更好的图像过器用于全面利.

科学领域:

• 遥感 遥感 遥感 遥感
• 图像处理 图像处理
• 计算机视觉 计算机视觉

背景情况:

• 调制传输功能的定制图像过器 (MTF-TIF) 被认为是多光谱图像全面利的最佳选择,因为它能够模拟相机的频率响应并增强图像细节.
• 然而,预测的MTF可能无法准确地表示获得的泛色 (PAN) 和多谱 (MSI) 图像,特别是在重新采样操作 (如几何校正或注册) 后.
• 使用MTF-TIF用于培训数据生成的深度学习 (DL) 方法可能缺乏培训和测试阶段之间的概括一致性.

研究的目的:

• 调查MTF-TIF在全面利方面的局限性,并提出替代的,更具适应性的图像过器.
• 开发能够学习最佳图像过器的新型深度学习框架,克服传统MTF-TIF的缺点.
• 提高传统和基于DL的全磨技术的概括能力和性能.

主要方法:

• 提出了一对对称的深度学习框架,旨在学习最佳图像过器.
• 在框架内嵌入了两个可学习的过器:一种异构高斯图像过器和一种任意图像过器.
• 这些框架旨在捕捉微妙的图像偏移,并保持全球变形场的平滑性.

主要成果:

• 拟议的框架成功地确定了优于传统MTF-TIF的图像过器.
• 学习过器在各种卫星数据集中展示了改进的全面利性能.
• 与现有方法相比,开发的方法表现出更强的概括能力.

结论:

• 这项研究证实,来自深度学习框架的学习图像过器在全面利方面表现优于固定的MTF-TIF.
• 拟议的对称框架为学习自适应图像过器提供了强大的解决方案,提高了全面利的准确性和概括性.
• 这些发现表明,在遥感和其他图像融合应用中优化图像过器的新方向.