｛“状态”：“正常”，“消息类型”：“工作”，“消息版本”：“1.0.0”，“消息”：｛“索引”：｛“日期部分”：[[2024,6,20]，“日期时间”：“2024-06-20T13:51:55Z”，“时间戳”：1718891515158｝，“引用计数”：58，“发布者”：“MDPI AG”，“发布”：“5”，“许可证”：[｛“开始”：｛“日期部分”：[[2018,5,21]，“日期时间”：“2018-05-21T00:00:00Z”，“时间戳”：1526860800000}中，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“资助者”：[{“DOI”：“10.13039\/501100001809”，“name”：“国家自然科学基金”，“DOI-asserted-by”：“publisher”，“award”：[“61771391”，“61371152”]}，{“DOI”：”10.13039\/501100012226“，”name“：“中央大学基本科研业务费”，“doi由”：“出版商”，“奖项”：[“3102015ZY045”]}，{“名称”：“中国国家自然科学基金和韩国国家研究基金联合资助合作计划”，“奖项”：[“61511140292”，“CX201621”]}，{“doi”：“10.13039\/50101100004543”，“名称”：“中国奖学金委员会”，“doi-asserted-by”：“publisher”，“award”：[“201506290120”]}]，“content-domain”：{“domain”:[]，“crossmark-restriction”：false}，“short-container-title”：[”遥感“]，“abstract”：“提高高光谱图像的空间分辨率具有重要的应用意义。将HSI与高分辨率（HR）多光谱图像（MSI）融合是HSI增强的一项重要技术。受深度学习在图像增强中取得成功的启发，本文通过设计一个具有两个分支的深度卷积神经网络（CNN），提出了一种HSI-MSI融合方法，用于HSI和MSI的特征。为了利用光谱相关性并融合MSI，我们使用两个CNN分支从低分辨率HSI中每个像素的光谱及其MSI中相应的空间邻域中提取特征。然后将提取的特征串联并馈送到完全连接（FC）层，在那里HSI和MSI的信息可以完全融合。FC层的输出是预期HR HSI的频谱。在实验中，我们对机载可见光红外成像光谱仪（AVIRIS）和环境测绘与分析程序（EnMAP）数据进行了评估。我们还将其应用于实际的Hyperion-Sentinel数据融合。仿真和实际数据的结果表明，该方法与其他先进的融合方法相比具有竞争力<\/jats:p>“，”DOI“：”10.3390\/rs10050800“，”type“：”journal-article“，”created“：{”date-parts“：[[2018,5,22]]，”date-time“：”2018-05-22T08:34:03Z“，”timestamp“：1526978043000}，”page“：10.3390“，“卷”：“10”，“作者”：[{“给定”：“晶祥”，“家庭”：“杨”，“序列”：“第一”，“隶属关系”：[[{”名称“：”西北工业大学自动化学院，西安2019an 710072，中国“}，{”姓名“：”比利时布鲁塞尔1050号布鲁塞尔弗里杰大学电子与信息学系“}]}，“ORCID”：“http:\/\/orcid.org\/00000-0002-6974-7327“，”authenticated-orcid“：false，”given“：”Yong-Qiang“，”family“：”Zhao“，”sequence“：”additional“，”affiliation“：[{”name“：”西北工业大学自动化学院，Xi\u2019an 710072，中国“}]}，{“given”：“Jonathan Cheung-Wai”，“family”：“Chan”，“sequence”：“additional”，“affiliance”：[{“name”：“”比利时布鲁塞尔Vrije Universiteit Brussel电子信息学系“}]}]，“成员”：“1968”，“在线发布”：{“日期-部件”：[[2018,5,21]]}，“参考”：[{“密钥”：“ref_1”，“doi-asserted-by”：“crossref”，”非结构化“：”Chang，C.I.（2016）高光谱目标检测。实时渐进高光谱图像处理，Springer。“，”DOI“：”10.1007\/978-1-4419-6187-7“}，{”key“：”ref_2“，”DOI-asserted-by“：”crossref“，”unstructured“：”Yokoya，N.，Chan，J.C.W.，and Segl，K.（2016）。使用模拟EnMAP和Sentinel-2图像进行矿物制图的分辨率增强高光谱数据潜力。遥感，8.“，”，“DOI”：“10.3390\/rs8030172”}，}“key”：“ref_3”，“DOI-assert-by”：“”crossref“，”first page“：”4729“，”DOI“：”10.1109\/TGRS.2017.2698503“，”article-title“：”学习和传递用于高光谱分类的深部联合光谱空间特征“，”volume“：“55”，”author“：”Yang“，”year“：”2017“，”journal-title”：“IEEE Trans。地质科学。遥感“}，{”key“：”ref_4“，”doi-asserted-by“：”crossref“，”first page“：“29”，”doi“：”10.1109\/MGRS.2016.2637824“，”article-title“：”高光谱和多光谱数据融合：最新文献比较综述“，”volume“：5”，“author”：“Yokoya”，“year”：“2017”，“journal-title”：“IEEE Geosci.Remote Sens.Mag.”}，”{“key”：“ref_5”，”doi-asserted by“：”crossref“，”first page“：”516“，”DOI“：”10.1016\/j.ins.2017.09.010“，”article-title“：”基于图像分解和稀疏表示的新型多模态图像融合方法“，”volume“：“432”，“author”：“Zhu”，“year”：“2018”，“journal-title”：“Inf.Sci。“}，{”key“：”ref_6“，”doi-asserted-by“：”crossref“，”first-page“：”528“，”doi“：”10.1109\/TGRS.2011.2161320“，”article-title“：”用于高光谱和多光谱数据融合的耦合非负矩阵分解分解“，”volume“：“50”，“author”：“Yokoya”，“year”：“2012”，“journal-title”：“IEEE Trans.Geosci.Remote Sens.”}，”{“key”：“ref_7”，“doi-as由“：”插入crossref“，”first page“：”419“，”DOI“：”10.1109\/JSTARS.2012.2208449“，”article-title“：”EO-1和Terra\/ASTER数据融合的交叉校准“，”volume“：“6”，”author“：”Yokoya“，“year”：“2013”，”journal-title”：“IEEE J.Sel。顶部。申请。Earth Obs.Remote Sens.“}，{”key“：”ref_8“，”doi-asserted-by“：”crossref“，”unstructured“：”Lanaras，C.，Baltsavias，E.，and Schindler，K.（2015年1月7日\u201313）.耦合光谱解混的超光谱超分辨率.智利圣地亚哥IEEE国际计算机视觉会议论文集.“，”doi“：”10.1109\/ICCV.2015.409“}”，{“key”：“ref_9“，”doi-asserted-by“：”crossref“，”first page“：”1693“，”doi“：”10.1109\/TGRS.2013.2253612“，”article-title“：”使用稀疏矩阵因式分解的空间和光谱图像融合“，”volume“：“52”，”author“：”Huang“，“year”：“2014”，“journal-title”：“IEEE Trans。地质科学。遥感“}，{”key“：”ref_10“，”doi-asserted-by“：”crossref“，”first page“：“2827”，”doi“：”10.1109\/TGRS.2012.2213604“，”article-title“：”稀疏图像融合算法与应用于平移锐化“，”volume“：“交叉引用”，“第一页“：”2664“，”DOI“：”10.1109\/TGRS.2015.2504261“，”article-title“：”利用联合稀疏性进行泛细化：J-SparseFI算法“，”volume“：”54“，”author“：”Zhu“，”year“：”2016“，”journal-title”：“IEEE Trans。地质科学。遥感。“}，{”key“：”ref_12“，”doi-asserted-by“：”crossref“，”unstructured“：”Akhtar，N.、Shafait，F.和Mian，A.（2014年1月6日\u201312）。高光谱图像超分辨率的稀疏空间光谱表示。第十三届欧洲计算机视觉会议论文集，瑞士苏黎世。“，”doi“：”10.1007\/978-3-190584-0_5“}、{”key“：”ref_13“，”doi-asserted-by“：”crossref“，”unstructured“：”Akhtar，N.、Shafait，F.和Mian，A.（2015年1月7日\u201312）。高光谱图像超分辨率的贝叶斯稀疏表示。IEEE计算机视觉和模式识别会议论文集，美国马萨诸塞州波士顿”，“DOI”：“10.1109\/CVPR.2015.7298986”}，{“key”：“ref_14”，“DOI-asserted-by”：“crossref”，“first page”：”3658“，“DOI:”10.1109\/TGRS.2014.2381272“，“article-title”：“基于稀疏表示的高光谱和多光谱图像融合”，“volume”：第53“，”作者：“Wei”，“year”：“2015”，“journal title”：“IEEE Trans。地质科学。遥感“}，{”key“：”ref_15“，”doi-asserted-by“：”crossref“，”first page“：“3373”，”doi“：”10.1109\/TGRS.2014.2375320“，”article-title“：”通过基于子空间的正则化实现超光谱图像超分辨率的凸公式“，”volume“：doi-asserted-by“：”crossref“，”first page“：”1363“，”doi“：”10.1109\/TGRS.2016.2623626“，”article-title“：”基于群谱嵌入和低阶分解的多光谱和高光谱图像融合“，”volume“：“55”，”author“：”Zhang“，”year“2017”，”journal-title”：“IEEE Trans。地质科学。遥感“}，{”key“：”ref_17“，”doi-asserted-by“：”crossref“，”first page“：“455”，”doi“：”10.1109\/TGRS.2004.837324“，”article-title“：”使用具有任意响应函数的高分辨率多光谱图像增强超光谱分辨率“，”volume“：key“：”ref_18“，”doi asserted by“：”crossref“，”first page“：”3008“，”doi“：”10.1109\/JSTARS.2015.2440092“，”文章标题“：”超锐化：SIM-GA数据的第一种方法“，”volume“：”8“，”author“：”Selva“，”year“：”2015“，”期刊标题“：”IEEE J.Sel。顶部。申请。Earth Obs.Remote Sens“}，{“key”：“ref_19”，“doi asserted by”：“crossref”，“首页”：“1835”，“doi”：“10.1109\/LGRS.2017.27837820”，“文章标题”：“使用泛锐化和超锐化范式的组合对融合的世界观-3图像进行盲质量评估”，“卷”：“14”，“作者”：“Kwan”，“年份”：“2017”，“期刊标题”：“IEEE地质科学。遥感快报。“}，{”key“：”ref_20“，”doi-asserted-by“：”crossref“，”first page“：“27”，”doi“：”10.1109\/MGRS.2015.2440094“，”article-title“：”超光谱泛光谱化：综述“，”volume“:”3“，”author“：”Loncan“，”year“：”2015“，”journal-title”：“IEEE Geosci.Remote Sens.Mag.”}，页面“：”504“，”doi“：”10.1126\/science.1127647“，”文章标题“：“用神经网络降低数据的维度”，“卷”：“313”，“作者”：“Hinton”，“年份”：“2006”，“期刊标题”：“Science”}，{“key”：“ref_22”，“doi断言”：“crossref”，“首页”：“436”，“doi”：“10.1038\/nature14539”，“文章标题”：“深度学习”，“卷”：“521”，“作者”：“LeCun”，“年份”：“2015”，“期刊标题”：“Nature”}，{”key“：”ref_23“，”doi-asserted-by“：”crossref“，”first-pages“：”22“，”doi“：”10.1109\/MGRS.2016.2540798“，”article-title“：”遥感数据深度学习：最新技术教程“，”volume“：“4”，”author“：”Zhang“，”year“2016”，”journal-title”：“IEEE Geosci。遥感杂志“}，{”key“：”ref_24“，”doi-asserted-by“：”crossref“，”first page“：“8”，”doi“：”10.1109\/MGRS.2017.2762307“，”article-title“：”遥感深度学习：综述“，”volume“：“，”首页“：”2094“，”doi“：”10.1109\/JSTARS.2014.2329330“，“文章标题”：“基于深度学习的高光谱数据分类”，“卷”：“7”，“作者”：“陈”，“年份”：“2014年”，“期刊标题”：”IEEE J.Sel。顶部。申请。Earth Obs.Remote Sens.“}，{”key“：”ref_26“，”doi-asserted-by“：”crossref“，”unstructured“：”Makantasis，K.，Karantzalos，K.、Doulamis，A.和Doulamis，N.（2015年1月26日\u201331）.通过卷积神经网络进行高光谱数据分类的深度监督学习。IEEE国际地球科学和遥感研讨会论文集，意大利米兰。“，”DOI“：”10.1109\/IGARSS.2015.7326945“}，{”key“：”ref_27“，”DOI-asserted-by“：”crossref“，”first page“：“4544”，“DOI”：“10.1109\/TGRS.2016.2543748”，“article-title”：“用于高光谱图像分类的光谱空间特征提取：降维和深度学习方法”，“volume”：“54”，“author”：“Zhao”，“year”：“2016”，“journal-title:”IEEE传输。地质科学。遥感“}，{”key“：”ref_28“，”doi-asserted-by“：”crossref“，”first page“：“42620”，”doi“：”10.1117\/1.JRS.11.042620“，”article-title“：”Deep convolutional neural networks for building extraction from orthoimages and稠密图像匹配点云“，”volume“:”11“，”author“：”Maltezos“，”year“：”2017“，”journal-title：“J.Appl.Remote Sens.”}，}“key”：“”ref_29“，”doi-asserted-by“：”crossref“，”first page“：”295“，”doi“：”10.1109\/TPAMI.2015.2439281“，”article-title“：”使用深度卷积网络的图像超分辨率“，”volume“：“38”，”author“：”Dong“，”year“：”2016“，”journal-title”：“IEEE Trans。模式分析。机器。智力。“}，{”key“：”ref_30“，”doi-asserted-by“：”crossref“，”unstructured“：”Dong，C.，Loy，C.C.，and Tang，X.（2016年1月11日\u201314）。加速超分辨率卷积神经网络。《第十四届欧洲计算机视觉会议论文集》，荷兰阿姆斯特丹。“，”doi“：”10.1007\/978-3319-46475-6_25“}”，{“key”：“ref_31”，“非结构化“：”Kim，J.、Lee，J.K.和Lee，K.M.（7月、1月26日）。使用非常深的卷积网络实现精确的图像超分辨率。IEEE计算机视觉和模式识别会议论文集，美国内华达州拉斯维加斯非结构化”：“Zhao，Y.、Wang，R.、Dong，W.、Jia，W.，Yang，J.、Liu，X.和Gao，W.（2017）。枪：用于单图像超分辨率的逐步上采样网络。计算。视觉。模式识别。“，”DOI“：”10.1109\/ACCESS.2018.2855127“}，{”key“：”ref_34“，”DOI-asserted-by“：”crossref“，”first page“：“3142”，“DOI”：“10.1109\/TIP.2017.2662206”，“article-title”：“超越高斯去噪器：深入CNN图像去噪的剩余学习”，“volume”：“26”，“author”：“Zhang”，“year”：“2017”，“journal-title“：”IEEE Trans.image Process.“}”，{“key”：“参考_35”，“doi-asserted-by“：”crossref“，”unstructured“：”Cui，Z.，Chang，H.，Shan，S.，Zhong，B.，and Chen，X.（2014年1月6日\u201312）。用于图像超分辨率的深层网络级联。欧洲计算机视觉会议记录，瑞士苏黎世。“，”DOI“：”10.1007\/978-3-319-10602-1_4“}，{”key“：”ref_36“，”unstructured“：”Krizhevsky，A.，Sutskever，I.，and Hinton，G.E.（2012年1月3日\u20136）。深度卷积神经网络的图像元分类。《神经信息处理系统进展学报》，美国内华达州塔霍湖。“}”，{“key”：“ref_37”，“DOI-asserted-by”：“crossref”，“”非结构化”：“Mei，S.，Yuan，X.，Ji，J.，Zhang，Y.，Wan，S.和Du，Q.（2017）。基于3D全卷积神经网络的高光谱图像空间超分辨率。遥感，9.“，”DOI“：”10.3390\/rs9111139“}，{“key”：“ref_38”，“DOI-asserted-by”：“crossref”，“unstructured”：“Wang，C.，Liu，Y.，and Bai，X.（2017）高光谱图像超分辨率的深度残差卷积神经网络。国际图像和图形会议，斯普林格。“，”DOI“：”10.1007\/978-3-319-71598-8_33“}，{”key“：”ref_39“，”DOI-asserted-by“：”crossref“，”first page“：“1825”，”DOI:“10.1109\/LGRS.2017.2737637”，”article-title“：”Spectral Difference Learning and Spatial Error Correction“超光谱图像超分辨率”，“volume”：“14”，“author”：“Hu”，“year”：“2017”，“journal-title”：“IEEE Geosci.Remote Sens.Lett。“}”，{“key”：“ref_40”，“doi-asserted-by”：“crossref”，“unstructured”：“Masi，G.，Cozzolino，D.，Verdoliva，L.，and Scarpa，G.（2016）。卷积神经网络的全景锐化。遥感，8.”，“doi”：“10.3390\/rs8070594”}，{，“文章标题”：“通过学习深度残差网络提高多光谱图像泛细化的准确性”，“卷”：“14”，“作者”：“魏”，“年份”：“2017年”，“期刊标题”：“IEEE Geosci.Remote Sens.Lett.”}，{“键”：“ref_42”，“doi-asserted-by”：“crossref”，“非结构化”：“Yang，J.，Fu，X.，Hu，Y.，Huang，Y..，Ding，X.和Paisley，J.（2017年1月22日\u201329）.PanNet：用于泛锐化的深层网络架构。IEEE计算机视觉和模式识别会议记录，意大利威尼斯。“，”DOI“：”10.1109\/ICCV.2017.193“}，{”key“：”ref_43“，”DOI-asserted-by“：”crossref“，”first page“：“978”，“DOI”：“10.1109\/JSTARS.2018.2794888”，”article-title“：”一个用于遥感图像平移细化的多尺度多深度卷积神经网络“，”volume“：11”，“author”：“Yuan”，“year”：“2018”，“journal-title”：“IEEE J.Sel.Top.Appl.Earth”对象。遥感。“}，{”key“：”ref_44“，”doi-asserted-by“：”crossref“，”unstructured“：”Bottou，L.（2012）。随机梯度下降技巧。神经网络：交易技巧，Springer。“，”doi“：”10.1007\/978-3642-35289-8_25“}”，{“key”：“ref_45”，“doi-assert-by”：“crossref”，“unstructure”：“Yang，J.，Zhao，Y.，Ii，C.，and Chan，J.C.W.（2017）.通过质量敏感特征学习进行无参考高光谱图像质量评估。遥感，9.“，”DOI“：”10.3390\/rs9040305“}，{“key”：“ref_46”，“unstructured”：“（2016年10月30日）。AVIRIS-Airborne Visible\/红外成像光谱仪数据，在线获取：http://AVIRIS.jpl.nasa.gov\/Data\/free_Data.html.”}，“key“：”ref_47“，”unstructure“：”（2017年4月10日）柏林城市梯度数据集2009\u2014 EnMAP预备飞行活动（数据集）。在线提供：http:\/\/dataservices.gfz-potsdam.de\/enmap\/showshort.php？id=escidoc:1480925.“}，{”key“：”ref_48“，”unstructured“：”Okujeni，A.，Van Der Linden，S.，and Hostert，P.（2016）.柏林城市梯度数据集2009\u2014An EnMAP预备飞行活动（数据集），GFZ数据服务.技术报告“}文章标题：“图像质量评估：从错误可见性到结构相似性”，“卷”：“13”，“作者”：“王”，“年份”：“2004”，“期刊标题”：“IEEE Trans。图像处理。“}，{”key“：”ref_50“，”doi-asserted-by“：”crossref“，”first-pages“：”2378“，”doi“：”10.1109\/TIP.2011.2109730“，”article-title“：”FSIM:图像质量评估的特征相似性指数“，”volume“：“20”，“author”：“Zhang”，“year”：“2011”，“journal-title”：“IEEE Trans.image Process.”}，”{“key”：“ref_51”，“unstructured”：“（2017年6月2日）.Earth Explore-Home，在线获取：https:\/\/ertraxplorer.usgs.gov\/。“}，{”key“：”ref_52“，”unstructured“：”（2017年12月20日）。开放街道地图。在线获取：https:\\/www.openstreetmap.org\/relational\/127729#Map=11\/40.3847\/-86.8490.“}”，{“key”：“ref_53”，“doi-asserted-by”：“crossref”，“first page”：”1778“，”doi“：”10.1109\/TGRS.2004.831865“，”article-title“：”使用支持向量机对高光谱遥感图像进行分类”，“卷”：“42”，“作者”：“Melgani”，“年份”：“2004年”，“期刊标题”：“IEEE Trans。地质科学。遥感。“}，{”key“：”ref_54“，”unstructured“：”Rainforth，T.，and Wood，F.（2015）。典型相关森林。Mach.Learn.“}key“：”ref_56“，”unstructured“：”Yosinski，J.，Clune，J.、Bengio，Y.和Lipson，H.深度神经网络中的特征如何转移？第27届神经信息处理系统国际会议论文集，加拿大魁北克省蒙特利尔，201313年12月8日；pp.“}，{”key“：”ref_57“，”doi-asserted-by“：”crossref“，”first page“：“390”，”doi“：”10.1007\/s11263-017-1043-5“，”article-title“：”为静态图像中的事件识别传输深层物体和场景表示“，”volume“：，“非结构化”：“Jia，Y.、Shelhamer，E.、Donahue，J.、Karayev，S.、Long，J.，Girshick，R.、Guadarrama，S.和Darrell，T.（2014年1月3日\u20137）。Caffe：快速特征嵌入的卷积架构。美国佛罗里达州奥兰多市第二十二届ACM国际多媒体会议记录”，“DOI”：“10.1145\/2647868.2654889”}]，“container-title”：[“遥感”]，“原始标题”：[]，“language”：“en”，“link”：[{“URL”：“https:\/\/www.mdpi.com\/2072-4292\/10\/5\/800\/pdf”，“content-type”：“未指定”，“内容-版本”：“vor”，“intended-application”：“相似性检查“}”，“存放”：{“日期-部分”：[[2024,6,11]]，“日期-时间”：“2024-06-11T00:05:10Z”，“时间戳”：1718064310000}，“分数”：1，“资源”：{-“主要”：{:“URL”：“https:\/\/www.mdpi.com\/2072-4292\/10\/5\/800”}}，”副标题“：[]，”短标题“：[]，”发布“：{”日期-部分“：[2018,5,21]]}，“references-count”：58，“journal-issue”：{“issue”：“5”，“published-on-line“：{”date-parts“：[[2018,5]]}}，”alternative-id“：[”rs10050800“]，”URL“：”http://\/dx.doi.org\/10.3390\/rs1005080“，”relation“：{}，“ISSN”：[”2072-4292“]，“ISSN-type”：[{“value”：“2072-4922”，“type”:“electronic”}]，“subject”：【】，“published”：{8,5,21]]}}