典型文献
深度学习在光学和SAR影像融合研究进展
文献摘要：
遥感影像融合作为影像处理领域中最具有挑战的工作,一直是学术界研究的热点.合成孔径雷达SAR(Synthetic Aperture Radar)具备全天时、全天候、穿透云雾等多种特点,却因存在相干斑噪声等问题,使得影像难以解译.相比之下,光学影像可以反映地物的光谱和空间信息,易于解译,但容易受到云雾干扰,造成信息丢失,将光学与SAR影像数据融合可以实现不同类型传感器成像之间的信息互补,能够更好地为后续的影像分析与解译提供方便.本文首先对光学和SAR影像融合进行了系统性回顾,包括传统融合方法和基于深度学习方法在影像融合方面的最新工作,重点阐述了卷积神经网络CNN(Convolutional Neural Network)、生成式对抗网络GAN(Generative Adversarial Networks)等框架在光学和SAR影像融合中的进展;然后总结了光学和SAR影像融合在深度学习领域开发的数据集,并做了简单介绍和说明;最后,从数据集、时间序列影像融合、融合评价体系和算法轻量化等4个方面对光学和SAR影像融合的未来发展趋势进行了展望.
文献关键词：
深度学习;遥感影像;光学影像;SAR影像;影像融合;数据集
中图分类号：
作者姓名：
成飞飞;付志涛;黄亮;牛宝胜;陈朋弟;王雷光;季欣然
作者机构：
昆明理工大学国土资源工程学院,昆明650093;云南省高校高原山区空间信息测绘技术应用工程研究中心,昆明650093;西南林业大学大数据与人工智能研究院,昆明650024
文献出处：
引用格式：
[1]成飞飞;付志涛;黄亮;牛宝胜;陈朋弟;王雷光;季欣然-.深度学习在光学和SAR影像融合研究进展)[J].遥感学报,2022(09):1744-1756
A类：
B类：
SAR,影像融合,融合研究,遥感影像,影像处理,合成孔径雷达,Synthetic,Aperture,Radar,天时,全天候,相干斑噪声,解译,相比之下,光学影像,地物,空间信息,云雾干扰,信息丢失,影像数据,数据融合,信息互补,影像分析,提供方便,融合方法,深度学习方法,Convolutional,Neural,生成式对抗网络,GAN,Generative,Adversarial,Networks,学习领域,时间序列影像,融合评价,和算
AB值：
0.374075
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
