[发明专利]一种遥感图像融合方法及装置

说明书

本发明提供一种遥感图像融合方法及装置，其中，该方法包括遥感图像融合模型训练方法和遥感图像融合方法，该遥感图像融合模型训练方法包括：获取训练样本，训练样本为对全色图像与多光谱图像进行预设倍数的下采样获取的图像；采用Wald准则对训练样本进行预处理，生成标签；通过预设的深度残差神经网络模型对训练样本提取特征，得到卷积特征，并将卷积特征与多光谱图像相加，得到残差结果；根据残差结果与训练样本的标签确定损失函数；根据损失函数利用梯度下降法调整预设的深度残差神经网络模型，得到遥感图像融合模型。通过实施本发明，能够实现充分利用多光谱图像和全色图像所提供的光谱和空间信息，得到空间分辨率和光谱分辨率均高的图像。

技术领域

本发明涉及图像处理领域，具体涉及一种遥感图像融合方法及装置。

背景技术

遥感图像融合常用于环境监控、地物分类、气候监测等。遥感图像包括全色图像以及多光谱图像，其中，全色图像空间分辨率高，但光谱分辨率低，导致全色图像包含的光谱信息量少；多光谱图像光谱分辨率高，而空间分辨率低，导致多光谱图像包含的空间信息量少。

为了充分利用多光谱图像和全色图像所提供的光谱和空间信息，如何能够得到空间分辨率和光谱分辨率均高的图像，是亟待解决的问题。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中遥感图像中的全色图像包含的光谱信息量少，多光谱图像中包含的空间信息量少，不能充分利用多光谱图像和全色图像所提供的光谱和空间信息缺陷，从而提供一种遥感图像融合方法及装置。

根据第一方面，本实施例提供一种遥感图像融合模型训练方法，包括如下步骤：获取训练样本，所述训练样本为对全色图像与多光谱图像分别进行预设倍数的下采样获取的图像；采用Wald准则对所述训练样本进行预处理，生成表征全色图像与多光谱图像的标签；通过预设的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所述标签确定所述预设的深度残差神经网络模型的损失函数；根据所述损失函数利用梯度下降法调整所述预设的深度残差神经网络模型，得到所述遥感图像融合模型。

结合第一方面，在第一方面第一实施方式中，通过以下公式根据所述残差结果与所述训练样本的所述标签确定所述预设的深度残差神经网络模型的损失函数：

其中Loss表示损失；x^(t)表示第t个的输入图像，y^(t)表示第t个具备高空间分辨率的多光谱图像，f(x^(t))表示基于深度残差神经网络融合出的结果，T为训练样本数目。

结合第一方面，在第一方面第二实施方式中，所述根据所述损失函数利用梯度下降法调整所述预设的深度残差神经网络模型，得到所述遥感图像融合模型，包括：当得到损失函数最小值时，确定得到所述遥感图像融合模型。

根据第二方面，本实施例提供一种遥感图像融合方法，包括如下步骤：获取并预处理需要融合的全色图像与多光谱图像；将所述全色图像与所述多光谱图像输入至如第一方面或第一方面任一实施方式的遥感图像融合模型，得到融合图像。

结合第二方面，在第二方面第一实施方式中，还包括：将所述融合图像中的每个像元的光谱视为一个高维向量，通过计算两向量间的夹角来度量所述多光谱图像到所述融合图像的扭曲程度，计算结果越小，光谱性越好。

结合第二方面，在第二方面第二实施方式中，还包括：计算所述多光谱图像和所述融合图像之间差异的均值，计算结果越小，光谱性越好。