【目的】高光谱图像因其丰富的光谱信息而备受关注,然而,由于成像硬件条件的限制,通常很难直接获得高空间分辨率的高光谱图像。为了提高分辨率,将高光谱图像与从同一场景采集的高空间分辨率的多光谱图像融合是一种经济有效的方法。然而...【目的】高光谱图像因其丰富的光谱信息而备受关注,然而,由于成像硬件条件的限制,通常很难直接获得高空间分辨率的高光谱图像。为了提高分辨率,将高光谱图像与从同一场景采集的高空间分辨率的多光谱图像融合是一种经济有效的方法。然而,现有的大多数基于深度学习的方法未充分挖掘图像间空间和光谱相关性,导致融合性能受限。【方法】本文提出了一种结合图像去噪、光谱特征与空间特征增强的高光谱图像超分辨率融合方法。首先,通过使用不同标准差的高斯模糊核对高光谱与多光谱图像进行高斯模糊处理,有效减少这2种模态图像中包含的噪声。其次,为了提高融合图像的精确度,在利用不同模态图像间光谱和空间相关性重建高分辨率图像时,分别引入通道注意力和空间注意力,利用增强图像关键信息的方式获得不同模态间更好的空间和光谱相关性。最后,利用增强的空间和光谱相关性,将映射得到的高分辨率图像特征聚合起来,重建出高空间分辨率的高光谱图像。【结果】在ZY-m和Chikusei数据集上融合结果的PSNR分别为53.586和53.738,在ZY-m数据集上较次优方法空谱解耦互引导网络(Spatial-Spectral Unfolding Network with Mutual Guidance,SMGU-Net)提高2.8%,在Chikusei数据集上较次优方法带有双条件调制模块的扩散模型(Diffusion Model with two Conditional Modulation Modules,DDIF)提高1.70%;SAM值达到0.006和0.018,在ZY-m数据集上较次优方法 SMGU-Net降低14.28%,在Chikusei数据集上较次优方法 DDIF降低5.26%。【结论】本文方法具有良好的光谱保真度和空间细节增强能力,为高光谱图像的超分辨率提供了一种有效技术方案,展示了其在国土资源勘查、环境监测等领域的良好应用潜力。展开更多
文摘【目的】高光谱图像因其丰富的光谱信息而备受关注,然而,由于成像硬件条件的限制,通常很难直接获得高空间分辨率的高光谱图像。为了提高分辨率,将高光谱图像与从同一场景采集的高空间分辨率的多光谱图像融合是一种经济有效的方法。然而,现有的大多数基于深度学习的方法未充分挖掘图像间空间和光谱相关性,导致融合性能受限。【方法】本文提出了一种结合图像去噪、光谱特征与空间特征增强的高光谱图像超分辨率融合方法。首先,通过使用不同标准差的高斯模糊核对高光谱与多光谱图像进行高斯模糊处理,有效减少这2种模态图像中包含的噪声。其次,为了提高融合图像的精确度,在利用不同模态图像间光谱和空间相关性重建高分辨率图像时,分别引入通道注意力和空间注意力,利用增强图像关键信息的方式获得不同模态间更好的空间和光谱相关性。最后,利用增强的空间和光谱相关性,将映射得到的高分辨率图像特征聚合起来,重建出高空间分辨率的高光谱图像。【结果】在ZY-m和Chikusei数据集上融合结果的PSNR分别为53.586和53.738,在ZY-m数据集上较次优方法空谱解耦互引导网络(Spatial-Spectral Unfolding Network with Mutual Guidance,SMGU-Net)提高2.8%,在Chikusei数据集上较次优方法带有双条件调制模块的扩散模型(Diffusion Model with two Conditional Modulation Modules,DDIF)提高1.70%;SAM值达到0.006和0.018,在ZY-m数据集上较次优方法 SMGU-Net降低14.28%,在Chikusei数据集上较次优方法 DDIF降低5.26%。【结论】本文方法具有良好的光谱保真度和空间细节增强能力,为高光谱图像的超分辨率提供了一种有效技术方案,展示了其在国土资源勘查、环境监测等领域的良好应用潜力。
文摘针对遥感图像中大纵横比目标因正样本不足而出现的学习不充分问题,提出一种基于形状自适应标签分配的遥感有向目标检测网络(shape-adaptive label assignment for oriented object detection network,SALANet)。首先,引入纵横比敏感系数建立目标几何特征与正样本数量的动态映射关系,缓解传统方法中固定分配规则引发的样本分布不平衡问题;其次,设计自适应标签分配策略,通过对交并比(intersection over union,IoU)进行排名实现高质量正样本选择;最后,提出中心轴先验,将圆形中心先验区扩展为目标中心轴的矩形区域,增强大纵横比目标的几何特征表征能力。在DOTAv1.0和HRSC2016数据集上的对比实验表明,SALANet分别取得0.777 1和0.932 3的平均精度均值(mean average precision,mAP),较基线方法RoI Transformer分别提升8.15%和2.87%。
