基于网络隐式先验的无监督高光谱融合方法及装置.pdf
Th****84
亲,该文档总共15页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于网络隐式先验的无监督高光谱融合方法及装置.pdf
本发明公开了基于网络隐式先验的无监督高光谱融合方法及装置,获取低分辨率高光谱和高分辨率多光谱图像;采用噪声对图像进行扰动;将噪声扰动后的图像输入至编码器‑解码器体系结构,进行多级特征学习,生成高分辨率高光谱图像的模糊估计;对模糊估计分别进行空间和光谱下采样;基于低分辨率高光谱图像与空间下采样的结果,高分辨率多光谱图像与光谱下采样的结果,计算退化模型的损失函数,反向传播退化模型的优化参数给编码器‑解码器体系结构;重复执行上述过程,直至生成高分辨率高光谱图像的模糊估计达到循环终止条件。本发明利用两个并行的特殊
基于无监督光谱解混神经网络的高光谱图像变化检测方法.pdf
本发明为解决现有无监督变化检测算法主要是基于光谱的代数变换和光谱解混存在对具有混合像元的高光谱数据中表现不佳和适用性限制较大的技术问题,而提供一种基于无监督光谱解混神经网络的高光谱图像变化检测方法。包括以下步骤:1、对两个不同时相的高光谱图像进行切分与混合,得到高光谱图像块数据,将其作为训练数据集;2、构建光谱解混网络,生成带有图像特征的端元矩阵和丰度矩阵;3、根据端元矩阵和丰度矩阵重构高光谱图像块数据,选择重构误差训练光谱解混网络;4、基于完成训练的光谱解混网络,根据丰度矩阵生成模块输出的丰度矩阵生成变
一种基于无监督深度学习网络的高动态图像融合方法.pdf
本发明涉及图像处理技术技术领域,尤其涉及一种基于无监督深度学习网络的高动态图像融合方法,包括以下操作步骤:S1、编码器设计:选择经典深度网络结构的主体部分,去除网络最后的全连接层与分类层,保留剩余部分作为编码器的网络结构;S2、解码器设计:根据编码器网络,设计一一对应的对称网络;S3、权值图设计:对解码器网络的输出经过全连接层与分类层,得到与输入图像大小一致的权值图像,用于输入图像的加权求和;S4、训练与测试。本发明无需标注训练集样本,能够实现无监督学习,并且可以消除块效应、光晕伪影等传统方法带来的问题,
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.pdf
本发明属于高光谱与多光谱图像融合领域,具体提供一种基于空间‑光谱联合低秩的高光谱与多光谱图像融合方法,通过对空间‑光谱维度的非局部低秩表示和相关优化方法实现高光谱与多光谱图像的融合。在尽可能减少光谱失真的前提下,利用已知多光谱图像丰富的空间信息进行非局部自相似数据块的提取,接着考虑重构图像空间和光谱维度的低秩特性,采用低变换张量秩的方式探索图像中的相似性和相关性,最后通过分段优化的思想和交替方向乘子法迭代求解目标优化函数实现高光谱与多光谱图像的融合。本发明通过非局部联合低秩实现了高光谱与多光谱图像的有效融
基于非重叠波段模拟的高光谱和多光谱图像融合方法.pdf
本发明提供了一种基于非重叠波段模拟的高光谱和多光谱图像融合方法。首先,对图像进行预处理,并使用光谱解混技术生成在非重叠波段模拟的多光谱图像;然后,使用多光谱图像波段的最优线性组合获得对应于每个波段高光谱图像的高分辨率图像;最后,使用注入模型将高分辨率图像注入到每个波段的高光谱图像中,得到融合后的图像。本发明可以在保留高光谱图像中光谱信息的同时提高图像的空间分辨率,得到同时具有高空间分辨率和高光谱分辨率的融合图像,尤其是可以有效提高在高光谱和多光谱图像的波长重叠范围小的情况下的融合图像质量。