微波辐射计图像空间分辨率增强算法研究.pdf

高空间分辨率遥感图像频域滤波增强算法研究与应用.pdf

使用 RGB 到 HSI 转换的高分辨率图像提高低分辨率图像分辨率的 GUI。 图像必须在空间上共同配准。 单色（灰度）低分辨率图像通过伪色映射到“热”配色方案会聚为彩色图像。 然后将此 RGB 图像转换为色相、饱和度和值 (HSV) 图像。 值组件被更高分辨率的图像替换，生成的 HSV 图像被转换回 RGB。 这种转换为灰度的RGB合并图像是空间分辨率提高的合并图像。 要运行，请键入： >> 解析合并可以处理任何类型的彩色或单色图像。 如果图像是彩色的，它们首先转换为灰度，然后合并。 要从 matlab 文件加载变量，该文件应包含变量 LOWRES 和 HIGHRES

音视频-图像处理-融合方法及空间分辨率比率对遥感影像融合结果影响的研究.pdf

基于光谱特征的高空间分辨率遥感影像阴影检测

径向平均功率谱（RAPS）是与方向无关的平均谱，即所有可能的方向功率谱的平均值。 径向平均功率谱提供了一种方便的方式来查看和比较包含在 1-D 中的 2-D 谱中的信息。 此函数计算并绘制输入矩阵的 RAPS（不考虑平均半径外的角值）。 图像可以是矩形的，但必须是二维的（例如，不支持多色通道数据）。 还指定了数据的空间分辨率。

空间和灰度分辨率，空间分辨率为1250dpi，图像大小为3692×2812像素，即其尺寸为2.95×2.25英寸。保持像素数不变，改变其空间分辨率为300dpi，150dpi，72dpi，观察其图像尺寸的变化。 CT图像的灰度级数从256减少至128、64、32、16、8、4、2。

基于马尔可夫随机场（MRF）的方法已广泛用于高空间分辨率（HSR）图像分类中。 但是，许多现有的基于MRF的方法更加注重像素级上下文，而较少关注超像素级上下文信息。 为了解决这个问题，本文提出了一种新颖的双层上下文MRF框架，称为BLC-MRF，用于HSR图像分类。 具体来说，将像素和超像素级别的依赖关系合并到建议的MRF模型中，以充分利用光谱空间上下文信息并保留HSR图像中的对象边界。 在BLC-MRF中，首先执行像素级MRF模型，然后级联作为超像素级MRF的输入。 在超像素级别，分别使用超像素概率估计方法和光谱直方图距离构造一元和成对电位项。 最后，进行了上下文MRF模型，并可以通过使用α-展开算法来计算最终的分类图。 BLC-MRF的好处是双重的：首先，可以在MRF框架下利用像素和超像素级别的上下文信息来保留对象边界，以提高分类性能；其次，该算法可以通过少量训练就能提供有希望的结果样品。 在三个HSR数据集上的实验结果表明，在分类性能方面，该方法优于几种最新方法。

基于循环移频器提高OFDR的空间分辨率

从集成图像显示时再现的空间光学分布着手，研究了微透镜参数、记录/显示平面分辨率和成像系统空间分辨率的关系。研究结果表明成像系统的空间分辨率与微透镜的孔径和焦距大小有关。采用较小尺寸的微透镜，有助于提高成像系统的空间分辨率，但对记录/显示平面分辨率的要求随微透镜尺寸的减小以及物点深度的增加而提高。研究结果可用于集成成像系统的优化设计。