Pansharpening for Incompletely Overlapping Image-pairs via Dictionary Extension
Notice bibliographique
Résumé
There are currently various pansharpening methods to reconstruct a high-spatial-resolution multispectral image (HR-MSI) by fusing a low-spatial-resolution multispectral image (LR-MSI) with a high-spatial-resolution panchromatic image (HR-PAN).However, these methods can only handle situations where HR-MSI and LR-PAN cover the exactly same area, but in real practical situations, HR-PAN usually covers a larger area than the LR-MSI.As a result, these methods can only be used within the overlapping area and cannot reconstruct HR-MSI in the non-overlapping area.To solve this problem, we propose a pansharpening method for incompletely overlapping HR-PAN and LR-MSI image-pairs based on dictionary extension (termed PANDE), which can extend the dictionary learned in the overlapping area to the non-overlapping area, and reconstruct the entire HR-MSI on the entire area covered by the HR-PAN, in the framework of sparse expression.Specifically, in the overlapping area, the fusion model based on decomposition incorporating with the constraints of low-rank and sparsity is used to acquire the spectral dictionary and its associated coefficients matrix.Then, the spectral dictionary learned with the overlapping area will be extended to the non-overlapping area, under the guarantee of spectral similarity between adjacent areas, and its corresponding coefficients matrix will be obtained only using the HR-MSI with a sparse constraint.Finally, the desired HR-MSI can be reconstructed by using the spectral dictionary, the coefficients matrix of the overlapping area and that of the non-overlapping area.Experimental results on different scenes show that, compared with the other related methods, our proposed PANDE achieves a better fusion effect and can solve the problem of their inability to reconstruct HR-MSI in the non-overlapping areas.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».