[发明专利]一种基于生成对抗网络的遥感图像融合方法、系统和终端

说明书

本发明公开了一种基于生成对抗网络的遥感图像融合方法，包括：采用差分算子提取原始全色图像的空间结构信息，采样原始的多光谱图像；将空间结构信息与采样的多光谱图像在特征域拼接，得样本图像；将样本图像输入生成对抗网络的生成器，生成融合图像；将融合图像和真实图像输入生成对抗网络的判别器进行判别区分，在生成器与判别器间建立对抗规则及融合目标函数，优化融合图像。采用本发明所公开的基于生成对抗网络的遥感图像融合方法，采用差分算子保留了原始全色图像的空间结构信息，采样方法保留了原始低分辨率多光谱图像的光谱信息，有效减少了融合过程中细节信息的丢失；此外，通过在生成器和判别器间建立对抗规则及融合目标函数，大大优化了融合的效果。

技术领域

本发明涉及遥感图像处理技术领域，尤其涉及一种基于生成对抗网络的遥感图像融合方法、系统和终端。

背景技术

随着现代科技的不断进步，遥感技术广泛应用于灾害预警、军事侦测、海洋气象预测和土地资源分类等领域。遥感作为一种探测目标的信息载体，通过各种传感器获取信息，然而，现有技术中，由于受遥感卫星的硬件技术的限制，遥感卫星只能够获取高分辨率的全色图像和低分辨率的多光谱图像，再通过融合方法得到高分辨率、高质量的多光谱图像。

目前，遥感图像融合方法主要包括以下几种：一是基于分量替换的算法，将低分辨率的多光谱图像转化到另一个空间，再将原有的空间信息和光谱信息分离，最后通过替换的方式融合，该种融合算法虽然计算效率高，但容易产生光谱扭曲；二是基于多分辨率分析的算法，将全色图像的空间细节通过多分辨率分解注入到上采样的低分辨率多光谱图像的每一个波段中，该种融合方法虽然能够保留良好的光谱信息，但由于经过多分辨分解，全色图像中将丢失结构细节信息，容易造成融合图像的空间信息不足；三是利用光谱频带之间相关空间细节建立优化模型的算法，该种融合方法在求解模型时，迭代次数和模型中的超参很难精确设定，容易影响融合图像的精准性；四是基于神经网络进行遥感融合的算法，直接求解输入图像到输出图像的映射，本质上仍是通过最小化融合图像的和参考图像之间的欧几里德距离来训练网络，该种融合方法也会导致光谱信息的不足和结构信息的改变。

发明内容

本发明所要解决的技术问题在于，提供一种遥感图像融合方法，解决融合图像光谱信息不足和结构信息改变的问题，保留全色图像的空间结构信息，减少融合过程中细节信息的丢失，保留原始低分辨率多光谱图像的光谱信息，优化了融合的效果。

为了解决上述技术问题，本发明提供了一种基于生成对抗网络的遥感图像融合方法，所述遥感图像融合方法包括：

获取原始全色图像及对应的原始多光谱图像；

采用差分算子提取所述原始全色图像的空间结构信息，并采样所述原始的多光谱图像；

将所述空间结构信息与采样的所述多光谱图像在特征域拼接，得到样本图像；

将所述样本图像输入生成对抗网络的生成器，生成融合图像；

将所述融合图像和真实图像输入生成对抗网络的判别器进行判别区分，在生成器与判别器间建立对抗规则及融合目标函数，优化融合图像。

具体地，所述原始全色图像为高分辨率的全色图像；所述原始多光谱图像为低分辨率的多光谱图像。

进一步地，所述优化融合图像的步骤包括：

所述判别器判别所述融合图像是否为真实图像；

若否，则通过融合目标函数最小化所述融合图像与所述真实图像间的差距，并将判别结果反馈至所述生成器；

根据所述判别结果，调整所述生成器的融合规则，优化所述融合图像；

若是，则所述融合图像为最优融合图像。