[发明专利]一种基于深度卷积神经网络的时空卫星图像融合方法

说明书

本发明提供了一种基于深度卷积神经网络的时空卫星图像融合方法。所述基于深度卷积神经网络的时空卫星图像融合方法包括如下步骤：训练阶段：选取对应的Landsat图像和MODIS图像形成Landsat‑MODIS图像对，并对Landsat图像进行下采样，得到接近MODIS空间分辨率的LSR Landsat图像，根据Landsat图像、MODIS图像和LSR Landsat图像的组合进行训练，并分别得到非线性映射CNN网络和超分辨率重建CNN网络；预测阶段：分别选取日期t₁和t₃的Landsat‑MODIS图像对，基于训练阶段得到的非线性映射CNN网络和超分辨率重建CNN网络，预测位于日期t₁和t₃之间的日期t₂的Landsat预测图像。

技术领域

本发明属于图像信息处理技术领域，具体地涉及一种基于深度卷积神经网络的时空卫星图像融合方法。

背景技术

随着全球变化的加剧，遥感卫星技术在过去几十年来越来越受到人们的关注。举例来说，遥感数据在农作物生长监测，土地利用/覆盖率变化监测和灾害监测中有着不可替代的作用。因为持续不断地观测是动态监测的基本要求，所以高时间分辨率成为动态监测应用领域中遥感数据的重要特征。同时全球陆地景观的破碎性使得这些应用又要求遥感数据具有高空间分辨率。然而，由于技术和经济的限制，目前卫星平台难以同时获得高空间分辨率和时间分辨率的遥感数据。

例如，来自Landsat系列，SPOT和IRS卫星的遥感图片的空间分辨率范围在6m到30m，这就很适合生态系统的动态监测。然而这些卫星的重访周期很长(Landsat/TM：16天，SPOT/HRV：26天，IRS：24天)同时还有频繁的云盖和其他的糟糕的天气限制他们在快速改变的地表情况的探测方面的应用(例如季节内的生态分布)。另一方面，Terra/Aqua，SPOT-VGT和NOAA/AVHRR卫星上面的MODIS传感器适合提供每日的遥感观测。但是这些传感器的空间分辨率在250～1000m之间，这不足以监测地表覆盖的变化和生态系统的高度不均匀化。

为了解决上述问题，需要在地表动态监测中充分发掘目前的遥感数据的潜能。

发明内容

本发明的目的在于针对现有技术的缺陷，提供一种基于深度卷积神经网络的时空卫星图像融合方法，其可以更有效地提取和表达海量遥感数据中丰富的信息，能产生更准确的卫星图像融合结果。

本发明的技术方案如下：一种基于深度卷积神经网络的时空卫星图像融合方法包括如下步骤：训练阶段：选取对应的Landsat图像和MODIS图像形成Landsat-MODIS图像对，并对Landsat图像进行下采样，得到接近MODIS空间分辨率的LSR Landsat图像，根据Landsat图像、MODIS图像和LSR Landsat图像的组合进行训练，并分别得到非线性映射CNN网络和超分辨率重建CNN网络；预测阶段：分别选取日期t₁和t₃的Landsat-MODIS图像对，基于训练阶段得到的非线性映射CNN网络和超分辨率重建CNN网络，预测位于日期t₁和t₃之间的日期t₂的Landsat预测图像。

优选地，所述训练阶段具体包括如下步骤：选取Landsat-MODIS图像对：选取对应的Landsat图像和MODIS图像，并对Landsat图像进行下采样，得到接近MODIS空间分辨率的LSR Landsat图像；训练非线性映射模型：将MODIS图像作为训练集，LSR Landsat图像作为标签，通过非线性映射函数从MODIS图像中学习MODIS图像和LSR Landsat图像的残差，进而训练得到非线性映射CNN网络；训练超分辨率重建模型：将LSR Landsat图像作为训练集，Landsat图像作为标签，利用LSR Landsat和原始Landsat图像之间的相似性学习残差网络，进而训练得到超分辨率重建CNN网络。