基于NSST引导的多尺度全连接张量网络分解方法用于厚云去除

《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing》:Multi-Scale Fully-Connected Tensor Network Decomposition with NSST Guidance for Thick Cloud Removal

【字体: 大 中 小 】 时间:2026年03月24日 来源:IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 6.3

编辑推荐:

  摘要:厚云层覆盖给多时相遥感影像的分析与应用带来了巨大挑战。尽管现有的去云方法试图利用空间-光谱-时间相关性,但由于单尺度重建的局限,它们往往无法充分捕捉跨尺度的互补特征,从而导致纹理退化及颜色失真。为解决这一问题,我们提出了一种基于非下采样剪切波变换(NSST)的多尺度全连接张

  

摘要:

厚云层覆盖给多时相遥感影像的分析与应用带来了巨大挑战。尽管现有的去云方法试图利用空间-光谱-时间相关性,但由于单尺度重建的局限,它们往往无法充分捕捉跨尺度的互补特征,从而导致纹理退化及颜色失真。为解决这一问题,我们提出了一种基于非下采样剪切波变换(NSST)的多尺度全连接张量网络分解方法。该方法首先在空间域应用NSST,然后通过参数自适应的脉冲耦合神经网络(PCNN)对每个分解后的子带进行时间维度上的融合,从而生成高质量的引导图像。该引导图像随后被用于对NSST域中张量网络分解的高频和低频成分施加正则化约束,以实现多尺度相关性的全面表征。为高效求解由此产生的优化模型,我们开发了一种基于近端交替最小化(PAM)的算法。在模拟数据集和真实卫星数据集上的大量实验表明,该方法在各种云层覆盖场景下均优于现有方法,PSNR平均提升1.2–3.5 dB,SSIM平均提升0.5–2.0%,同时还能更好地保持细节和颜色一致性。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号