[发明专利]遥感图像融合模型的训练方法及装置

说明书

本发明涉及图像处理技术领域，具体涉及一种遥感图像融合模型的训练方法及装置。其中，方法包括：获取至少两组遥感图像；其中，所述至少两组遥感图像为不同卫星对同一地物目标进行成像所获得的图像；对所述至少两组遥感图像进行配准；将配准后的所述至少两组遥感图像作为训练样本，对预设的深度残差神经网络模型进行训练，得到遥感图像融合模型。由于在训练之前，通过配准可消除不同卫星的遥感图像之间的差异，使得来自不同卫星的遥感图像能够共用一个遥感图像融合模型，因此，只需对深度残差神经网络模型进行一次训练，极大的提升了融合效率。

技术领域

本发明涉及图像处理技术领域，具体涉及一种遥感图像融合模型的训练方法及装置。

背景技术

多卫星的遥感系统能够为用户提供高空间分辨率、高光谱分辨率、高时间分辨率的海量图像。但是，由于不同卫星所处的平台高度、姿势、灵敏度、辐射量等参数的不同，使得不同卫星拍摄到的遥感图像中的地物位置、形状等有所差异，因此在融合时，无法共用同一个遥感图像融合模型。现有的解决方法是，针对不同的卫星分别训练深度残差神经网络模型，并寻找相应的训练参数，得到对应于每个卫星的遥感图像融合模型，耗费大量的时间，融合效率低下。

发明内容

有鉴于此，本发明实施例提供了一种遥感图像融合模型的训练方法及装置，以解决不同卫星的遥感图像无法共用一个遥感图像融合模型导致融合效率低下的问题。

根据第一方面，本发明实施例提供了一种遥感图像融合模型的训练方法，包括：获取至少两组遥感图像；其中，所述至少两组遥感图像为不同卫星对同一地物目标进行成像所获得的图像；对所述至少两组遥感图像进行配准；将配准后的所述至少两组遥感图像作为训练样本，对预设的深度残差神经网络模型进行训练，得到遥感图像融合模型。

可选地，每组所述遥感图像包括全色图像和多光谱图像，所述对所述至少两组遥感图像进行配准，包括：对所述至少两组遥感图像中的全色图像进行配准，以及对所述至少两组遥感图像中的多光谱图像进行配准。

可选地，所述对所述至少两组遥感图像中的全色图像进行配准，包括：

获取所述全色图像中第一预设点的像素坐标；

基于所述第一预设点的像素坐标，将所述至少两组遥感图像中的全色图像进行位置配准。

可选地，所述对所述至少两组遥感图像中的多光谱图像进行配准，包括：获取所述多光谱图像中第二预设点的像素坐标；基于所述第二预设点的像素坐标，将所述至少两组遥感图像中的多光谱图像进行位置配准；利用位置配准后的所述全色图像，对所述多光谱图像进行像素矫正。

可选地，所述利用位置配准后的所述全色图像，对所述多光谱图像进行像素矫正，包括：确定位置配准后的多光谱图像与其对应的全色图像的多个重叠区域；分别计算所述多光谱图像中所述多个重叠区域的像素平均值；将所述多个重叠区域的像素平均值作为标准像素值，对所述多光谱图像进行像素矫正。

可选地，所述将配准后的所述至少两组全遥感图像作为训练样本，对预设的深度残差神经网络模型进行训练，得到遥感图像融合模型，包括：利用所述深度残差神经网络模型对所述训练样本进行特征提取，得到卷积特征，并将所述卷积特征与所述多光谱图像进行相加操作，得到残差结果；根据所述残差结果与所述训练样本的预设标签，确定所述深度残差神经网络模型的损失函数；利用梯度下降法根据所述损失函数，调节所述深度残差神经网络模型的参数，得到所述遥感图像融合模型。

可选地，所述预设标签为采用Wald准则对所述训练样本进行预处理，所生成的表征全色图像与多光谱图像的标签。

可选地，所述利用所述深度残差神经网络模型对所述训练样本进行特征提取，得到卷积特征，并将所述卷积特征与所述多光谱图像进行相加操作，得到残差结果之前，还包括：将所述训练样本中所有全色图像与多光谱图像的像素值归一化到[0-1]。