CN113392790B - 全色/多光谱遥感图像与高光谱遥感图像的融合方法 - Google Patents
全色/多光谱遥感图像与高光谱遥感图像的融合方法 Download PDFInfo
- Publication number
- CN113392790B CN113392790B CN202110705642.1A CN202110705642A CN113392790B CN 113392790 B CN113392790 B CN 113392790B CN 202110705642 A CN202110705642 A CN 202110705642A CN 113392790 B CN113392790 B CN 113392790B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- hyperspectral
- sensing image
- panchromatic
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2133—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on naturality criteria, e.g. with non-negative factorisation or negative correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明的全色/多光谱遥感图像与高光谱遥感图像的融合方法涉及遥感图像处理领域,目的是为了克服目前现有的全色/多光谱‑高光谱图像融合的结果不能合理权衡空间和光谱分辨率的问题,本发明方法具体步骤如下:步骤一、提取高光谱遥感图像的端元矩阵;步骤二、利用全色/多光谱遥感图像、高光谱遥感图像和端元矩阵建立变分模型;步骤三、对变分模型利用交替方向乘子法迭代计算,得到全色/多光谱遥感图像和高光谱遥感图像的融合图像。
Description
技术领域
本发明涉及遥感图像处理领域。
背景技术
近年来,随着多颗光学对地观测卫星的发射,由它们捕获的数据可以用于各种任务,如环境监测、地理、农业和土地调查,未来发展潜力巨大。在我国,高分辨率对地观测系统重大专项是十六个重大科技专项之一,于2010年批准启动实施。截至目前成功发射了高分一号,高分二号,高分五号,高分十号,高分九号02星、03星等卫星。
然而,在光学遥感系统的设计中,由于入射能量有限,空间和光谱分辨率之间总存在着权衡。因此,光学系统可以提供空间分辨率高但光谱波段较少的全色、多光谱图像,或提供具有高光谱分辨率但空间分辨率较低的高光谱图像。相对于全色/多光谱图像,高光谱图像可以提供更准确的光谱信息,在解混、变化检测、目标识别、场景解释和分类等应用中优势明显。因此,对高空间分辨率的高光谱图像的需求不断增加,全色/多光谱-高光谱图像融合领域也蓬勃发展。
目前现有的全色/多光谱-高光谱图像融合有基于泛锐化和基于子空间两大类,而基于泛锐化的方法是从全色-多光谱图像融合方法继承而来,没有充分考虑到高光谱图像的特性,且融合结果不能合理权衡空间和光谱分辨率。
发明内容
本发明的目的是为了克服目前现有的全色/多光谱-高光谱图像融合的结果不能合理权衡空间和光谱分辨率的问题,提供了一种全色/多光谱遥感图像与高光谱遥感图像的融合方法。
本发明的全色/多光谱遥感图像与高光谱遥感图像的融合方法,方法具体步骤如下:
步骤一、提取高光谱遥感图像的端元矩阵;
步骤二、利用全色/多光谱遥感图像、高光谱遥感图像和端元矩阵建立变分模型;
步骤三、对变分模型利用交替方向乘子法迭代计算,得到全色/多光谱遥感图像和高光谱遥感图像的融合图像。
进一步地,步骤一的具体方法如下:
步骤一二、在线性混合模型下,将高光谱矩阵Yh建模描述为Yh=EXh,并通过预先设定端元数目对高光谱矩阵Yh进行VCA顶点成分分析,得到端元矩阵E;
进一步地,步骤二的具体方法如下:
步骤二一、分别建立全色/多光谱遥感图像和高光谱遥感图像的观测模型;
步骤二二、引入融合正则项,并结合全色/多光谱遥感图像和高光谱遥感图像的观测模型计算得到全色-高光谱图像融合变分模型和多光谱-高光谱图像融合变分模型。
进一步地,步骤二一中,建立的高光谱遥感图像的观测模型为:
Yh=ZBM+N1 (1)
建立的全色/多光谱遥感图像的观测模型为:
Ym=RZ+N2 (2)
其中,全色/多光谱观测矩阵为 为待估计的高空间高光谱数据,即全色/多光谱遥感图像与高光谱遥感图像的融合图像;Lm,Nm分别代表全色或多光谱遥感图像中每个像元的光谱波段数和全色或多光谱遥感图像的像元数,且Lm<Lh,Nh<Nm;为空间模糊矩阵,即Z的点扩展函数;Z=EX,X为Z分解后所对应的丰度矩阵;是空间下采样矩阵;是光谱下采样矩阵;N1、N2分别代表建立高光谱遥感图像的观测模型和建立全色/多光谱遥感图像的观测模型过程中的噪声矩阵。
进一步地,融合正则项包括空间正则项;
空间正则项为梯度稀疏分布稀疏正则项:
其中,(A)mn代表矩阵A第m行第n列的元素;Dh和Dv分别代表图像的水平梯度算子和垂直梯度算子;p为设定的端元数目。
进一步地,融合正则项还包括为全色-高光谱遥感图像融合所施加的像元强度一致正则项和为多光谱-高光谱遥感图像融合所施加的像元强度一致正则项;
为全色-高光谱遥感图像融合所施加的像元强度一致正则项为:
为多光谱-高光谱遥感图像融合所施加的像元强度一致正则项为:
进一步地,将公式(1)~(4)合并得到全色-高光谱图像融合变分模型如下:
其中,λ1、λ2和λ3分别为权重,用于分别控制不同约束项的相对重要性;
将公式(1)~(3)和(5)合并得到多光谱-高光谱图像融合变分模型如下:
其中,λ4、λ5和λ6分别为权重,用于分别控制不同约束项的相对重要性。
进一步地,步骤三的具体步骤如下:
步骤三一、在全色-高光谱图像融合变分模型和多光谱-高光谱图像融合变分模型均中引入辅助变量V1、V2、V3、V4和V5;且V1=XB,V2=X,V3=XDh,V4=XDv,V5=X:
步骤三二、定义矩阵V=[V1,V2,V3,V4,V5],H=[B,Ι,Dh,Dv,I],简化全色-高光谱图像融合变分模型和多光谱-高光谱图像融合变分模型,得到简化后的变分模型;并利用拉格朗日乘子法对简化后的变分模型求解,得到融合图像Z。
进一步地,步骤三一中,引入辅助变量后的全色-高光谱图像融合变分模型表述为:
引入辅助变量后的多光谱-高光谱图像融合变分模型表述为:
进一步地,步骤三二中,简化后的变分模型为:
minimize f(V),subject to V=XH
利用拉格朗日乘子法对简化后的变分模型求解:
其中,D是缩放对偶变量;
应用ADMM交替方向乘子法交替求解X和V,经过多次迭代求解出融合图像的丰度矩阵X,再利用Z=EX得到全色/多光谱遥感图像与高光谱遥感图像的融合图像Z。
本发明的有益效果是:
本发明提出一种基于子空间正则化的全色/多光谱-高光谱遥感图像融合方法,充分考虑了融合图像空间和光谱分辨率的折衷问题,可以获得高空间高光谱分辨率的融合图像。
由于本方法建立的变分模型充分考虑到了全色/多光谱图像中空间信息和高光谱图像中光谱信息的保持,分别建立了2个空间和光谱信息保持项,因此对空间和光谱信息可以进行良好平衡,而不会出现明显的空间扭曲或是光谱失真。
附图说明
图1为本发明的融合方法的流程图;
图2为具体实施方式中的融合方法的验证实验所用图像,其中(a)是GF-6全色遥感图像、(b)是OHS高光谱遥感图像、(c)是GF-2多光谱遥感图像、(d)是OHS高光谱遥感图像;
图3为具体实施方式中的融合方法与现有融合方法在GF-6全色遥感图像-OHS高光谱遥感图像数据上的融合结果对比图;其中,(a)为采用具体实施方式中的融合方法的融合结果、(b)为采用Brovey色彩标准化图像融合方法的融合结果、(c)为采用CNMF耦合非负矩阵分解方法的融合结果、(d)为采用GSA自适应Gram-Schmidt正交算法的融合结果、(e)为采用MAPSMM贝叶斯随机混合模型的融合结果、(f)为采用MTF-GLP基于调制传递函数的广义拉普拉斯金字塔模型的融合结果;
图4为具体实施方式中的融合方法与现有融合方法在GF-2多光谱遥感图像-OHS高光谱遥感图像数据上的融合结果对比图;其中,(a)为采用具体实施方式中的融合方法的融合结果、(b)为采用GSA自适应Gram-Schmidt正交算法的融合结果、(c)为采用SFIMHS超锐化框架下的基于平滑滤波的亮度变换方法的融合结果、(d)为采用FUSE基于Sylvester方程的快速融合算法的融合结果、(e)为采用CNMF耦合非负矩阵分解方法的融合结果、(f)为采用MAPSMM贝叶斯随机混合模型的融合结果。
具体实施方式
本实施方式的目的在于解决现有全色/多光谱-高光谱图像融合空间和光谱不能最佳折衷的问题,提出一种基于子空间正则化的全色/多光谱-高光谱遥感图像融合方法,基于子空间的方法利用矩阵分解技术,对全色/多光谱图像、高光谱图像进行建模,在合理的正则项的约束下,可以取得良好的融合结果,其实现步骤如下:
步骤1:对输入的高光谱进行VCA(Vertex Component Analysis)顶点成分分析,提取端元矩阵,转换到子空间;
步骤2:利用输入的全色/多光谱、高光谱图像以及端元矩阵建立变分模型;
步骤3:利用ADMM(Alternating Direction Method of Multipliers)交替方向乘子法迭代优化,得到融合图像;
步骤1中的对输入的高光谱进行VCA顶点成分分析,提取端元矩阵,转换到子空间的步骤由下述方法进行:
步骤2的利用输入的全色/多光谱、高光谱图像以及端元矩阵建立变分模型的步骤由下述方法进行:
首先建立全色/多光谱、高光谱遥感图像的观测模型。
将多光谱和高光谱图像从三维张量展开为二维矩阵,其中每一行对应一个光谱波段,包含该波段的按字典顺序排序的像元。令高光谱观测矩阵全色/多光谱观测矩阵高空间高光谱数据其中Lh,Nh,Lm,Nm分别代表高光谱波段、高光谱像元数、全色或多光谱波段数、全色或多光谱像元数,且Lm<Lh,Nh<Nm。根据这种表示,将高光谱测量建模为:Yh=ZBM+N1,将全色/多光谱建模为:Ym=RZ+N2,从而建立光谱、空间信息保真项。其中是空间模糊矩阵,即Z的点扩展函数,是空间下采样矩阵;是光谱下采样矩阵;N1、N2分别代表这两个过程中的噪声矩阵。
然后施加全色/多光谱、高光谱遥感图像融合正则项。
引入的空间正则项为梯度稀疏分布正则项:
其中,Z=EX,此处的E即为步骤1中得到的端元矩阵,而X为Z分解后对应的丰度矩阵。(A)mn代表矩阵A第m行第n列的元素,Dh和Dv分别代表图像的水平和垂直梯度算子。这可以对图像的空间信息进行约束,使图像的绝对梯度分布呈现稀疏性。
为了减小光谱失真,对融合图像施加像元强度一致正则项。对于全色-高光谱图像融合问题,就是保持不同分辨率下的光谱波段与全色图像之间的强度比不变:
对于多光谱-高光谱图像融合问题,就是保持不同分辨率下的高光谱与多光谱图像对应波段之间的强度比不变:
至此,将以上4个变分项合并,可以得到全色-高光谱图像融合的变分模型为:
多光谱-高光谱图像融合的变分模型为:
步骤3的利用ADMM交替方向乘子法迭代优化,得到融合图像的步骤由下述方法进行:
首先在变分模型中引入5个辅助变量V1、V2、V3、V4、V5,满足:
V1=XB,V2=X,V3=XDh,V4=XDv,V5=X
则相应的全色/多光谱-高光谱图像融合变分模型可以表述为:
而相应的多光谱-高光谱图像融合变分模型可以表述为:
为了符号的简洁,进一步定义矩阵V=[V1,V2,V3,V4,V5],H=[B,Ι,Dh,Dv,I],变分模型可以简化为:
minimize f(V),subject to V=XH
利用拉格朗日乘子法对上述变分模型求解:
其中,D是缩放对偶变量,应用ADMM交替方向乘子法交替求解X和V。X的极小值可以通过固定V的值,利用FFT快速求解;而通过固定X可以求解V,其中V1、V2、V5的极小化问题是一个二次问题,可以用FFT有效求解;而V3和V4的极小值通过像元级矢量软阈值化操作求得。经过数次迭代求解出融合图像的丰度矩阵X,再利用Z=EX得到融合图像Z。
为了验证本实施方式的图像融合方法的性能,针对GF-6全色遥感图像-OHS高光遥感谱图像、以及GF-2多光谱遥感图像-OHS高光谱遥感图像两组全分辨率数据进行了融合实验,实验结果验证了本实施方式提出的基于变分模型的全色/多光谱-高光谱遥感图像融合方法的有效性。
实验所用数据是如图1所示的GF-6全色遥感图像-OHS高光谱遥感图像、以及GF-2多光谱遥感图像-OHS高光谱遥感图像的两组全分辨率数据,在表1中进行了具体介绍;
表1:GF-6全色遥感图像-OHS高光谱遥感图像、以及GF-2多光谱遥感图像-OHS高光谱遥感图像的全分辨率数据
在图2中显示了GF-6全色遥感图像-OHS高光谱遥感图像、以及GF-2多光谱遥感图像和OHS高光谱遥感图像;图3和图4分别是本实施方式的融合方法与现有融合方法在GF-6全色遥感图像-OHS高光谱遥感图像、以及GF-2多光谱遥感图像-OHS高光谱遥感图像数据上的融合结果图;表2是本实施方式的融合方法和现有融合方法的融合结果在GF-6全色遥感图像-OHS高光谱遥感图像数据上的客观评价对比,表3是本实施方式的融合方法和现有融合方法的融合结果在GF-2多光谱遥感图像-OHS高光谱遥感图像数据上的客观评价对比。
表2:
表3
其中,Dλ和Ds分别用于评估光谱和空间失真,取值范围[0,1];而QNR=(1-Dλ)(1-Ds)为全局评价指标,取值范围[0,1]。从融合图像和对比结果可以看出经过本发明所提方法生成的融合图像在空间和光谱分辨率做到了最佳折衷,综合评价结果最优。
Claims (5)
1.全色/多光谱遥感图像与高光谱遥感图像的融合方法,所述方法具体步骤如下:
步骤一、提取所述高光谱遥感图像的端元矩阵;
步骤二、利用全色/多光谱遥感图像、所述高光谱遥感图像和所述端元矩阵建立变分模型;
步骤三、对变分模型利用交替方向乘子法迭代计算,得到全色/多光谱遥感图像和高光谱遥感图像的融合图像;
步骤一的具体方法如下:
步骤一二、在线性混合模型下,将高光谱矩阵Yh建模描述为Yh=EXh,并通过预先设定端元数目对高光谱矩阵Yh进行VCA顶点成分分析,得到端元矩阵E;
步骤二的具体方法如下:
步骤二一、分别建立全色/多光谱遥感图像和高光谱遥感图像的观测模型;
步骤二二、引入融合正则项,并结合全色/多光谱遥感图像和高光谱遥感图像的观测模型计算得到全色-高光谱图像融合变分模型和多光谱-高光谱图像融合变分模型
步骤二一中,建立的高光谱遥感图像的观测模型为:
Yh=ZBM+N1 (1)
建立的全色/多光谱遥感图像的观测模型为:
Ym=RZ+N2 (2)
其中,全色/多光谱观测矩阵为 为待估计的高空间高光谱数据,即全色/多光谱遥感图像与高光谱遥感图像的融合图像;Lm,Nm分别代表全色或多光谱遥感图像中每个像元的光谱波段数和全色或多光谱遥感图像的像元数,且Lm<Lh,Nh<Nm;为空间模糊矩阵,即Z的点扩展函数;Z=EX,X为Z分解后所对应的丰度矩阵;是空间下采样矩阵;是光谱下采样矩阵;N1、N2分别代表建立高光谱遥感图像的观测模型和建立全色/多光谱遥感图像的观测模型过程中的噪声矩阵;
融合正则项包括空间正则项;
所述空间正则项为梯度稀疏分布稀疏正则项:
其中,(A)mn代表矩阵A第m行第n列的元素;Dh和Dv分别代表图像的水平梯度算子和垂直梯度算子;p为设定的端元数目;
其特征在于,融合正则项还包括为全色-高光谱遥感图像融合所施加的像元强度一致正则项和为多光谱-高光谱遥感图像融合所施加的像元强度一致正则项;
所述为全色-高光谱遥感图像融合所施加的像元强度一致正则项为:
所述为多光谱-高光谱遥感图像融合所施加的像元强度一致正则项为:
3.根据权利要求2所述的全色/多光谱遥感图像与高光谱遥感图像的融合方法,其特征在于,步骤三的具体步骤如下:
步骤三一、在全色-高光谱图像融合变分模型和多光谱-高光谱图像融合变分模型均中引入辅助变量V1、V2、V3、V4和V5;且V1=XB,V2=X,V3=XDh,V4=XDv,V5=X:
步骤三二、定义矩阵V=[V1,V2,V3,V4,V5],H=[B,Ι,Dh,Dv,I],简化全色-高光谱图像融合变分模型和多光谱-高光谱图像融合变分模型,得到简化后的变分模型;并利用拉格朗日乘子法对简化后的变分模型求解,得到融合图像Z;I为单位矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110705642.1A CN113392790B (zh) | 2021-06-24 | 2021-06-24 | 全色/多光谱遥感图像与高光谱遥感图像的融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110705642.1A CN113392790B (zh) | 2021-06-24 | 2021-06-24 | 全色/多光谱遥感图像与高光谱遥感图像的融合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113392790A CN113392790A (zh) | 2021-09-14 |
CN113392790B true CN113392790B (zh) | 2022-03-18 |
Family
ID=77623828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110705642.1A Active CN113392790B (zh) | 2021-06-24 | 2021-06-24 | 全色/多光谱遥感图像与高光谱遥感图像的融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113392790B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113850216B (zh) * | 2021-09-30 | 2022-05-17 | 哈尔滨工业大学 | 一种面向大场景遥感图像分类的类指定多模联合表示方法 |
CN116245779B (zh) * | 2023-05-11 | 2023-08-22 | 四川工程职业技术学院 | 一种图像融合方法、装置、存储介质及电子设备 |
CN116757925A (zh) * | 2023-05-16 | 2023-09-15 | 宁波大学 | 一种生成高时空谱分辨率卫星遥感影像的方法和装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991288A (zh) * | 2021-03-09 | 2021-06-18 | 东南大学 | 基于丰度图像锐化重构的高光谱遥感图像融合方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428387B (zh) * | 2018-11-16 | 2022-03-04 | 西安电子科技大学 | 基于深度学习与矩阵分解的高光谱与全色图像融合方法 |
-
2021
- 2021-06-24 CN CN202110705642.1A patent/CN113392790B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991288A (zh) * | 2021-03-09 | 2021-06-18 | 东南大学 | 基于丰度图像锐化重构的高光谱遥感图像融合方法 |
Non-Patent Citations (3)
Title |
---|
A Convex Formulation for Hyperspectral Image Superresolution via Subspace-Based Regularization;Miguel Simões,et al.;《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》;20150630;第53卷(第6期);第3372-3377页 * |
Fusion of Hyperspectral and Panchromatic Images Using Improved HySure Method;Hongwen Lin,et al.;《2017 2nd Intern ational Conference on Image, Vision and Computing》;20171231;第489-490页 * |
噪声环境下高光谱图像超分辨方法研究;邹长忠;《中国优秀博硕士学位论文全文数据库(博士) 工程科技Ⅱ辑》;20200315;第6章 * |
Also Published As
Publication number | Publication date |
---|---|
CN113392790A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113392790B (zh) | 全色/多光谱遥感图像与高光谱遥感图像的融合方法 | |
Huang et al. | Deep gaussian scale mixture prior for spectral compressive imaging | |
Nezhad et al. | Fusion of hyperspectral and multispectral images using spectral unmixing and sparse coding | |
Borsoi et al. | Super-resolution for hyperspectral and multispectral image fusion accounting for seasonal spectral variability | |
Mei et al. | Spatial and spectral joint super-resolution using convolutional neural network | |
Simoes et al. | A convex formulation for hyperspectral image superresolution via subspace-based regularization | |
CN106709881B (zh) | 一种基于非凸低秩矩阵分解的高光谱图像去噪方法 | |
Song et al. | Spatiotemporal satellite image fusion through one-pair image learning | |
Yang et al. | Variational regularization network with attentive deep prior for hyperspectral–multispectral image fusion | |
Han et al. | Hyperspectral and multispectral image fusion using optimized twin dictionaries | |
Li et al. | Coupled segmentation and denoising/deblurring models for hyperspectral material identification | |
Li et al. | Hyperspectral pansharpening via improved PCA approach and optimal weighted fusion strategy | |
Fu et al. | Fusion of hyperspectral and multispectral images accounting for localized inter-image changes | |
Zeng et al. | Hyperspectral image restoration via cnn denoiser prior regularized low-rank tensor recovery | |
CN109583380B (zh) | 一种基于注意力约束非负矩阵分解的高光谱分类方法 | |
Paris et al. | A novel sharpening approach for superresolving multiresolution optical images | |
CN116935214B (zh) | 一种卫星多源遥感数据的时空谱融合方法 | |
CN114998167A (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 | |
Aetesam et al. | Bayesian approach in a learning-based hyperspectral image denoising framework | |
Huang et al. | Deep gaussian scale mixture prior for image reconstruction | |
Fortuna et al. | Multivariate image fusion: A pipeline for hyperspectral data enhancement | |
Zhang et al. | Perception-distortion balanced ADMM optimization for single-image super-resolution | |
Yang et al. | Fusion of hyperspectral and multispectral images with sparse and proximal regularization | |
CN116740340A (zh) | 基于深度学习的计算光谱成像误差矫正方法 | |
Fu et al. | Sparsity constrained fusion of hyperspectral and multispectral images |
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 |