[发明专利]一种用于遥感影像融合的改进交叉皮质神经网络模型

说明书

受光学传感器自身限制，拍摄的多高光谱影像在获取高的光谱分辨率的同时，不可避免的需要牺牲其空间分辨率。本发明提出一种改进交叉皮质神经网络模型，可将高空间分辨率细节信息融合注入多高光谱遥感影像，从而获得兼有高空间分辨率和光谱分辨率的融合影像。对比实验结果表明，本发明方法优于经典的遥感影像融合方法，同时具有较小的光谱扭曲和细节失真。

技术领域

本发明涉及遥感影像处理技术领域，特别是涉及一种多、高光谱遥感影像的融合方法。

背景技术

多光谱和高光谱遥感影像是进行遥感影像分类和解译的重要数据来源，但是由于传感器自身信噪比和通信下行链路的限制，在光学遥感传感器设计之初不得不在空间分辨率和光谱分辨率之间进行折中，这种折中使得丰富的光谱信息对复杂目标的解译和监测变得十分棘手，极大限制了多高光谱影像的实际应用，因此需要利用遥感影像融合技术对高空间分辨率影像和多高光谱影像进行融合，使融合结果同时具有高的空间分辨率和光谱分辨率。

经典的遥感影像融合算法有Gram-Schmidt融合方法、Brovey变换融合方法、主成分分析PCA融合方法及IHS融合方法等，本发明提出一种改进交叉皮质神经网络模型，并将其应用于多高光谱的遥感影像融合，相比传统的遥感影像融合方法，本算法在较好的融合高空间分辨率细节特征的同时，可极大减小融合结果中多高光谱影像的光谱扭曲。

发明内容

为弥补现有技术的不足，本发明目的是提供一种改进交叉皮质神经网络模型，解决多光谱、高光谱遥感影像的融合问题，融合后的影像能够同时具有高的空间分辨率和光谱分辨率，同时可较好保持空间细节特征，极大减少融合过程中的光谱扭曲。

为了实现上述目的，本发明提出一种改进交叉皮质神经网络模型，其神经元数学表达为：

E_ij[n]＝gE_ij[n-1]+hY_ij[n-1]

其中，ij表示当前神经元，kl表示邻域神经元，n为当前迭代次数，W和α分别为邻域连接强度矩阵和连接系数，S为多高光谱影像，D为高空间分辨率的细节影像，g和h分别为衰减系数和标准化常量，E为活动阈值，Y为输出脉冲，F表示输出融合结果，一旦在当前迭代中F_ij大于活动阈值E_ij，神经元ij被激发在第n次迭代中产生一个输出脉冲Y_ij，当神经网络中的所有神经元均被激发时获得最终的融合结果F。

为了适应遥感影像融合算法，遥感影像的每一个像素与本发明神经网络模型中的每个神经元一一对应，在利用神经网络模型对多高光谱和高空间分辨影像进行处理之前，需要对输入影像执行标准化操作，将它们的像素值标准化到[0,1] 之间，并对标准化后的影像执行直方图匹配操作，获得标准化后的多高光谱影像S和高空间分辨影像H，对高空间分辨影像H执行高斯平滑滤波获得平滑后的影像HL，其中高斯滤波器的分布参数σ为：