PRISMA 产品的全色融合技术在考古勘探中的应用
该研究提供了卫星影像的全面融合技术评估,重点关注光谱保真度和空间增强两个关键方面。通过建立一种新颖的级联结构评估框架,对现有方法进行了详细比较分析,结果显示在光谱精度提高 88% 的同时实现了空间分辨率的增强。研究揭示了融合技术在遥感应用中的实际意义,并强调了光谱和空间两个方面的重要性。通过系统地采用多种融合算法,对它们的性能进行了整体观察,有助于更深入地了解它们的能力和局限。
May, 2024
本研究比较了基于高光谱数据的新型泛光谱技术和一些适用于高光谱数据的多光谱泛光谱技术的方法,并通过广泛使用的性能指标评估了它们的有效性和鲁棒性,并提供一个 MATLAB 工具箱供社区使用。
Apr, 2015
提出了使用高分辨率多场景数据集 PanBench 和级联多尺度融合网络(CMFNet)进行高保真度的 Pansharpening,通过对 CMFNet 进行大量实验证实其有效性,并开放了数据集、源代码和预训练模型以促进遥感领域的进一步研究。
Nov, 2023
利用 PRISMA 的高光谱数据进行变化检测,在不同的目标(从自然到城市区域)中应用了标准和深度学习方法,发现植被和建筑环境的变化能够被很好地捕捉到,但大气效应和可靠的地面真实性缺失是高光谱变化检测的主要挑战。
Oct, 2023
利用简单矩阵方程描述了全色融合问题,通过引入广义逆矩阵理论,推导了两种普遍形式的逆矩阵公式,实验结果表明所提方法在合成和真实实验中都比其他方法更好更清晰,且降采样增强方法在真实实验中达到了更好的定量和定性效果。
Oct, 2023
本研究提供了一个完整的框架,利用 PRISMA 卫星任务的图像和深度学习模型识别甲烷 (CH4) 云,并通过转换 Sentinel-2 的高分辨率云到 PRISMA 训练该模型实现了大面积检测,为未来的高光谱传感器的甲烷云大规模检测奠定了基础。
Nov, 2022
本文提出基于深度学习的无需全色图像的全色增强技术方法,通过内置基础边缘轮廓实现对全色图像的无需输入,该方法在高分一号和 WorldView-4 卫星上获得最佳增强效果。
Jun, 2023
这篇论文开发了一种全自动的无监督处理工作流程,使用一种轻量级的自动编码器和高斯混合模型来对地质材料进行聚类,该工作流程称为 GyPSUM, 可以快速准确地聚类相似的地质材料并在实验室图像和遥感图像中一致地识别和分离主要的矿物类。
Jun, 2021
这篇论文介绍了一种用于遥感全色增强任务的空间 - 光谱集成扩散模型 (SSDiff),该模型通过子空间分解的视角将全色增强过程视为空间和光谱成分的融合过程。SSDiff 利用空间和光谱分支分别学习空间细节和光谱特征,然后采用设计的交替投影融合模块 (APFM) 来完成融合。此外,文章还提出了一种调制频率分布的分支间频率调制模块 (FMIM)。SSDiff 的两个组件通过一种类似分支交替微调方法的低秩适应 (LoRA) 来优化性能,更充分地捕捉分量区分特征。对 WorldView-3、WorldView-2、GaoFen-2 和 QuickBird 四个常用数据集进行的大量实验在视觉和定量上证明了 SSDiff 的优越性。
Apr, 2024