
CN109190511B (zh) | 基于局部与结构约束低秩表示的高光谱分类方法 | |
CN114998167B (zh) | 一种基于空间-光谱联合低秩的高光谱与多光谱图像融合方法 | |
CN113902622B (zh) | 基于深度先验联合注意力的光谱超分辨率方法 | |
CN112634159B (zh) | 基于盲噪声估计的高光谱图像去噪方法 | |
Ma et al. | Enhanced non-local cascading network with attention mechanism for hyperspectral image denoising | |
CN111292256B (zh) | 一种基于显微高光谱成像的纹理增强算法 | |
CN113269684B (zh) | 基于单张rgb图像和非监督学习的高光谱图像复原方法 | |
WO2022261550A1 (en) | Method and apparatus for image processing | |
CN110097499B (zh) | 基于谱混合核高斯过程回归的单帧图像超分辨率重建方法 | |
CN108446723B (zh) | 一种高光谱图像的多尺度空谱协同分类方法 | |
CN111695455B (zh) | 一种基于耦合判别流形对齐的低分辨人脸识别方法 | |
CN110175509B (zh) | 一种基于级联超分辨率的全天候眼周识别方法 | |
CN111598115B (zh) | 一种基于交叉皮质神经网络模型的sar影像融合方法 | |
CN114511470B (zh) | 一种基于注意力机制的双分支全色锐化方法 | |
CN112966781A (zh) | 基于三元组损失和卷积神经网络的高光谱图像分类方法 | |
CN110188821B (zh) | 多参数边缘保持滤波和多特征学习的高光谱图像分类方法 | |
Zou et al. | Probabilistic quaternion collaborative representation and its application to robust color face identification | |
Yapici et al. | A review of image denoising with deep learning | |
CN112785583A (zh) | 基于超像素分割的高光谱遥感图像反射率恢复方法 |
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 |