新框架通过频率无关的特征学习增强遥感图像融合
中国科学院合肥物质科学研究院谢成军、张杰教授领导的研究团队开发了一种与频域无关的特征学习框架，可以更好地表示和融合不同类型的遥感图像。该研究成果最近发表在《IEEE 视频技术电路与系统学报》上。
全色锐化是遥感图像处理中的一项关键技术，它将高分辨率全色图像与低分辨率多光谱图像相结合，生成精细的高分辨率多光谱图像。该技术对于增强光学遥感卫星的空间分辨率和光谱分辨率之间的平衡至关重要。
当前的全色锐化方法假设训练和测试数据集中的数据分布相同，但在处理分布外的数据时往往会失败。
研究团队提出了一种频率解耦的领域独立特征学习框架，该方法分析图像幅度和相位分量中领域独立信息的分布，利用频率信息分离模块和可学习的高频滤波器来解耦图像信息。
处理后的信息经过两个专用的子网络，并进行动态特征通道调整，以改善图像融合和质量。
可学习高通滤波器的结构。图片来源：张杰
在多个公开数据集上的跨场景测试表明，该框架具有较强的泛化性能，能够有效处理多样化的数据分布，在WorldView-III训练集上保持优异的性能，在泛化数据集上的表现也优于其他方法。
视觉比较证实了该框架可以有效地提取和学习信息，并且即使在不同的数据分布下也能确保一致的性能。
研究团队表示，该框架标志着各种卫星成像场景中需要高保真图像数据的应用向前迈出了重要一步。
页:
[1]