CN114862733A - 结合光谱解混先验和可学习退化约束的高光谱图像融合方法 - Google Patents
结合光谱解混先验和可学习退化约束的高光谱图像融合方法 Download PDFInfo
- Publication number
- CN114862733A CN114862733A CN202210528527.6A CN202210528527A CN114862733A CN 114862733 A CN114862733 A CN 114862733A CN 202210528527 A CN202210528527 A CN 202210528527A CN 114862733 A CN114862733 A CN 114862733A
- Authority
- CN
- China
- Prior art keywords
- abundance
- image
- degradation
- network
- resolution
- 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
- 230000015556 catabolic process Effects 0.000 title claims abstract description 67
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 67
- 238000001228 spectrum Methods 0.000 title claims abstract description 17
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000004927 fusion Effects 0.000 claims abstract description 25
- 230000006870 function Effects 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 15
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 9
- 230000003595 spectral effect Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 241000287196 Asthenes Species 0.000 claims description 2
- 229910052757 nitrogen Inorganic materials 0.000 claims description 2
- 229910052698 phosphorus Inorganic materials 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 10
- 238000013135 deep learning Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种结合光谱解混先验和可学习退化约束的高光谱图像融合方法,该方法包括:对高光谱图像应用解混模型,建立高分辨丰度与低分辨丰度间的退化关系;结合高光谱图像解混过程,优化低分辨率丰度以及高分辨率丰度;构建空间退化网络以及光谱退化网络学习图像间退化关系,空间退化网络能够同时适应丰度以及高光谱图像的输入;构建残差块优化中间图像,学习更加精细的特征;网络损失函数为L1范数。本发明方法应用于全色图像与高光谱图像融合或多光谱图像与高光谱图像融合有优异性能。
Description
技术领域
本发明涉及高光谱图像融合技术,特别是一种结合光谱解混先验和可学习退化约束的高光谱图像融合方法。
背景技术
低分辨率高光谱图像(LRHS)具有数十个甚至数千个光谱波段,可以捕获物体的详细光谱信息,具有较大的光谱范围和丰富的光谱信息。高分辨率多光谱图像(HRMS)具有的光谱信息少于高光谱图像,但具有较高的空间分辨率,可以为高光谱图像提供空间信息,生成高分辨率高光谱(HRHS)图像,具有良好的空间和光谱分辨率。
深度学习网络利用多层神经网络的结构,对原始信号进行多次线性、非线性变换,从而提取出丰富的信号特征,并将其应用到实际问题的分类和识别中。深度学习利用更多的隐层权值和训练数据,使训练出的模型接近于更好的分类和预测模型。在图像融合方面,与传统的图像融合方法相比,基于深度学习的算法不需要恢复HRHS很多的先验知识,可以通过匹配的训练数据来训练一组模拟网络的输入(LRHS和HRHS图像)和输出(HRHS图像)。
基于深度学习的高光谱图像处理技术展示了其优异的性能,如[Dong C,Loy C C,He K,et al.Image super-resolution using deep convolutional networks[J].IEEEtransactions on pattern analysis and machine intelligence,2015,38(2):295-307.],该卷积神经网络能够直接学习低和高分辨率图像间的关系。该网络利用较少的层数取得了较好的效果,但直接学习映射关系而没有利用图像间的相关性。目前,许多学者提出了通过卷积运算来建模图像图像间波段关系的模型,如[Palsson F,Sveinsson J R,Ulfarsson M O.“Multispectral and Hyperspectral Image Fusion Using a 3-DConvolutional Neural Network.IEEE Geoscience and Remote Sensing[J],2017,14(5):639-643.]。最近,有学者提出了一种考虑了低分辨率图像观测模型,以及HRHS图像在光谱维的低秩先验的高光谱与多光谱图像融合模型[Xie Q,et al.“Multispectral andHyperspectral Image Fusion by MS/HS Fusion Net[J],IEEE,2020:1585-1594.]。该方法利用较少的先验知识提出融合模型,并利用近端梯度法设计了迭代算法来求解。
这些深度学习在学习模型图像融合过程中描述输入和输出对象之间的复杂映射关系的能力受限,因此,本发明提出了一种结合光谱解混先验和可学习退化约束的高光谱图像融合方法。本方法建立高分辨丰度与低分辨丰度间的退化关系,优化高分辨率丰度的同时能够优化低分辨率丰度,利用简单的先验构造了容易学习的映射关系,改善了传统深度学习方法由低分辨往高分辨映射的困难性从而需要极大数据量的缺点。同时,利用图像间的退化关系建立退化网络,构造的空间退化网络能够适应不同深度图像的输入,在训练的过程中较好的优化了网络参数。此外,构建残差块优化生成的中间图像,加快了网络训练速度。本发明方法利用较少的网络层数,使网络能够在一个闭环中进行训练,在Cave、Harvard数据集上的仿真实验表明,该模型产生融合图像质量较高,应用于全色图像与高光谱图像融合或多光谱图像与高光谱图像融合有优异性能。
发明内容
本发明公开了一种结合光谱解混先验和可学习退化约束的高光谱图像融合方法。
实现本发明目的的技术解决方案为:第一方面,本发明提供一种结合光谱解混先验和可学习退化约束的高光谱图像融合方法,包括以下步骤
第一步,对高光谱图像应用解混模型,建立高分辨丰度与低分辨丰度间的退化关系;
第二步,结合高光谱图像解混过程,得到初始高分辨丰度,经过空间退化生成低分辨丰度,优化低分辨丰度以及高分辨丰度;
第三步,构建残差块优化中间图像,学习更加精细的特征,加快网络训练速度;
第四步,构建空间退化网络以及光谱退化网络学习图像间退化关系,空间退化网络能够同时适应丰度以及高光谱图像的输入,构建的退化网络使整体网络能够在一个闭环中训练;
第五步,网络损失函数为L1范数,建立的损失包含空间损失,光谱损失以及正则化项。
第二方面,本发明提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面所述方法的步骤。
第三方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述方法的步骤。
第四方面,本发明提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现第一方面所述方法的步骤。
与现有技术相比,本发明的显著特点在于:(1)运用高光谱解混模型建立高分辨丰度与低分辨丰度间的退化关系,有利于优化空间退化网络以及低分辨丰度;(2)优化丰度并利用丰度并重构图像的过程中,通过训练共同的端元值,以较少的层数优化网络参数,有利于恢复良好的图像特征;(3)利用图像间的退化关系建立退化网络,减少了由于传统下采样过程可能导致的光谱畸变,同时使得整体网络能够在一个闭环中被训练;(4)引入残差学习,能够减小网络运行参数,加快了网络训练速度。本发明方法能够被有效应用于全色图像与高光谱图像融合或多光谱图像与高光谱图像融合,下面结合附图对本发明作进一步详细描述。
附图说明
图1为本发明方法的结构图。
图2为本发明方法的网络结构图。
图3、图4为本发明在Cave数据集上的测试结果(波段=31)。
图5、图6为本发明在Harvard数据集上的测试结果(波段=21)。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
结合图1、图2,下面详细说明本发明的实施过程,步骤如下:
第一步,对高光谱图像应用解混模型,得到待优化的初始高分辨丰度,并建立高分辨丰度与低分辨丰度间的退化关系。假设为原始参考图像,H、W、C分别为其高度、宽度和通道数;图像为多光谱图像,H、W、c分别为其高度、宽度和通道数,c<C;图像为低空间分辨率的高光谱图像,h、w、C分别为其高度、宽度和通道数,h<H,w<W。对图像Z和图像X应用解混模型,则有:
Z≈WhHm
X≈WhHh
Hh≈HmS
第二步,结合高光谱图像解混过程,得到初始高分辨丰度,经过空间退化生成低分辨丰度,优化低分辨丰度以及高分辨丰度。端元可利用解混算法求解,再利用代价函数求解丰度。丰度Hh可由以下模型求得:
其中,↑表示插值操作,运算符表示卷积运算,表示第k个卷积块第p层的卷积核参数,Wi为卷积核参数,[...]为拼接操作,表示经过第k个卷积块优化的丰度,G()表示激活函数,F1()表示空间退化网络,n为卷积块数,L为卷积块包含的卷积层数。
第四步,构建空间退化网络以及光谱退化网络学习图像间退化关系,空间退化网络能够同时适应丰度以及高光谱图像的输入,构建的退化网络使整体网络能够在一个闭环中训练。空间退化网络对输入图像的每个波段卷积,并将输出的波段图像重新拼接生成退化后的图像;光谱退化网络对输入图像直接卷积生成退化后的图像。为了方便表示,我们将丰度记为M,将丰度记为H。网络第i次迭代时,图像与丰度经过空间退化网络,以及丰度经过空间退化网络的过程被表示为:
1≥M≥0,1≥H≥0
其中,1≥M≥0,1≥H≥0表示丰度非负约束(ANC),为待优化LRHS图像,为待优化HRMS图像,为第p个波段的图像,Wi为卷积核参数,F1()表示空间退化网络,F2()表示光谱退化网络,N,P为图像波段数,[...]为拼接操作。
第五步,网络损失函数为L1范数,建立的损失包含空间损失,光谱损失以及正则化项。记L表示总损失,则有:
L=LSpatial+αLSpectral+βLASC
其中,LSpatial表示空间损失,LSpectral表示光谱损失,LASC表示正则化项,(α,β)表示平衡系数。X,Y是作为参考值的低分辨率高光谱图像和多光谱图像;LASC利用丰度和为一约束(ASC),能够规范训练过程中产生的丰度值,则有:
LASC=||1hw-X1K||1+||1-Y1K||1
其中1p表示长度为p,值均为1的向量。总的损失函数如下所示:
本发明方法通过建立高分辨丰度与低分辨丰度间的退化关系,优化高分辨率丰度的同时能够优化低分辨率丰度,利用简单的先验构造了容易学习的映射关系,改善了传统深度学习方法由低分辨往高分辨映射的困难性从而需要极大数据量的缺点。同时,利用图像间的退化关系建立退化网络,构造的空间退化网络能够适应不同深度图像的输入,在训练的过程中较好的优化了网络参数。此外,构建残差块优化生成的中间图像,加快了网络训练速度。本发明方法利用较少的网络层数,使网络能够在一个闭环中进行训练,在Cave、Harvard数据集上的仿真实验表明,该模型产生融合图像质量较高,应用于全色图像与高光谱图像融合或多光谱图像与高光谱图像融合有优异性能。
本发明的效果可通过以下仿真实验进一步说明:
仿真条件
仿真实验采用两组高光谱数据集,分别为Cave数据集和Harvard数据集。Cave数据集包含32张室内高光谱图像,每张图像包含31个波段,波长范围从400nm到700nm,图像分辨率为512×512。Harvard数据集包含50张日光条件下的室内外图像,共有31个波段,波长范围为420nm到720nm,图像分辨率为1392×1040。对于Cave数据集,随机选取20张图像作为训练集,选取12张图像作为测试集。对于Harvard数据集,随机选取30张图像作为训练集,选取20张图像作为测试集。对于Harvard数据集的每张图像,我们裁剪坐上角的1040×1040作为测试以及训练。由于数据集上不存在真实图像,因此使用Wald协议[R.Carla,L.Santurri,B.Aiazzi,and S.Baronti,“Full-scale assessment of pansharpening throughpolynomial fitting of multiscale measurements,”IEEE Transactions onGeoscience and Remote Sensing,vol.53,no.12,pp.6344–6355,2015.]生成训练数据,对于上面所提到的两个数据集,原始图像作为理想HRHS图像,然后使用均值为0、标准差为2的9×9高斯核进行滤波,并16倍下采样生成LRHS图像。HRMS图像的生成方式有所不同,我们根据Nikon D700相机的光谱响应曲线模拟生成HRMS图像(RGB图像)。对于CAVE数据集,HRHS图像块大小为512×512,LRHS图像块大小为32×32;对于Harvard数据集,HRHS图像块大小为1024×1024,LRHS图像块大小为64×64。
仿真实验结果分析
图3、图4分别为本发明方法在Cave数据集上的仿真实验结果。图5、图6分别为本发明方法在Harvard数据集上的仿真实验结果。图3和图5中,(a)表示真实图像,(b)、(c)、(d)、(e)、(f)、(g)分别表示CNMF、SupResPALM、DRPNN、VDSR、DHSIS以及本发明方法的融合结果图像。图4和图6中,(a)表示真实图像,(b)、(c)、(d)、(e)、(f)、(g)分别表示CNMF、SupResPALM、DRPNN、VDSR、DHSIS以及本发明方法的融合结果与真实图像的残差图像。从融合结果看,难以直接从视觉上区分好坏。从残差图看,本发明方法图像融合结果误差更小。为更进一步量化模型性能,使用PSNR(峰值信噪比)、SAM(光谱角)、RMSE(均方根误差)、SSIM(结构相似度)、UIQI(图像失真度)、作为图像评价指标,如表1、表2所示。
表1各方法在CAVE数据集上的定量分析结果
表2各方法在Harvard数据集上的定量分析结果
结果表明,本发明方法在SAM指标上弱于DHSIS方法,而在其他四个指标上均优于另外五个经典方法,表明了本发明方法的有效性。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种结合光谱解混先验和可学习退化约束的高光谱图像融合方法,其特征在于,包括以下步骤:
第一步,对高光谱图像应用解混模型,建立高分辨丰度与低分辨丰度间的退化关系;
第二步,结合高光谱图像解混过程,得到初始高分辨丰度,经过空间退化生成低分辨丰度,优化低分辨丰度以及高分辨丰度;
第三步,构建残差块优化中间图像,学习更加精细的特征,加快网络训练速度;
第四步,构建空间退化网络以及光谱退化网络学习图像间退化关系,空间退化网络能够同时适应丰度以及高光谱图像的输入,构建的退化网络使整体网络能够在一个闭环中训练;
第五步,网络损失函数为L1范数,建立的损失包含空间损失,光谱损失以及正则化项。
2.根据权利要求1所述的结合光谱解混先验和可学习退化约束的高光谱图像融合方法,其特征在于,第一步,对高光谱图像应用解混模型,得到待优化的初始高分辨丰度,并建立高分辨丰度与低分辨丰度间的退化关系;假设为原始参考图像,H、W、C分别为其高度、宽度和通道数;图像为多光谱图像,H、W、c分别为其高度、宽度和通道数,c<C;图像为低空间分辨率的高光谱图像,h、w、C分别为其高度、宽度和通道数,h<H,w<W;对图像Z和图像X应用解混模型,则有:
Z≈WhHm
X≈WhHh
Hh≈HmS。
3.根据权利要求1所述的结合光谱解混先验和可学习退化约束的高光谱图像融合方法,其特征在于,第二步,结合高光谱图像解混过程,得到初始高分辨丰度,经过空间退化生成低分辨丰度,优化低分辨丰度以及高分辨丰度;端元可利用解混算法求解,再利用代价函数求解丰度;丰度Hh可由以下模型求得:
5.根据权利要求1所述的结合光谱解混先验和可学习退化约束的高光谱图像融合方法,第四步,构建空间退化网络以及光谱退化网络学习图像间退化关系,空间退化网络能够同时适应丰度以及高光谱图像的输入,构建的退化网络使整体网络能够在一个闭环中训练;空间退化网络对输入图像的每个波段卷积,并将输出的波段图像重新拼接生成退化后的图像;光谱退化网络对输入图像直接卷积生成退化后的图像;将丰度记为M,将丰度记为H;网络第i次迭代时,图像与丰度经过空间退化网络,以及丰度经过空间退化网络的过程被表示为:
1≥M≥0,1≥H≥0
6.根据权利要求1所述的结合光谱解混先验和可学习退化约束的高光谱图像融合方法,第五步,网络损失函数为L1范数,建立的损失包含空间损失,光谱损失以及正则化项;记L表示总损失,则有:
L=LSpatial+αLSpectral+βLASC
其中,LSpatial表示空间损失,LSpectral表示光谱损失,LASC表示正则化项,(α,β)表示平衡系数;X,Y是作为参考值的低分辨率高光谱图像和多光谱图像;LASC利用丰度和为一约束,能够规范训练过程中产生的丰度值,则有:
LASC=||1hw-X1K||1+||1-Y1K||1
其中1hw表示长度为hw,值均为1的向量,1K表示长度为K,值均为1的向量;
总的损失函数如下所示:
7.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-6中任一所述的方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6中任一所述的方法的步骤。
9.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-6中任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210528527.6A CN114862733A (zh) | 2022-05-16 | 2022-05-16 | 结合光谱解混先验和可学习退化约束的高光谱图像融合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210528527.6A CN114862733A (zh) | 2022-05-16 | 2022-05-16 | 结合光谱解混先验和可学习退化约束的高光谱图像融合方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114862733A true CN114862733A (zh) | 2022-08-05 |
Family
ID=82636840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210528527.6A Pending CN114862733A (zh) | 2022-05-16 | 2022-05-16 | 结合光谱解混先验和可学习退化约束的高光谱图像融合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114862733A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115760670A (zh) * | 2023-01-06 | 2023-03-07 | 之江实验室 | 基于网络隐式先验的无监督高光谱融合方法及装置 |
-
2022
- 2022-05-16 CN CN202210528527.6A patent/CN114862733A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115760670A (zh) * | 2023-01-06 | 2023-03-07 | 之江实验室 | 基于网络隐式先验的无监督高光谱融合方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | 3-D quasi-recurrent neural network for hyperspectral image denoising | |
Zhang et al. | Image restoration: From sparse and low-rank priors to deep priors [lecture notes] | |
CN110119780B (zh) | 基于生成对抗网络的高光谱图像超分辨重建方法 | |
Huang et al. | WINNet: Wavelet-inspired invertible network for image denoising | |
CN112116065A (zh) | 一种rgb图像光谱重建方法、系统、存储介质及应用 | |
CN105069825A (zh) | 基于深度置信网络的图像超分辨率重建方法 | |
CN106097278B (zh) | 一种多维信号的稀疏模型、重建方法和字典训练方法 | |
Jiang et al. | Multi-scale hybrid fusion network for single image deraining | |
Luo et al. | Lattice network for lightweight image restoration | |
CN112669248B (zh) | 基于cnn与拉普拉斯金字塔的高光谱与全色图像融合方法 | |
CN109214989A (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
CN110378344B (zh) | 基于谱维转换网络的卷积神经网络多光谱图像分割方法 | |
CN109886898B (zh) | 基于优化启发的神经网络的光谱成像系统的成像方法 | |
CN112884668A (zh) | 基于多尺度的轻量级低光图像增强方法 | |
CN108492249A (zh) | 基于小卷积递归神经网络的单帧超分辨重建方法 | |
CN112163998A (zh) | 一种匹配自然降质条件的单图像超分辨率分析方法 | |
CN115272093A (zh) | 一种基于空间结构信息约束的高光谱图像解混方法 | |
Ma et al. | Multi-task interaction learning for spatiospectral image super-resolution | |
CN114862733A (zh) | 结合光谱解混先验和可学习退化约束的高光谱图像融合方法 | |
Khader et al. | NMF-DuNet: Nonnegative matrix factorization inspired deep unrolling networks for hyperspectral and multispectral image fusion | |
Wang et al. | Underwater image super-resolution using multi-stage information distillation networks | |
CN105931181B (zh) | 基于非耦合映射关系的影像超分辨率重建方法及系统 | |
Wen et al. | The power of complementary regularizers: Image recovery via transform learning and low-rank modeling | |
Yang et al. | Learning Degradation-Aware Deep Prior for Hyperspectral Image Reconstruction | |
Yang et al. | MGDUN: An interpretable network for multi-contrast MRI image super-resolution reconstruction |
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 |