Optimizing Relative Radiometric Normalization: Minimizing Residual Distortions in Multispectral Bitemporal Images Using Trust-Region Reflective and Laplacian Pyramid Fusion
Notice bibliographique
Résumé
Accurate relative radiometric normalization (RRN) is important for reliable multitemporal remote sensing image analysis. Traditional methods often depend on coregistered image pairs, limiting their applicability with unregistered data. Keypoint-based RRN (KRRN) relaxes this constraint but remains affected by residual radiometric errors due to normalization inaccuracies and nonlinear effects. This letter introduces a refinement strategy that leverages the Trust-Region Reflective (TRR) algorithm to optimize normalization parameters, coupled with Laplacian Pyramid (LP) fusion for seamless image integration. Evaluation on four multispectral image pairs from different sensors (e.g., Landsat 8 and Sentinel-2, IRS and Landsat 5, Landsat 7 and SPOT-5, and UK-DMC2 and Landsat 5) and one pair from the same sensor (Sentinel-2) showed that our method reduces residual radiometric discrepancies, achieving up to 29% lower RMSE than some well-known models. The source code and datasets are available on GitHub: https://github.com/ArminMoghimi/Tensor-based-keypoint-detection.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».