[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

说明书

本发明公开了一种基于卷积神经网络的遥感图像全色锐化方法，包括以下步骤：读取原始多光谱遥感图像及其匹配的全色遥感图像对图像数据进行预处理，获取训练样本；构造卷积神经网络结构；将训练样本输入卷积神经网络，利用随机梯度下降算法，使得损失函数稳定在最小值，从而得到该网络结构的最优解；将经过相同预处理的测试样本输入至最优卷积神经网络结构中，输出处理得到高分辨率的多光谱遥感图像。本发明能有效地减少处理结果的光谱失真，并增强了其锐化效果。

技术领域

本发明涉及遥感图像处理领域，具体涉及一种基于卷积神经网络的遥感图像全色锐化方法。

背景技术

遥感图像是目前被广泛关注的图像类型之一，在农业发展、环境监测和地质监测等领域都有广泛的应用，具有良好的工程应用价值和前景。然而在实际应用中，由于受到传感器物理结构的限制，不能同时获取具有高空间分辨率和光谱分辨率的遥感图像。为了解决这一问题，现在卫星一般具有两种不同类型的传感器，分别获取空间分辨率高的全色遥感图像和光谱分辨率高的多光谱遥感图像。通过利用全色遥感图像锐化处理多光谱遥感图像，就能得到高空间分辨率和光谱分辨率的图像，即利用全色遥感图像的空间信息去提升多光谱遥感图像的空间分辨率，同时还保护了多光谱遥感图像的光谱信息免受破坏，这个过程也称为遥感图像全色锐化。

目前，遥感图像全色锐化方法主要分为两大类：1)成分替代法，该类方法通过线性变换将多光谱遥感图像的空间成分和光谱成分相互分离，然后将其空间成分用全色遥感图像的进行替换，再进行反变换，即可得到提升的图像。该类方法能较好地修复空间细节，并且算法时间消耗少，但是处理后的图像不可避免地有严重的光谱失真现象。2)多分辨率分析，该类方法通过小波变换、拉普拉斯金字塔等手段提取全色遥感图像的高频细节信息，并将其插入到多光谱遥感图像中。该类方法能有效地保护多光谱遥感图像的光谱特性，但其对空间分辨率的提升效果有限，且耗费的时间也相对较多。因此，如何在提升多光谱遥感图像的空间分辨率的同时，还保存其光谱特性不受破坏，成为近年来全色锐化和遥感信息行业的研究热点之一。

得益于卷积神经网络在图像超分辨率重建领域的出色表现，其也有潜力在遥感图像全色锐化上得到成功应用。然而，由于多光谱遥感图像具有丰富的空间信息和光谱信息，直接利用卷积神经网络学习低分辨率和高分辨率的多光谱遥感图像映射关系时，不仅会大大提升卷积神经网络的训练时长，而且还会增大其学习的误差。

发明内容

本发明的目的是针对现有技术的不足，提出了一种具有针对性的基于卷积神经网络的遥感图像全色锐化方法，所述方法能有效地减少处理结果的光谱失真，并增强了多光谱遥感图像的锐化效果。

本发明的目的可以通过如下技术方案实现：

一种基于卷积神经网络的遥感图像全色锐化方法，所述方法包括以下步骤：

(1)、获取训练样本集：对获取的多光谱遥感图像和全色遥感图像进行预处理，得到训练样本对；

(2)、构建卷积神经网络模型：主要包括卷积层和求和层，网络激活函数采用线性整流函数；

(3)、训练卷积神经网络：利用零均值的高斯分布初始化网络各层的卷积核的权重和偏置，采用随机梯度下降算法对卷积神经网络模型进行迭代优化；

(4)、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。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明提供的基于卷积神经网络的遥感图像全色锐化方法，是多光谱遥感图像全色锐化传统方法的延伸，摒弃了传统的分开学习全色遥感图像的细节信息和细节信息插入系数，现直接利用低分辨的多光谱遥感图像和全色遥感图像学习其缺少的细节信息，大大提升了模型的鲁棒性。

2、本发明利用卷积神经网络学习低分辨率多光谱遥感图像所缺失的细节信息，而不是完整的高分辨率多光谱遥感图像，不仅能降低卷积神经网络的训练时间，而且能提升锐化效果。