[发明专利]深度递归残差网络的遥感图像空谱融合方法和电子设备

权利要求书

1.一种深度递归残差网络的遥感图像空谱融合方法，其特征在于，包括以下步骤：

(a)生成数据集：获取多张原始遥感图像并对多张原始遥感图像进行处理，得到多个具有对应关系的低分辨率图像块和原始多光谱图像块，其中每一所述遥感图像包括多光谱图像和全色图像；

(b)构建深度递归残差网络模型，包括：

(b1)在残差网络学习模型中的恒等分支使用全局残差学习；在残差网络模型中的残差分支中构造包括多个局部残差单元的递归块以得到递归残差学习分支；

(b2)所述恒等分支使用的全局残差和所述递归残差学习分支中包含的局部残差同时用于学习低空间分辨率多光谱图像与高空间分辨率多光谱图像之间的残差；将所述恒等分支和所述递归残差学习分支的学习结果相融合后得到融合图像；由此得到深度递归残差网络模型；

(c)利用所述步骤(a)中得到的数据集对所述步骤(b)中得到的所述深度递归残差网络模型进行训练，得到完成训练的深度递归残差网络模型；

(d)利用所述完成训练的深度递归残差网络模型对待融合遥感图像进行融合得到融合图像；

所述步骤(a)中对多张原始遥感图像进行处理的步骤包括：

对多张原始遥感图像依次进行图像预处理、重采样处理、重叠剪裁处理和格式转换处理；其中：

所述图像预处理步骤包括正射校正和影像配准处理；

所述重采样处理包括：全色图像下采样，多光谱图像先下采样再上采样；

所述重叠剪裁处理包括：将经过图像预处理后的原始多光谱遥感图像裁剪为32像素×32像素大小的图像块作为原始多光谱图像块，相邻图像块的重叠率为50％±10％；将经过图像预处理和重采样处理后的遥感图像裁剪为32像素×32像素大小的图像块作为低分辨率图像块，相邻图像块的重叠率为50％±10％；

所述格式转换处理包括将所述低分辨率图像块和原始多光谱图像块转换成HDF5Data类型的.h5文件，所述.h5文件包括data部分和label部分，data部分包括低分辨率图像块，label部分包括原始多光谱图像块。

2.根据权利要求1所述的深度递归残差网络的遥感图像空谱融合方法，其特征在于：

在所述步骤(b1)中，在所述递归残差学习分支中，通过在所述残差分支构建递归块增加残差分支的网络层数，其中残差分支中的多个网络层之间具有相同的权重参数。

3.根据权利要求2所述的深度递归残差网络的遥感图像空谱融合方法，其特征在于，在所述步骤(b)中得到深度递归残差网络模型的步骤中：

一层网络的残差网络学习模型的数据前向传递过程如公式(I)所示:

x_l+1＝F(x_l,w_l)+x_l(I)

其中，x_l为恒等分支，F(x_l,w_l)为一层网络的残差分支输出，x_l+1为一层网络的网络输出。

4.根据权利要求3所述的深度递归残差网络的遥感图像空谱融合方法，其特征在于，在所述步骤(b)中得到深度递归残差网络模型的步骤中：

L层网络的残差网络学习模型的数据前向传递过程如公式(II)所示：

其中，x_i为第i层网络的恒等分支，w_i为第i层网络的权重参数，为残差分支输出，x_L为网络输出；

梯度反向传递的过程如公式(III)所示：

其中，表示损失函数到达中间层L的梯度；1表示恒等分支可以无损地传播梯度；表示残差梯度，其需要经过带权重的网络层，且残差梯度不会恰好为-1。

5.根据权利要求4所述的深度递归残差网络的遥感图像空谱融合方法，其特征在于，在所述步骤(b)中得到深度递归残差网络模型的步骤中：

所示公式(II)中的残差分支中，使用多个局部残差单元堆叠在一起，且多个局部残差单元之间共享权重。