A Variational Approach for Fusion of Panchromatic and Multispectral Images Using a New Spatial–Spectral Consistency Term
Notice bibliographique
Résumé
In this article, we propose a variational approach for fusion of two coregistered high-resolution panchromatic (HRP) and low-resolution multispectral (LRM) images to reach the high-resolution multispectral (HRM) one, i.e., pan-sharpening. In this fusion technique, there is a tradeoff between structural information of an HRP image and spectral information of LRM one. To reconstruct the HRM image, which benefits from the best characteristics of both images, we consider several fidelity terms. The structural fidelity term is used to transfer structural information of an HRP image to HRM one, and a spectral fidelity term is utilized to preserve spectral consistency between HRM and LRM images throughout the fusion process. To reduce the spectral distortion occurred due to the discrepancy between intensity values of HRP and LRM images, a novel spatial-spectral fidelity term is designed to keep the intensity ratio between multispectral and panchromatic pixels in the high-resolution space as the same as the low-resolution space. Moreover, the total variation (TV) regularization term is employed as a prior to promote the sparseness of gradient in HRM bands. These fidelity terms were formulated in a convex optimization problem. However, the structural and TV terms made this optimization problem nondifferentiable. Therefore, we developed an efficient majorization-minimization algorithm for solving the optimization problem. The proposed method applied to three datasets, acquired by WorldView-3, Deimos-2, and QuickBird satellites. To assess the effectiveness of the proposed method, visual analysis, as well as quantitative comparison to various pan-sharpening methods, was carried out. The experimental results suggested that the proposed method outperformed the competitors visually and quantitatively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».