排序方式： 共有4条查询结果，搜索用时 0 毫秒
1
1.
为解决全色与多光谱遥感影像融合中脉冲耦合神经网络参数不能自适应调节问题,提出一种基于参数自适应脉冲耦合神经网络模型(PA-PCNN)和保持能量属性(EA)融合策略相结合的非下采样剪切波变换(NSST)的遥感影像融合方法:①通过提取多光谱影像YUV颜色空间变换的Y亮度分量并与全色影像进行NSST变换,获得高频系数和低频系数.②针对低频子带系数,采用EA法进行融合;针对高频子带系数,通过PA-PCNN模型得到的最优参数,以确定最优的PCNN模型,进而实现高频子带系数的融合.③将NSST和YUV进行逆变换得到融合影像.本文选取空间频率、相对无量纲全局误差、相关系数、视觉信息保真度、基于梯度的融合性能和结构相似度测量等6种客观评价指标对融合影像的光谱和空间细节评价,利用多组不同分辨率全色和多光谱遥感影像,通过与4种融合方法对比验证,结果表明本文方法在视觉感知和客观评价方面总体优于其他全色与多光谱遥感影像融合方法. 相似文献
2.
目前,一些基于变分的Pan-sharpening方法是通过梯度下降法极小化能量泛函来实现融合,但梯度下降法在靠近极小值时收敛速度会减慢。若变分模型中包含有L1范数的不可微项时,梯度下降法存在鲁棒性不高、计算复杂的问题。该文根据L1范数能保持图像的几何纹理、分裂Bregman对含有L1范数的泛函收敛速度快的特点,在已有的变分模型基础上,将L1范数加入到模型中,构建能量泛函代价函数,并通过分裂Bregman迭代极小化能量泛函。在Worldview-2数据集上的融合结果表明,该方法可以生成同时具有高光谱和高空间分辨率的图像。 相似文献
3.
遥感影像融合作为影像处理领域中最具有挑战的工作,一直是学术界研究的热点。合成孔径雷达SAR（Synthetic Aperture Radar）具备全天时、全天候、穿透云雾等多种特点,却因存在相干斑噪声等问题,使得影像难以解译。相比之下,光学影像可以反映地物的光谱和空间信息,易于解译,但容易受到云雾干扰,造成信息丢失,将光学与SAR影像数据融合可以实现不同类型传感器成像之间的信息互补,能够更好地为后续的影像分析与解译提供方便。本文首先对光学和SAR影像融合进行了系统性回顾,包括传统融合方法和基于深度学习方法在影像融合方面的最新工作,重点阐述了卷积神经网络CNN（Convolutional Neural Network）、生成式对抗网络GAN（Generative Adversarial Networks）等框架在光学和SAR影像融合中的进展;然后总结了光学和SAR影像融合在深度学习领域开发的数据集,并做了简单介绍和说明;最后,从数据集、时间序列影像融合、融合评价体系和算法轻量化等4个方面对光学和SAR影像融合的未来发展趋势进行了展望。 相似文献
4.
1