CN113888421A - 一种多光谱卫星遥感图像融合方法 - Google Patents
一种多光谱卫星遥感图像融合方法 Download PDFInfo
- Publication number
- CN113888421A CN113888421A CN202111125869.5A CN202111125869A CN113888421A CN 113888421 A CN113888421 A CN 113888421A CN 202111125869 A CN202111125869 A CN 202111125869A CN 113888421 A CN113888421 A CN 113888421A
- Authority
- CN
- China
- Prior art keywords
- image
- multispectral
- remote sensing
- resolution
- fusion method
- 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.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 26
- 230000015556 catabolic process Effects 0.000 claims abstract description 24
- 238000006731 degradation reaction Methods 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000005855 radiation Effects 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 14
- 230000000877 morphologic effect Effects 0.000 claims abstract description 7
- 238000012805 post-processing Methods 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 4
- 238000012952 Resampling Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 abstract description 3
- 230000009466 transformation Effects 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种多光谱卫星遥感图像融合方法，包括以下步骤：S1.图像融合；S2.融合图像预处理，通过辐射校正和正射校正，进行融合图像剪裁，选取需要的图像区域；S3.融合图像后处理，通过几何约束和形态学处理减少图像的噪声干扰和滤掉突刺；S4.融合图像去雾处理，利用可见光图像与毫米波图像建立雾天图像退化模型，利用雾天图像退化模型对融合图像进行去雾，得到去雾图像；S5.图像叠加。本发明基于压缩传感理论对卫星遥感图像进行融合，利用相同空间分辨率的多光谱图像和全色图像，能够提升多光谱图像的空间几何分辨率，另外通过将高空间分辨率全色灰度图像和低空间分辨率多光谱彩色图像进行融合，既可以提高图像分辨率，又使融合后图像具有色彩。
Description
技术领域
本发明属于图像融合技术领域，具体涉及一种多光谱卫星遥感图像融合方法。
背景技术
随着遥感技术的迅猛发展和新型传感器的不断出现，人们获取遥感图像数据的能力不断提高。然而目前多数的卫星仍只提供高空间分辨率全色灰度图像和低空间分辨率多光谱彩色图像，这使得在进行数据信息分析时会受到限制。简单且最常用的遥感图像融合方法包括IHS色彩变换法、主成分分析法、Gram-Schmidt变换法等。其融合过程主要包括三个步骤：首先对遥感多光谱图像进行光谱通道变换，实现亮度信息与颜色信息分离，其次将全色图像代替上步变换得到的亮度图像，最后光谱通道逆变换得到融合图像。这类方法能够提高融合图像的空间分辨率和光谱特性，但同时容易扭曲了原始的光谱特性，产生了光谱退化现象。另一种代表性方法是基于多分辨率分析的方法。其基本思想就是通过多分辨率变换提取全色灰度图像的细节信息，并将其插入的到低空间分辨率的多光谱彩色图像的多分辨率变换系数中，最后通过多分辨率逆变换的到融合图像。常用的多分辨率方法包括Laplacian金字塔分解、离散小波变换、小波帧变换、“àtrous”小波变换等等。这类方法由于同时考虑了源图像不同分辨率上的光谱特性和细节特性，使得融合图像能够保持全色灰度图像的细节信息和原始低空间分辨率的多光谱彩色图像光谱特性。
目前现有的多光谱卫星遥感图像融合方法还存在一些的问题：不方便提升多光谱图像的空间几何分辨率，同时传统方法容易出现图像缺失的问题，另外对数据量大的遥感图像进行图像融合处理时通常需要花费较长时间。
发明内容
本发明的目的在于提供一种多光谱卫星遥感图像融合方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种多光谱卫星遥感图像融合方法，包括以下步骤：
S1.图像融合，基于压缩传感理论对卫星遥感图像进行融合；
S2.融合图像预处理，通过辐射校正和正射校正，进行融合图像剪裁，选取需要的图像区域；
S3.融合图像后处理，通过几何约束和形态学处理减少图像的噪声干扰和滤掉突刺；
S4.融合图像去雾处理，利用可见光图像与毫米波图像建立雾天图像退化模型，利用雾天图像退化模型对融合图像进行去雾，得到去雾图像；
S5.图像叠加，将S4中处理后的去雾图像和目标电子地图投影到同一坐标系下，然后进行分级切片编码，最后将切好的瓦片图叠加到电子图层上。
优选的，所述S1中图像融合的具体方法包括以下步骤：
S101.获取RGB多光谱图像，并进行重采样处理；
S102.获取多帧全色图像，并进行超分辨重建，获得高空间分辨率全色图像；
S103.将高空间分辨率全色图像和低空间分辨率多光谱图像向量化；
S104.构造高空间分辨率的图像块的稀疏表示过完备原子库；
S105.根据各陆地观测卫星的成像原理，建立从高空间分辨率多光谱图像到高空间分辨率全色图像和低空间分辨率多光谱图像的模型；
S106.用基追踪算法求解该稀疏信号恢复的压缩传感问题，得到高空分辨率的多光谱彩色图像在过完备字典中的稀疏表示，再将该稀疏表示与与预先设定过完备字典相乘得到高空分辨率的多光谱彩色图像块向量表示，将该向量表示转化为图像块，得到融合图像。
优选的，所述S101中获取RGB多光谱图像，并进行重采样处理包括：获取RGB多光谱图像：X＝(x1,x2,x3)T，其中的x1、x2、x3依次对应R波段图像、G波段图像、B波段图像；将RGB多光谱图像的每幅图像分别上采样N倍，得到重采样的多光谱图像。
优选的，所述S2中辐射校正的方法具体步骤如下：利用完整的遥感图像处理平台进行快速大气校正工具进行辐射校正，去除部分大气的图像，或者利用完整的遥感图像处理平台进行基于光谱超立方的快速视线大气校正和辐射定标处理，将传感器记录的数字量化值转化为物理量相关的相对值。
优选的，所述S2中正射校正的方法具体步骤如下：根据图像的有理多项式系数文件和数字高程模型，通过完整的遥感图像处理平台进行正射校正，校正遥感图像的空间和几何畸变，将图像校正为多中心投影正射图像。
优选的，所述S3中选择大小为2～4的方形或圆盘结构元素进行形态学处理。
优选的，所述S4中融合图像去雾处理的方法具体包括以下步骤：用毫米波图像替换可见光图像的亮度分量，保持可见光图像的色调和饱和度的值不变，得到RGB色彩空间下的毫米波图像，将RGB色彩空间下的毫米波图像作为不受大气光影响的图像，利用可见光图像与不受大气光影响的图像建立雾天图像退化模型，利用雾天图像退化模型对融合图像进行去雾，得到去雾图像。
优选的，所述雾天图像退化模型为：
其中，I1(x)为可见光图像中像素点x的灰度值，I2(x)为不受大气光影响的图像中像素点x的灰度值，A为雾天图像退化模型的大气光值，t(x)为像素点x的透射率。
优选的，所述雾天图像退化模型的大气光值通过利用暗通道先验算法求得。
优选的，所述S5还包括将S4中处理后的去雾图像与电子地图进行点位比对来实现融合图像与目标电子地图的校正。
与现有技术相比，本发明的有益效果是：
(1)本发明基于压缩传感理论对卫星遥感图像进行融合，利用相同空间分辨率的多光谱图像和全色图像，能够提升多光谱图像的空间几何分辨率，另外通过将高空间分辨率全色灰度图像和低空间分辨率多光谱彩色图像进行融合，既可以提高图像分辨率，又使融合后图像具有色彩。
(2)本发明通过对融合图像预处理和融合图像后处理，进一步提高图像提取的准确率和检测率，增加了图像的质量。
(3)本发明通过对融合图像进行去雾处理，依托于毫米波辐射在云、雾、烟雾、雪和沙尘暴中的衰减远小于可见光的优势，利用图像融合技术，有效提高在浓雾天气条件下的去雾效果，对于恶劣环境具有很好的鲁棒性，使图像不受浓雾的影响。
(4)本发明通过对图像进行叠加，采用最新的高分辨遥感图像叠加到电子地图上，解决了部分地区高层级卫星图像缺失的问题，方便用户对真实卫星图像进行查看，时效性快，且所叠加的遥感图像分辨率高，用户可以查看最新的高清卫星遥感图像。
附图说明
图1为本发明的流程框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
请参阅图1，本发明提供一种技术方案：一种多光谱卫星遥感图像融合方法，S1.图像融合，基于压缩传感理论对卫星遥感图像进行融合；
S2.融合图像预处理，通过辐射校正和正射校正，进行融合图像剪裁，选取需要的图像区域；
S3.融合图像后处理，通过几何约束和形态学处理减少图像的噪声干扰和滤掉突刺；
S4.融合图像去雾处理，利用可见光图像与毫米波图像建立雾天图像退化模型，利用雾天图像退化模型对融合图像进行去雾，得到去雾图像；
S5.图像叠加，将S4中处理后的去雾图像和目标电子地图投影到同一坐标系下，然后进行分级切片编码，最后将切好的瓦片图叠加到电子图层上。
本实施例中，优选的，所述S1中图像融合的具体方法包括以下步骤：
S101.获取RGB多光谱图像，并进行重采样处理；
S102.获取多帧全色图像，并进行超分辨重建，获得高空间分辨率全色图像；
S103.将高空间分辨率全色图像和低空间分辨率多光谱图像向量化；
S104.构造高空间分辨率的图像块的稀疏表示过完备原子库；
S105.根据各陆地观测卫星的成像原理，建立从高空间分辨率多光谱图像到高空间分辨率全色图像和低空间分辨率多光谱图像的模型；
S106.用基追踪算法求解该稀疏信号恢复的压缩传感问题，得到高空分辨率的多光谱彩色图像在过完备字典中的稀疏表示，再将该稀疏表示与与预先设定过完备字典相乘得到高空分辨率的多光谱彩色图像块向量表示，将该向量表示转化为图像块，得到融合图像。
本实施例中，优选的，所述S101中获取RGB多光谱图像，并进行重采样处理包括：获取RGB多光谱图像：X＝(x1,x2,x3)T，其中的x1、x2、x3依次对应R波段图像、G波段图像、B波段图像；将RGB多光谱图像的每幅图像分别上采样N倍，得到重采样的多光谱图像。
本实施例中，优选的，所述S2中辐射校正的方法具体步骤如下：利用完整的遥感图像处理平台进行快速大气校正工具进行辐射校正，去除部分大气的图像，或者利用完整的遥感图像处理平台进行基于光谱超立方的快速视线大气校正和辐射定标处理，将传感器记录的数字量化值转化为物理量相关的相对值。
本实施例中，优选的，所述S2中正射校正的方法具体步骤如下：根据图像的有理多项式系数文件和数字高程模型，通过完整的遥感图像处理平台进行正射校正，校正遥感图像的空间和几何畸变，将图像校正为多中心投影正射图像。
本实施例中，优选的，所述S3中选择大小为2～4的方形或圆盘结构元素进行形态学处。
本实施例中，优选的，所述S4中融合图像去雾处理的方法具体包括以下步骤：用毫米波图像替换可见光图像的亮度分量，保持可见光图像的色调和饱和度的值不变，得到RGB色彩空间下的毫米波图像，将RGB色彩空间下的毫米波图像作为不受大气光影响的图像，利用可见光图像与不受大气光影响的图像建立雾天图像退化模型，利用雾天图像退化模型对融合图像进行去雾，得到去雾图像。
本实施例中，优选的，所述雾天图像退化模型为：
其中，I1(x)为可见光图像中像素点x的灰度值，I2(x)为不受大气光影响的图像中像素点x的灰度值，A为雾天图像退化模型的大气光值，t(x)为像素点x的透射率。
本实施例中，优选的，所述雾天图像退化模型的大气光值通过利用暗通道先验算法求得。
本实施例中，优选的，所述S5还包括将S4中处理后的去雾图像与电子地图进行点位比对来实现融合图像与目标电子地图的校正。
本发明的原理及优点：
(1)本发明基于压缩传感理论对卫星遥感图像进行融合，利用相同空间分辨率的多光谱图像和全色图像，能够提升多光谱图像的空间几何分辨率，另外通过将高空间分辨率全色灰度图像和低空间分辨率多光谱彩色图像进行融合，既可以提高图像分辨率，又使融合后图像具有色彩。
(2)本发明通过对融合图像预处理和融合图像后处理，进一步提高图像提取的准确率和检测率，增加了图像的质量。
(3)本发明通过对融合图像进行去雾处理，依托于毫米波辐射在云、雾、烟雾、雪和沙尘暴中的衰减远小于可见光的优势，利用图像融合技术，有效提高在浓雾天气条件下的去雾效果，对于恶劣环境具有很好的鲁棒性，使图像不受浓雾的影响。
(4)本发明通过对图像进行叠加，采用最新的高分辨遥感图像叠加到电子地图上，解决了部分地区高层级卫星图像缺失的问题，方便用户对真实卫星图像进行查看，时效性快，且所叠加的遥感图像分辨率高，用户可以查看最新的高清卫星遥感图像。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种多光谱卫星遥感图像融合方法，其特征在于：包括以下步骤：
S1.图像融合，基于压缩传感理论对卫星遥感图像进行融合；
S2.融合图像预处理，通过辐射校正和正射校正，进行融合图像剪裁，选取需要的图像区域；
S3.融合图像后处理，通过几何约束和形态学处理减少图像的噪声干扰和滤掉突刺；
S4.融合图像去雾处理，利用可见光图像与毫米波图像建立雾天图像退化模型，利用雾天图像退化模型对融合图像进行去雾，得到去雾图像；
S5.图像叠加，将S4中处理后的去雾图像和目标电子地图投影到同一坐标系下，然后进行分级切片编码，最后将切好的瓦片图叠加到电子图层上。
2.根据权利要求1所述的一种多光谱卫星遥感图像融合方法，其特征在于：所述S1中图像融合的具体方法包括以下步骤：
S101.获取RGB多光谱图像，并进行重采样处理；
S102.获取多帧全色图像，并进行超分辨重建，获得高空间分辨率全色图像；
S103.将高空间分辨率全色图像和低空间分辨率多光谱图像向量化；
S104.构造高空间分辨率的图像块的稀疏表示过完备原子库；
S105.根据各陆地观测卫星的成像原理，建立从高空间分辨率多光谱图像到高空间分辨率全色图像和低空间分辨率多光谱图像的模型；
S106.用基追踪算法求解该稀疏信号恢复的压缩传感问题，得到高空分辨率的多光谱彩色图像在过完备字典中的稀疏表示，再将该稀疏表示与与预先设定过完备字典相乘得到高空分辨率的多光谱彩色图像块向量表示，将该向量表示转化为图像块，得到融合图像。
3.根据权利要求2所述的一种多光谱卫星遥感图像融合方法，其特征在于：所述S101中获取RGB多光谱图像，并进行重采样处理包括：获取RGB多光谱图像：X＝(x1,x2,x3)T，其中的x1、x2、x3依次对应R波段图像、G波段图像、B波段图像；将RGB多光谱图像的每幅图像分别上采样N倍，得到重采样的多光谱图像。
4.根据权利要求1所述的一种多光谱卫星遥感图像融合方法，其特征在于：所述S2中辐射校正的方法具体步骤如下：利用完整的遥感图像处理平台进行快速大气校正工具进行辐射校正，去除部分大气的图像，或者利用完整的遥感图像处理平台进行基于光谱超立方的快速视线大气校正和辐射定标处理，将传感器记录的数字量化值转化为物理量相关的相对值。
5.根据权利要求1所述的一种多光谱卫星遥感图像融合方法，其特征在于：所述S2中正射校正的方法具体步骤如下：根据图像的有理多项式系数文件和数字高程模型，通过完整的遥感图像处理平台进行正射校正，校正遥感图像的空间和几何畸变，将图像校正为多中心投影正射图像。
6.根据权利要求1所述的一种多光谱卫星遥感图像融合方法，其特征在于：所述S3中选择大小为2～4的方形或圆盘结构元素进行形态学处理。
7.根据权利要求1所述的一种多光谱卫星遥感图像融合方法，其特征在于：所述S4中融合图像去雾处理的方法具体包括以下步骤：用毫米波图像替换可见光图像的亮度分量，保持可见光图像的色调和饱和度的值不变，得到RGB色彩空间下的毫米波图像，将RGB色彩空间下的毫米波图像作为不受大气光影响的图像，利用可见光图像与不受大气光影响的图像建立雾天图像退化模型，利用雾天图像退化模型对融合图像进行去雾，得到去雾图像。
8.根据权利要求7所述的一种多光谱卫星遥感图像融合方法，其特征在于：所述雾天图像退化模型为：
其中，I1(x)为可见光图像中像素点x的灰度值，I2(x)为不受大气光影响的图像中像素点x的灰度值，A为雾天图像退化模型的大气光值，t(x)为像素点x的透射率。
9.根据权利要求8所述的一种多光谱卫星遥感图像融合方法，其特征在于：所述雾天图像退化模型的大气光值通过利用暗通道先验算法求得。
10.根据权利要求1所述的一种多光谱卫星遥感图像融合方法，其特征在于：所述S5还包括将S4中处理后的去雾图像与电子地图进行点位比对来实现融合图像与目标电子地图的校正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111125869.5A CN113888421A (zh) | 2021-09-26 | 2021-09-26 | 一种多光谱卫星遥感图像融合方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111125869.5A CN113888421A (zh) | 2021-09-26 | 2021-09-26 | 一种多光谱卫星遥感图像融合方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113888421A true CN113888421A (zh) | 2022-01-04 |
Family
ID=79006536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111125869.5A Pending CN113888421A (zh) | 2021-09-26 | 2021-09-26 | 一种多光谱卫星遥感图像融合方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113888421A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116665066A (zh) * | 2023-07-31 | 2023-08-29 | 平安科技（深圳）有限公司 | 遥感数据处理方法、平台、计算机设备和可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101996396A (zh) * | 2010-09-16 | 2011-03-30 | 湖南大学 | 一种基于压缩传感理论的卫星遥感图像融合方法 |
| CN102542549A (zh) * | 2012-01-04 | 2012-07-04 | 西安电子科技大学 | 基于压缩感知的多光谱与全色图像超分辨融合方法 |
| CN108596103A (zh) * | 2018-04-26 | 2018-09-28 | 吉林大学 | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 |
| CN108921803A (zh) * | 2018-06-29 | 2018-11-30 | 华中科技大学 | 一种基于毫米波与可见光图像融合的去雾方法 |
| CN108932708A (zh) * | 2018-06-13 | 2018-12-04 | 中国科学院光电研究院 | 基于超分辨增强的星载多光谱遥感图像融合方法 |
| CN109933639A (zh) * | 2019-03-22 | 2019-06-25 | 合肥工业大学 | 一种面向图层叠加的多光谱图像与全色图像自适应融合方法 |
| CN112734636A (zh) * | 2020-12-16 | 2021-04-30 | 浙江大学德清先进技术与产业研究院 | 一种多源异构遥感影像的融合方法 |
-
2021
- 2021-09-26 CN CN202111125869.5A patent/CN113888421A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101996396A (zh) * | 2010-09-16 | 2011-03-30 | 湖南大学 | 一种基于压缩传感理论的卫星遥感图像融合方法 |
| CN102542549A (zh) * | 2012-01-04 | 2012-07-04 | 西安电子科技大学 | 基于压缩感知的多光谱与全色图像超分辨融合方法 |
| CN108596103A (zh) * | 2018-04-26 | 2018-09-28 | 吉林大学 | 基于最佳光谱指数选择的高分辨率卫星遥感影像建筑物提取方法 |
| CN108932708A (zh) * | 2018-06-13 | 2018-12-04 | 中国科学院光电研究院 | 基于超分辨增强的星载多光谱遥感图像融合方法 |
| CN108921803A (zh) * | 2018-06-29 | 2018-11-30 | 华中科技大学 | 一种基于毫米波与可见光图像融合的去雾方法 |
| CN109933639A (zh) * | 2019-03-22 | 2019-06-25 | 合肥工业大学 | 一种面向图层叠加的多光谱图像与全色图像自适应融合方法 |
| CN112734636A (zh) * | 2020-12-16 | 2021-04-30 | 浙江大学德清先进技术与产业研究院 | 一种多源异构遥感影像的融合方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116665066A (zh) * | 2023-07-31 | 2023-08-29 | 平安科技（深圳）有限公司 | 遥感数据处理方法、平台、计算机设备和可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111080724B (zh) | 一种红外和可见光的融合方法 | |
| CN111932457B (zh) | 遥感影像高时空融合处理算法及装置 | |
| Makarau et al. | Haze detection and removal in remotely sensed multispectral imagery | |
| Garzelli et al. | Optimal MMSE pan sharpening of very high resolution multispectral images | |
| Shen et al. | A spatiotemporal fusion based cloud removal method for remote sensing images with land cover changes | |
| CN103049898B (zh) | 带有薄云的多光谱和全色图像融合方法 | |
| CN108269244B (zh) | 一种基于深度学习和先验约束的图像去雾系统 | |
| CN108416784B (zh) | 城市建成区边界快速提取方法、装置及终端设备 | |
| Li et al. | Dead pixel completion of aqua MODIS band 6 using a robust M-estimator multiregression | |
| WO2006113583A2 (en) | Remote sensing imagery accuracy analysis method and apparatus | |
| CN108090872B (zh) | 基于梯度提取的单帧多光谱影像超分辨率重建方法及系统 | |
| WO2009149396A1 (en) | Generating agricultural information products using remote sensing | |
| 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 | |
| CN108288256A (zh) | 一种多光谱马赛克图像复原方法 | |
| Shen et al. | A spatial–spectral adaptive haze removal method for visible remote sensing images | |
| CN113112533A (zh) | 基于多分辨率分析的sar-多光谱-高光谱一体化融合方法 | |
| Garzelli et al. | Panchromatic sharpening of remote sensing images using a multiscale Kalman filter | |
| Yang et al. | A sparse representation based pansharpening method | |
| CN113888421A (zh) | 一种多光谱卫星遥感图像融合方法 | |
| Shi et al. | A novel thin cloud removal method based on multiscale dark channel prior (MDCP) | |
| CN114972122B (zh) | 高光谱遥感图像坏像元复原方法、装置、电子设备及介质 | |
| Li et al. | ConvFormerSR: Fusing transformers and convolutional neural networks for cross-sensor remote sensing imagery super-resolution | |
| CN116468615A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| Gungor et al. | Multi sensor data fusion for change detection | |
| KR20210096925A (ko) | 대용량 항공정사영상의 효율적인 색상보정 방법 |
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 |