基于稀疏表示的高光谱与多光谱图像融合
本文介绍了一种新的 HS-MS 图像融合策略,该策略将不混合基础方法与典型光谱变异的显式参数模型相结合,模拟表明该策略在光谱变异下可以显著提高性能,并表现出最先进的性能。
Aug, 2018
本文提出使用三维卷积神经网络(3-D-CNN)的方法来融合多光谱(MS)和高光谱(HS)图像,以获得高分辨率的高光谱图像。在融合之前进行高光谱图像的降维以显著减少计算时间,并使方法对噪声更具鲁棒性。实验结果表明,与传统方法相比,所提出的方法在高光谱图像受加性噪声干扰时尤其表现出色。
Jun, 2017
该研究介绍了一种基于凸优化的构建高分辨率 HSI 和高分辨率 MSI 综合图像的数据融合方法,使用向量全变差作为正则化项,通过 Split Augmented Lagrangian Shrinkage Algorithm(SALSA)算法实现优化,取得了优于现有算法的效果。
Nov, 2014
通过将两个校准的多光谱实时摄像机结合成一个立体系统,我们提出了一种新方法来连续捕捉高光谱数据立方体,实现三维重建和光谱分析,以提高空间分辨率和光谱分辨率的视频流,旨在用于手术辅助监控。
Dec, 2023
该论文介绍了一种 Bayesian 融合技术,旨在将多波段遥感图像融合为高光谱和高空间分辨率图像,并且通过引入适当的先验分布和 Markov 链蒙特卡罗算法设计实现,以提高融合方法的效率。
Jul, 2013
使用混合架构,通过从合成孔径感测得到的整体空中图像和传统空中图像提取最重要的特征,以消除由于茂密植被引起的遮挡。该方法结合了环境的空间参考和无遮挡目标的特征,不需要手动调整参数,可以扩展到任意数量和组合的光谱通道,可根据不同用例进行重新配置,超越了现有技术。
Nov, 2023
这篇论文介绍了三种基于深度卷积稀疏编码网络的图像融合任务,并使用字典卷积单元将 CSC 模型和迭代收缩阈值算法泛化,从而从数据中学习所有超参数。广泛的实验和综合比较表明,与量化评估和视觉检查相关的所有性能指标中,所提出的网络优越性显著。
May, 2020
本文提出了一种基于循环一致性的无监督高光谱图像和多光谱图像融合模型,通过学习低分辨率高光谱图像与高分辨率多光谱图像之间的域转换,实现了高分辨率高光谱图像的生成,并且在多个数据集上的实验证明该模型优于其他无监督融合方法。
Jul, 2023
本研究介绍了一个合成高光谱数据集,通过高光谱和高空间分辨率成像实现观测场景或物体的全面、准确、详细的表示,强调多模态融合在生成高质量合成高光谱数据集中的重要性,以及光谱 - 空间关系的改善对于各个领域的分析、监测和决策的影响。
Jun, 2023
通过将多尺度空间正则化方法推广到无混合问题中,通过融合组稀疏诱导混合范数,提出了一种噪声鲁棒的方法,能够在合理的计算成本下利用束结构处理端元变异,并确保丰度估计的类内和类间稀疏性。同时,我们还提出了一种通用的启发式方法,通过多次运行混合过程选择得到最具代表性的丰度估计,从而获得具有鲁棒性和高可复现性的解决方案。实验结果表明,在与相关方法比较时,所得结果的鲁棒性和一致性。
Jan, 2024