[发明专利]一种基于深度卷积神经网络的时空卫星图像融合方法

权利要求书

1.一种基于深度卷积神经网络的时空卫星图像融合方法，其特征在于：包括如下步骤：

训练阶段：选取对应的Landsat图像和MODIS图像形成Landsat-MODIS图像对，并对Landsat图像进行下采样，得到接近MODIS空间分辨率的LSR Landsat图像，根据Landsat图像、MODIS图像和LSR Landsat图像的组合进行训练，并分别得到非线性映射CNN网络和超分辨率重建CNN网络；

预测阶段：分别选取日期t₁和t₃的Landsat-MODIS图像对，基于训练阶段得到的非线性映射CNN网络和超分辨率重建CNN网络，预测位于日期t₁和t₃之间的日期t₂的Landsat预测图像；

所述训练阶段具体包括如下步骤：

选取Landsat-MODIS图像对：选取对应的Landsat图像和MODIS图像，并对Landsat图像进行下采样，得到接近MODIS空间分辨率的LSR Landsat图像；

训练非线性映射模型：将MODIS图像作为训练集，LSR Landsat图像作为标签，通过非线性映射函数从MODIS图像中学习MODIS图像和LSR Landsat图像的残差，进而训练得到非线性映射CNN网络；

训练超分辨率重建模型：将LSR Landsat图像作为训练集，Landsat图像作为标签，利用LSR Landsat和原始Landsat图像之间的相似性学习残差网络，进而训练得到超分辨率重建CNN网络；

所述预测阶段具体包括如下步骤：

获取LSR Landsat过渡图像：选取位于日期t₁和t₃之间的日期t₂的MODIS图像，把日期t₁、t₂、和t₃的MODIS图像通过训练阶段得到的非线性映射CNN网络，得到日期t₂的LSR Landsat过渡图像，将日期t₁、t₂、和t₃的MODIS图像分别记作：M₁，M₂，M₃；

获取LSR Landsat预测图像：利用日期t₂的LSR Landsat过渡图像以及日期t₁和t₃的Landsat图像下采样得到的LSR Landsat图像得到高通调制等式，结合日期t₁和t₃的预测数据的加权策略通过高通调制得到日期t₂的LSR Landsat预测图像；

获取Landsat过渡图像：将日期t₂的LSR Landsat预测图像以及日期t₁和t₃的LSRLandsat图像输入到训练阶段得到的超分辨率重建CNN网络，得到日期t₂的Landsat过渡图像；

获取Landsat预测图像：利用日期t₂的Landsat过渡图像以及日期t₁和t₃的Landsat图像得到高通调制等式，结合日期t₁和t₃的预测数据的加权策略通过高通调制得到日期t₂的Landsat预测图像。

2.根据权利要求1所述的一种基于深度卷积神经网络的时空卫星图像融合方法，其特征在于：将MODIS图像和LSR Landsat图像分别记为X和Y^l，定义真实的残差图像为：R＝Y^l–X；在训练非线性映射模型步骤中具体包括如下步骤：

输入MODIS图像，并提取MODIS图像的特征图像；

把MODIS图像的特征图像通过非线性映射函数映射形成残差图像的映射特征图像；

根据残差图像的映射特征图像重新构建残差图像，形成重建的残差图像；

最小化重建的残差图像和真实的残差图像之间的损失，实现训练非线性映射CNN网络。