[发明专利]一种基于卷积神经网络的遥感图像全色锐化方法

权利要求书

1.一种基于卷积神经网络的遥感图像全色锐化方法，其特征在于，所述方法包括以下步骤：

步骤1、读取原始多光谱遥感图像数据和原始全色遥感图像数据其中h₁、w₁分别表示多光谱遥感图像的长和宽，H₁、W₁分别表示全色遥感图像的长和宽，b表示波段数，两幅图像满足以下关系：h₁＝sH₁、w₁＝sW₁，s表示多光谱遥感图像与全色遥感图像的空间分辨率之比；

步骤2、选取原始多光谱遥感图像部分区域，及其对应的原始全色遥感图像区域作为训练样本，对该训练样本进行预处理后，进行分块采样，得到多个训练样本块

步骤3、构建卷积神经网络模型，所述卷积神经网络模型包括卷积层和求和层，网络的激活函数采用线性整流函数，表达式为Y＝max(0,X)，其中X,Y分别表示神经元的输入和输出特征图；

步骤4、利用零均值的高斯分布随机初始化卷积神经网络模型中各卷积核的权重W和偏置B；

步骤5、选用欧氏距离损失函数作为输出层，得到网络预测图像与参照图像之间的欧氏距离；

步骤6、采用随机梯度下降算法对权重W和偏置B进行迭代更新，当损失函数稳定在最小值时，权重W和偏置B寻得最优解，即得到最优卷积神经网络模型；

步骤7、选取原始多光谱遥感图像另外一部分区域，及其对应的原始全色遥感图像区域作为测试样本对该测试样本进行与步骤2相同的预处理；

步骤8、将步骤7得到的测试样本直接输入到步骤6得到的最优卷积神经网络模型，移除输出层后，即得到高分辨率的多光谱遥感图像；

利用训练好的卷积神经网络模型，对低分辨的多光谱遥感图像进行全色锐化；

所述步骤3中构建的卷积神经网络模型共包括四层：

第一层：卷积层Conv1，输入训练样本块与64个大小为3×3的卷积核进行卷积运算，并经过线性整流函数激活处理，输出64个特征图Y₁⁽ⁱ⁾，能够表示为：其中Y₁⁽ⁱ⁾表示第一层卷积层对应的输出特征图，W₁,B₁分别表示第一层卷积核的权重矩阵和偏置矩阵；

第二层：卷积层Conv2，输入上一层的输出，与64个大小为3×3的卷积核进行卷积运算，并经过线性整流函数激活处理，输出64个特征图Y₂⁽ⁱ⁾；

第三层：卷积层Conv3，输入上一层的输出，与b个大小为3×3的卷积核进行卷积运算，直接输出b个特征图Y₃⁽ⁱ⁾；

第四层：求和层Sum，输入上一层的输出和卷积神经网络训练样本块的前b个波段，即低分辨率的多光谱遥感图像两个输入数据进行逐元素相加，输出网络预测高分辨多光谱遥感图像O⁽ⁱ⁾，其表达式为

2.根据权利要求1所述的基于卷积神经网络的遥感图像全色锐化方法，其特征在于，所述步骤2的具体过程为：

步骤2.1、对训练样本的预处理：对选取的多光谱遥感图像训练样本与全色遥感图像训练样本同时先用与相应传感器的调制传递函数相匹配的高斯滤波器进行平滑处理，再进行空间尺度为s的下采样，得到低分辨率的多光谱遥感图像训练样本和低分辨率的全色遥感图像训练样本其中满足表达式：h₂＝sh₁,w₂＝sw₁，接着仅对进行空间尺度为s的上采样，得到与相同大小的多光谱遥感图像训练样本

步骤2.2、获取网络输入训练样本G₁：将步骤2.1得到的和在第三维度上进行拼接，即将作为训练样本G₁的前b个波段数据，作为训练样本G₁的第b+1个波段数据；

步骤2.3、对训练样本G₁进行分块采样：以一定间隔在训练样本G₁上进行采样，即能够将一副像素点较多的训练样本，分解为多个像素点较少的训练样本块

3.根据权利要求2所述的基于卷积神经网络的遥感图像全色锐化方法，其特征在于，步骤5中卷积神经网络模型训练时所选用的欧氏距离损失函数表达式为：其中θ表示卷积神经网络模型需要优化的参数集合，N_p表示随机梯度下降算法中的批尺寸，||·||_F表示矩阵的F-范数。