Landsat-8 and Sentinel-2 Image Fusion Based on Multiscale Smoothing-Sharpening Filter
Notice bibliographique
Résumé
With the increasing demand for high temporal and spatial resolution multispectral image sequences, many studies have been carried out on fusion on Landsat-8 and Sentinel-2 images to obtain image sequences with a revisit cycle of 2 and 3 days and a spatial resolution of 10 m. However, current fusion methods suffer from complex computation and loss of spectral and spatial information. To address these issues, a Landsat-8 and Sentinel-2 image fusion based on multiscale smoothing-sharpening filter (MSSF) method is proposed. MSSF combines well the initial spatial prediction obtained from the Landsat-8 image at the target date and the detailed image extracted from the Sentinel-2 image at the reference date. Thin plate spline interpolation with morphological opening-closing algorithm is implemented on the Landsat-8 image at the target date, and the Laplacian of Gaussian enhancement algorithm is applied to the Sentinel-2 image at the reference date in the preprocessing stage. Smoothing-sharpening filter (SSIF) is employed to separate the high and low frequency components of the two preprocessed images. The multiscale SSIF is then utilized to migrate the details from the preprocessed Sentinel-2 image to the preprocessed Landsat-8 image. The performance of MSSF and five compared methods was evaluated qualitatively and quantitatively. Experiments on three remote sensing data sets gathered from different experimental sites confirm that the proposed MSSF method could efficiently generate Sentinel-2-like images with high spatial and spectral resolution.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».