-
公开(公告)号：CN116468645A
公开(公告)日：2023-07-21
申请号：CN202310730516.0
申请日：2023-06-20
Applicant: 吉林大学
IPC: G06T5/50 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/048 , G06N3/08 , G06N3/094 , G06T3/40
Abstract: 本发明属于图像处理领域，涉及一种对抗性高光谱多光谱遥感融合方法，包括构建训练网络所需数据集，构建生成器网络，基于卷积神经网络结构构建鉴别器网络，对生成器和鉴别器网络进行训练，生成一个充分训练的网络模型，生成同时具有高空间分辨率和高光谱分辨率的遥感图像。本发明的生成器利用细节注入框架进行建模，并通过双分支输入方式分别提取高光谱遥感图像和多光谱遥感图像的特征，然后进行特征融合生成空间残差注入至上采样的高光谱遥感图像得到生成图像，鉴别器采用了纯卷积神经网络架构；本发明提出了一种新的损失函数，以增强图像融合精度；本发明能够有效融合高光谱与多光谱遥感图像的空‑谱信息，得到高分辨率高光谱图像。
-
公开(公告)号：CN116468645B
公开(公告)日：2023-09-15
申请号：CN202310730516.0
申请日：2023-06-20
Applicant: 吉林大学
IPC: G06T5/50 , G06N3/0455 , G06N3/0464 , G06N3/0475 , G06N3/048 , G06N3/08 , G06N3/094 , G06T3/40
Abstract: 本发明属于图像处理领域，涉及一种对抗性高光谱多光谱遥感融合方法，包括构建训练网络所需数据集，构建生成器网络，基于卷积神经网络结构构建鉴别器网络，对生成器和鉴别器网络进行训练，生成一个充分训练的网络模型，生成同时具有高空间分辨率和高光谱分辨率的遥感图像。本发明的生成器利用细节注入框架进行建模，并通过双分支输入方式分别提取高光谱遥感图像和多光谱遥感图像的特征，然后进行特征融合生成空间残差注入至上采样的高光谱遥感图像得到生成图像，鉴别器采用了纯卷积神经网络架构；本发明提出了一种新的损失函数，以增强图像融合精度；本发明能够有效融合高光谱与多光谱遥感图像的空‑谱信息，得到高分辨率高光谱图像。
-
公开(公告)号：CN115861083B
公开(公告)日：2023-05-16
申请号：CN202310193616.4
申请日：2023-03-03
Applicant: 吉林大学
IPC: G06T3/40 , G06N3/0464 , G06N3/08 , G06T5/20 , G06T5/50
Abstract: 本发明提供了一种多尺度和全局特征的高光谱与多光谱遥感融合方法，该方法从高光谱图像和多光谱图像提取融合图像和高光谱图像之间的残差信息，然后将其注入至上采样的高光谱图像中得到融合结果，网络分为光谱保持和细节注入两个分支，光谱保持分支采用空间插值技术将高光谱图像插值为与多光谱图像相同的空间尺寸，细节注入分支引入了残差多尺度卷积模块和全局上下文模块，其作用是提取残差信息，并将其注入至高光谱图像，能够生成同时具有高光谱分辨率和高空间分辨率的遥感图像，为遥感图像融合领域增添一种新方法。
-
公开(公告)号：CN115861083A
公开(公告)日：2023-03-28
申请号：CN202310193616.4
申请日：2023-03-03
Applicant: 吉林大学
IPC: G06T3/40 , G06N3/0464 , G06N3/08 , G06T5/20 , G06T5/50
Abstract: 本发明提供了一种多尺度和全局特征的高光谱与多光谱遥感融合方法，该方法从高光谱图像和多光谱图像提取融合图像和高光谱图像之间的残差信息，然后将其注入至上采样的高光谱图像中得到融合结果，网络分为光谱保持和细节注入两个分支，光谱保持分支采用空间插值技术将高光谱图像插值为与多光谱图像相同的空间尺寸，细节注入分支引入了残差多尺度卷积模块和全局上下文模块，其作用是提取残差信息，并将其注入至高光谱图像，能够生成同时具有高光谱分辨率和高空间分辨率的遥感图像，为遥感图像融合领域增添一种新方法。
-
-
-
Search Results
4
records
(took 0.017 seconds)
