![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
光谱图像
文章平均质量分 93
Miracle Fan
print("Hello World")------print("你好,世界")
展开
-
光谱图像超分辨率综述
采用channel attention以及spatial attention,可以分别学习channel维度(频段维度),spatial维度(空间维度hw)之间特定的信息,用于保留输入图像的关键空间信息以及频段信息。与L1损失相比,L2损失可以有力地处理较大的误差,但不能对较小的误差进行有效的惩罚,因此经常导致结果过于平滑。所有残差单元共享相同的权重,大大减少了模型参数的数量。密集连接最重要的特点是能够重用包括低级特征和高级特征在内的特征,与普通skip connection相比,这是一个优越的方面。原创 2023-11-21 10:00:00 · 545 阅读 · 0 评论 -
MHF-Net(CVPR2019,TPAMI2020):一种可解释的光谱融合网络
在光谱融合超分的领域中,现有传统方法极大依赖于手工先验知识,造成大量的主观性问题,而基于深度学习的方法,只是利用了通用图像超分的框架进行的处理,不具有很好的可解释性。 基于此,本论文从融合模型下手,通过将模型使用神经网络进行优化求解,让提出的MHF-net的每个模块都具有其自己的物理意义。在网络架构基础上,还针对训练数据和测试数据响应矩阵不匹配的问题进行了单独设计。原创 2023-12-18 11:27:56 · 1127 阅读 · 0 评论 -
ZSL (TPAMI 2023): 基于Zero-Shot方法的光谱锐化模型
近年来CNN在光谱图像融合锐化效果出色,然而这些方法往往缺乏训练数据,泛化能力有限,于是提出了一种用于光谱图象的Zero-Shot学习方法。 具体而言,我们首先提出了一种高精度定量估计成像传感器空间和光谱响应的新方法。在训练过程中,我们根据估计的空间响应对MSI和HSI进行空间抽样,并使用下采样的HSI和MSI来推断原始HSI。这样,我们不仅可以利用HSI和MSI的固有信息,而且训练好的CNN也可以很好地泛化到测试数据中。 此外,我们在HSI上进行了降维。原创 2023-12-11 12:16:57 · 1130 阅读 · 0 评论 -
SSF-CNN:空间光谱融合的卷积光谱图像超分网络
本文提出了一种利用空间和光谱进行高光谱融合图像超分辨率的新型CNN架构,首先是对高光谱图像进行双三次插值,使其空间分辨率大小和多光谱一致,然后进行concat操作。使用类似于SRCNN的网络框架对融合超分的图像进行优化,最后输出高分辨率高光谱超分图像。 对于PDCon,也就是引入了部分密集连接,将输入concat到每一个卷积层后面。Hyperspectral-Image-Super-Resolution-Benchmark——光谱图像超分基准-CSDN博客PaperIEEECode。原创 2023-11-25 16:46:32 · 1256 阅读 · 0 评论 -
Hyperspectral-Image-Super-Resolution-Benchmark——光谱图像超分论文代码汇总
本文对光谱图像超分,如空间光谱图像、高光谱多光谱融合超分等近年来的论文进行了汇总,并附带上相应代码链接及pdf链接,参考至giuthub项目原创 2023-11-23 19:45:40 · 1255 阅读 · 0 评论 -
光谱图像常见评价指标
SAM算法是由Kruse等[146]在1993年提出,把图像中的每个像元的光谱视为一个高维向量,通过计算两向量间的夹角来度量光谱间的相似性,夹角越小,两光谱越相似,属于同类地物的可能性越大,因而可根据光谱角的大小来辨别未知数据的类别。总的来说,ERGAS是一种用于评估遥感图像质量的定量指标,它考虑了图像的均方误差、均方根误差以及亮度信息,以提供对图像处理或压缩算法性能的综合评估。后的图像,二者的结构相似性可以看成是失真图像的图像质量衡量指标。在图像质量的衡量上更能符合人眼对图像质量的判断[原创 2023-11-20 10:53:19 · 3903 阅读 · 2 评论 -
HSRNet : 基于空间光谱注意力机制的卷积网络
对于高分辨率多光谱(高分辨率意味空间信息更好)图像,采用spatial attention机制进行空间信息的保留,对于低分辨率高光谱(多频段也就是多channel)图像,采用channel attention对于通道数(频段数)进行通道信息保留。引入PixelShuffle模块进行上采样操作在concat阶段,对MS和HS进行交叉concat,使得信息融合更好。原创 2023-11-20 10:23:49 · 569 阅读 · 1 评论