一用于半盲高光谱和多光谱图像融合的非局部稀疏张量分解 论文笔记

最新推荐文章于 2023-11-28 14:36:10 发布
最新推荐文章于 2023-11-28 14:36:10 发布
阅读量836 收藏 3
点赞数
分类专栏： 高光谱超分 融合 注意力机制 transformer 文章标签： 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/siyumiao_hbu/article/details/106061670
版权
本文介绍了针对半盲高光谱和多光谱图像融合的非局部稀疏张量分解方法NLSTF_SMBF。该方法利用HSI的非局部自相似性，将HSI分解为全波段块，并通过字典学习和稀疏核心张量估计实现融合。NLSTF_SMBF对高光谱传感器的点扩展函数(PSF)是盲的，并能处理空间变异的PSF。实验表明，该方法在存在光谱变异性的情况下表现优越。
摘要由CSDN通过智能技术生成

Nonlocal Sparse Tensor Factorization for Semiblind Hyperspectral and Multispectral Image Fusion

一用于半盲高光谱和多光谱图像融合的非局部稀疏张量分解

Renwei Dian , Student Member, IEEE , Shutao Li , Fellow, IEEE , Leyuan Fang , Senior Member, IEEE ,
Ting Lu , Member, IEEE , and José M. Bioucas-Dia
了解本专栏 订阅专栏 解锁全文 超级会员免费看
有梦想的炸豆皮
关注
专栏目录
订阅专栏
基于非局部空间和局部光谱相似度的组稀疏表示用于高光谱图像分类
03-15
关键词包括高光谱图像分类、组稀疏表示、非局部空间相似性、局部光谱相似性。以下是对文中所涉及知识点的详细说明： 1. 高光谱图像分类（Hyperspectral Imagery Classification）： 高光谱图像分类是遥感图像处理中...
高光谱数据集，论文笔记，图像融合代码汇总
每天都要看论文
10-31 1万+
数据集：https://blog.csdn.net/siyumiao_hbu/article/details/109291055 论文笔记： 高光谱图像超分辨率空间谱先验学习Learning Spatial-Spectral Prior for Super-Resolution of Hyperspectral Imagery GDD无监督图像对融合Guided Deep Decoder: Unsupervised Image Pair Fusion 用于半盲高光谱和多光谱图像融合的非局部稀疏张..
Hyperspectral image super-resolution via non-local sparse tensor factorization
开飞机的小毛驴儿
07-02 4296
发表在CVPR2017上面的一篇paper，下面是我个人对该文的一些粗略翻译、理解和体会。 摘要 通过将低分辨率的高光谱(LR-HSI)图像与高分辨率的多光谱(HR-MSI)图像进行融合，进而得到高分辨率的高光谱图像(HR-HSI)的过程称为高光谱超分辨率。目前大多数的高光谱图像超分辨率多基于矩阵分解的方法，即在处理将三维的高光谱图像展开成为一个矩阵。一般来说，通过展开为矩阵的形式对高光谱图像
【高光谱、多光谱和全色图像融合】
weixin_43690932的博客
01-10 5304
仅供自己参考
矩阵低秩张量分解_高光谱影像去噪总结（四）：张量分解方法
weixin_39623355的博客
01-14 3288
高光谱影像同时拥有空间和光谱信息，其数据形式是一个三维立方体结构，因此可以采用张量分析的方法对高光谱影像进行有效地处理，这类方法的最大优势是能够较好地保持影像全局结构，下面我简单介绍几种基于张量分解的高光谱影像去噪方法。—1—三种张量分解方式Tucker分解和CP分解是经典的两种张量分解方式，具体分解方法如下图，其中Tucker分解是将张量分解为一个核张量和三个低维矩阵的张量积，而C...
基于注意力机制的无监督高光谱和多光谱图像融合——论文阅读笔记
最新发布
qq_45200830的博客
11-28 2233
网络由协调特征融合（Coordinate Feature Fusion，CFF）网络（红色方框内）和双注意力解码（Dual-attention Decoder，DAD）网络（绿色方框）组成。论文的意义：HR-MSI与LR-HSI融合的数据集获取困难，文章构建了无监督多注意力引导网络和无监督轻量注意力环形网络来融合MSI和HSI。对于图像修复、超分辨率等工作，可以理解为神经网络先学习的是低频的信息，而噪声则是高频信息。f就是神经网络，θ为网络参数(随机初始化得到)，z是最初输入网络的一个固定的随机的编码。
基于稀疏张量分解的高光谱图像压缩_潘悦1
08-04
为了解决这一问题，本文介绍了一种基于稀疏张量分解的新方法，该方法能够有效地利用高光谱图像的空间和谱间相关性，同时减少计算复杂度。 #### 二、张量基础理论 张量是一种多维数组，可以看作是矩阵的推广。在...
高光谱图像去噪的空间光谱总变化正则化低秩张量分解
04-02
一方面，假定高光谱数据位于LR张量中，该张量可以利用高光谱数据的固有张量结构。 基于LRTF的方法可以有效地将LR干净图像与稀疏噪声区分开。 从另一方面，假设HSI在空间域中是分段平滑的。 TV正则化在保留空间分段...
改进的在线随机张量分解的多光谱视频目标检测
04-30
针对目前大部分监控视频使用的单色或三色相机在目标检测中难以解决光照强度变化、颜色饱和度和阴影的问题，以及处理数百个波段的多光谱图像可能会增加计算量，提出了一种改进的在线随机张量分解的多光谱视频运动目标...
高光谱协同稀疏与非局部低秩张量变化检测.docx
11-02
这种方法首先获取高光谱图像的差分图像，然后提取非局部相似的张量簇，通过协同稀疏和低秩正则化建立变化检测模型，求解表示系数并计算投影残差，以此判断变化。 这种方法有两个主要优点：一是考虑了图像块的非局部...
【跨尺度非局部注意的高光谱图像超分】
weixin_43690932的博客
09-04 654
（基于跨尺度非局部注意的高光谱图像超分辨率网络）高光谱图像（HSI）超分辨率通常是指将低空间分辨率HSI（LRHSI）与高空间分辨率多光谱/全色图像（HRMPI）融合得到高空间分辨率HSI（HRHSI）。现有的融合方法。此外，大多数采用卷积神经网络（CNN）结构的基于深度学习（DL）的方法受到其，并且难以利用图像特征的全局依赖性。
基于低秩张量的高光谱图像重建理论基础-基础知识学习
SmartLab307的博客
11-08 2972
原文《基于张量低秩稀疏恢复理论的遥感高光谱图像降噪研究》
张量分解-CP分解
开飞机的小毛驴儿
04-18 1万+
原文地址：http://www.xiongfuli.com/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/2016-06/tensor-decomposition-cp.html，原地址是一个非常好的个人博客。 CP分解(Canonical Polyadic Decomposition) 1927年Hitchcock提出了CP 分解。CP 分解将一个
【空间-光谱重构网络：高光谱和多光谱图像融合】
weixin_43690932的博客
09-30 1475
（SSR-NET：用于高光谱和多光谱图像融合的空间-光谱重构网络）将低空间分辨率高光谱图像（LR-HSI）与高空间分辨率多光谱图像（HR-MSI）融合重建高空间分辨率高光谱图像（HR-HSI）是近年来的一个重要研究课题。然而，现有的方法在重建HR-HSI时仍然难以实现空间模式和谱模式的跨模式信息融合。在这篇文章中，基于卷积神经网络（CNN），一个可解释的空间光谱重建网络（SSR-NET）提出了更有效的HSI和MSI融合。更具体地说，所提出的SSR-NET是一个。
CVPR2017 all paper list
热门推荐
一亩半分地
07-26 2万+
本文给出了CVPR2017的最新的paperlist
【高光谱与多光谱:空间-光谱双优化模型驱动】
weixin_43690932的博客
11-02 641
（一种用于高光谱与多光谱图像融合的空间-光谱双优化模型驱动深度网络）深度学习，特别是卷积神经网络（CNN），在多光谱（MS）和高光谱（HS）图像融合（MS/HS融合）任务中显示出非常有前途的结果。大多数现有的CNN方法都是基于“黑盒”模型，这些模型不是专门为MS/HS融合设计的，这在很大程度上，从而留下了进一步改进的空间。在本文中，我们提出了一种可解释的网络，称为空间-光谱双重优化模型驱动的深度网络（S2DMDN），它。该算法有两个主要特点：1）将输入MS和HS图像明显具有的;
【将高光谱、多光谱和全色图像进行融合】
weixin_43690932的博客
12-18 5431
仅供自己参考
基于张量分解的遥感图像恢复及常用高光谱遥感数据集
SmartLab307的博客
09-26 4950
本文为初期学习总结，本篇文章总结了遥感高光谱图像研究背景、高光谱图像噪声的分类，介绍了基于张量的图像恢复方法及近年来对于张量分解的相关研究，总结了几个常用的图像评价指标，总结了高光谱遥感图像常用的数据集。
高光谱和多光谱数据融合的比较[综述]2017 论文笔记
每天都要看论文
10-31 2681
近年来，人们在设计图像处理算法以提高高光谱图像的空间分辨率方面做了大量的工作。HS数据与高空间分辨率多光谱(MS)数据的融合是最常见的问题之一。基于不同的理论，人们提出了不同的数据融合方法，包括分量替代(CS)、多分辨率分析(MRA)、光谱分离和贝叶斯概率。本文通过大量的实验对那些HS-MS融合技术进行了比较综述。通过定量和可视化评估10种最先进的HS-MS融合方法的融合性能，对其进行了比较。实验中使用了8个具有不同地理和传感器特征的数据集来评估融合算法的通用性和通用性。为了最大化这种比较的公平性和透明..
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

有梦想的炸豆皮

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值