[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

摘要

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。

主权项

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。