[发明专利]一种基于深度残差神经网络的遥感影像融合方法及系统

说明书

本发明公开一种基于深度残差神经网络的遥感影像融合方法及系统，对全色影像与多光谱影像分别进行相应倍数的下采样，获得训练样本；构建深度残差神经网络，该网络为深度卷积结构，输入深度残差神经网络的全色影像和多光谱影像依次经过多个卷积模块所得的输出，与输入的多光谱影像相加构成残差结构；利用训练样本与随机梯度下降算法对深度残差神经网络进行训练，对于待融合的多光谱影像与全色影像，分别进行相应倍数的下采样后输入到训练好的深度残差神经网络中，得到融合后的具备高空间分辨率的多光谱影像。本发明能综合两种影像各自的关键信息，提高多光谱影像的空间分辨率。

技术领域

本发明属于遥感影像处理领域，涉及一种对遥感影像进行融合的方法及系统。

背景技术

遥感影像是对地观测卫星承载信息的主要形式，它能够充分记录地表物体的电磁波反射特性，因此可以将其用于城市变化检测，自然灾害监控等重要领域。大部分卫星在对地表进行观测时会同时获得该地区的多光谱影像与全色影像，其中多光谱影像记录了地面目标在多个波段下的电磁波反射特性，而全色影像仅记录了地面目标在单个波段下的电磁波反射特性。虽然多光谱影像的光谱分辨率较为理想，然而受限于传感器的物理特性，其空间分辨率不及全色影像。为了恢复出空间分辨率与光谱分辨率均高的理想影像，需要将多光谱与全色影像进行融合。融合后的影像需要同时具备多光谱影像准确的光谱信息以及全色影像丰富的空间细节信息。

遥感影像的融合算法已积淀了丰富的研究历史，大部分算法可被大致分为基于分量替换的融合算法和于多分辨率分析的融合算法。

基于分量替换的融合算法依赖于关键分量的替换。这类算法往往将低空间分辨率的多光谱影像的某一分量替换为全色影像，从而达成提高空间分辨率的目的。同时，这类算法的优势在于其计算简单，运行速度快捷，因此被广泛使用。基于多分辨率分析的融合算法主要利用了一系列多分辨率的分解获得多光谱影像与全色影像在不同空间尺度下的信息，并在分解后的层面上将全色影像的信息注入到多光谱影像中，从而实现多光谱影像空间分辨率的提升。

发明内容

针对遥感影像融合需要实现的效果，本发明提供了一种遥感影像的融合技术方案，可以对多光谱影像与全色影像进行融合。融合后的影像能够兼具多光谱影像的光谱分辨率与全色影像的空间分辨率。为实现上述目的，本发明的技术方案主要包括图像的深度学习技术。在这个技术的支持下，本发明能够对多光谱影像与全色影像进行有效地融合。

本发明技术方案包括一种基于深度残差神经网络的遥感图像融合方法，包括以下步骤：

步骤a，对全色影像与多光谱影像分别进行相应倍数的下采样，获得训练样本；

步骤b，构建深度残差神经网络，所述深度残差神经网络为深度卷积结构，含有m个卷积模块，输入深度残差神经网络的全色影像和多光谱影像依次经过m个卷积模块所得的输出，与输入的多光谱影像相加构成残差结构，输出深度残差神经网络的相加结果；

步骤c，利用步骤a中生成的训练样本与随机梯度下降算法对深度残差神经网络进行训练；

步骤d，将待融合的多光谱影像与全色影像输入到步骤c中训练好的深度残差神经网络中，即可得到融合后的具备高空间分辨率的多光谱影像。

而且，步骤a中，将原始的低空间分辨率的多光谱影像作为真值，将下采样后的多光谱影像与全色影像作为深度残差神经网络的输入。

而且，m大于等于20。

而且，步骤c中，对深度残差神经网络进行训练时，损失函数为：