دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: نویسندگان: Manjunath V. Joshi, Kishor P. Upla سری: ISBN (شابک) : 1108475124, 9781108475129 ناشر: Cambridge University Press سال نشر: 2019 تعداد صفحات: 255 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 31 مگابایت
در صورت تبدیل فایل کتاب Multi-resolution Image Fusion in Remote Sensing به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب ترکیب تصویر با وضوح چندگانه در سنجش از راه دور نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
این متن که با رویکردی آسان برای دنبال کردن نوشته شده است، به خوانندگان کمک می کند تا تکنیک ها و کاربردهای ادغام تصویر را برای تصاویر چند طیفی سنجش از دور درک کنند. این مفاهیم مهم فیوژن چند رزولوشن را به همراه روش های پیشرفته از جمله وضوح فوق العاده و فیلترهای هدایت چند مرحله ای پوشش می دهد. این شامل تجزیه و تحلیل عمیق در برآورد تخریب، گابور قبل و میدان تصادفی مارکوف (MRF) قبل است. مفاهیمی مانند فیلتر هدایت شونده و تفاوت گاوسی به طور جامع مورد بحث قرار گرفته است. تکنیک های جدید در همجوشی با وضوح چندگانه با استفاده از منظم سازی به تفصیل توضیح داده شده است. همچنین شامل معیارهای ارزیابی کیفیت مختلف است که در آزمایش کیفیت همجوشی استفاده می شود. برنامه های کاربردی واقعی و تعداد زیادی تصاویر با وضوح چندگانه برای یادگیری بهتر در متن ارائه شده است.
Written in an easy-to-follow approach, the text will help the readers to understand the techniques and applications of image fusion for remotely sensed multi-spectral images. It covers important multi-resolution fusion concepts along with the state-of-the-art methods including super resolution and multi stage guided filters. It includes in depth analysis on degradation estimation, Gabor Prior and Markov Random Field (MRF) Prior. Concepts such as guided filter and difference of Gaussian are discussed comprehensively. Novel techniques in multi-resolution fusion by making use of regularization are explained in detail. It also includes different quality assessment measures used in testing the quality of fusion. Real-life applications and plenty of multi-resolution images are provided in the text for enhanced learning.
Contents......Page 8
List of Figures......Page 12
List of Tables......Page 16
Preface......Page 18
Acknowledgments......Page 20
1 Introduction......Page 22
1.1 Characteristics of Remotely Sensed Imagery......Page 24
1.1.1 Multi-spectral images......Page 29
1.1.2 Panchromatic image......Page 31
1.1.3 Hyper-spectral images......Page 33
1.2 Low Spatial Resolution Imaging......Page 35
1.3 Image Fusion in Remotely Sensed Images......Page 38
1.4 Multi-resolution Image Fusion: An Ill-posed Inverse Problem......Page 39
1.5 Indian Remote Sensing Satellites......Page 41
1.6 Applications of Image Fusion......Page 43
1.8 Organization of the Book......Page 46
2 Literature Review......Page 48
2.1 Projection Substitution Based Techniques......Page 50
2.2 Multi-resolution Based Techniques......Page 55
2.3 Model Based Fusion Approaches......Page 62
2.4 Hyper-spectral Sharpening Methods......Page 69
2.5 Conclusion......Page 71
3 Image Fusion Using Different Edge-preserving Filters......Page 73
3.1 Related Work......Page 74
3.2 Fusion Using Multistage Guided Filter (MGF)......Page 75
3.2.1 Multistage guided filter (MGF)......Page 76
3.2.2 Proposed approach using guided filter......Page 78
3.3 Fusion Approach Using Difference of Gaussians (DoGs)......Page 80
3.3.1 Difference of Gaussians (DoGs)......Page 81
3.3.2 Proposed approach using DoGs......Page 82
3.4 Experimental Illustrations......Page 84
3.4.1 Experimentations: Ikonos-2 dataset......Page 88
3.4.2 Experimentations: Quickbird dataset......Page 92
3.4.3 Experimentations: Worldview-2 dataset......Page 95
3.5 Conclusion......Page 99
4 Image Fusion: Model Based Approach with Degradation Estimation......Page 101
4.1 Previous Works......Page 102
4.2 Description of the Proposed Approach Using Block Schematic......Page 104
4.4 Contourlet Transform Based Initial Approximation......Page 106
4.5 Forward Model and Degradation Estimation......Page 109
4.6 MRF Prior Model......Page 112
4.7.1 MAP estimation......Page 115
4.7.2 Optimization process......Page 116
4.8 Experimentations......Page 117
4.8.1 Effect of decimation matrix coefficients on fusion......Page 121
4.8.2 Effect of MRF parameter γm on fusion......Page 123
4.8.3 Fusion results for degraded dataset: Ikonos-2......Page 124
4.8.4 Fusion results for degraded dataset: Quickbird......Page 133
4.8.5 Fusion results for degraded dataset: Worldview-2......Page 141
4.8.6 Fusion results for un-degraded (original) datasets: Ikonos-2, Quickbird and Worldview-2......Page 147
4.8.7 Spectral distortion at edge pixels......Page 154
4.8.8 Computational time......Page 158
4.9 Conclusion......Page 160
5 Use of Self-similarity and Gabor Prior......Page 161
5.1 Related Work......Page 162
5.2 Block Schematic of the Proposed Method......Page 164
5.3 Initial HR Approximation......Page 165
5.4 LR MS Image Formation Model and Degradation Matrix Estimation......Page 171
5.5 Regularization Using Gabor and MRF Priors......Page 173
5.5.1 Optimization process......Page 176
5.6 Experimental Results......Page 177
5.6.1 Experimental setup......Page 179
5.6.2 Experimental results on degraded and un-degraded Ikonos-2 datasets......Page 180
5.6.3 Experimental results on degraded and un-degraded Quickbird datasets......Page 185
5.6.4 Experimental results on degraded and un-degraded Worldview-2 datasets......Page 190
5.6.5 Comparison of fusion results with CS and TV based approaches......Page 195
5.6.6 Computation complexity......Page 199
5.7 Conclusion......Page 200
6 Image Fusion: Application to Super-resolution of Natural Images......Page 201
6.1 Related Work......Page 202
6.2 Estimation of Close Approximation of the SR Image......Page 205
6.3 Refining SR Using MAP–MRF Framework......Page 209
6.4 MRF Prior and SR Regularization......Page 211
6.4.1 Optimization process......Page 212
6.5 Experimental Demonstrations......Page 213
6.5.1 SR results on gray scale images......Page 214
6.5.2 SR results on color images......Page 218
6.6 Conclusion......Page 223
7.1 Conclusion......Page 224
7.2 Future Research Work......Page 228
Bibliography......Page 232