[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

说明书

本发明提供一种深度递归残差网络的遥感图像空谱融合方法和电子设备，其中的方法包括：(a)对多张原始遥感图像进行处理生成数据集；(b)构建深度递归残差网络模型；(c)利用所述步骤(a)中得到的所述数据集对所述步骤(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。本发明能够利用残差网络和递归网络的优势，通过端到端的网络设计，学习到深层次网络丰富的图像特征，在提高空间分辨率的同时尽可能地保留原始低分辨率多光谱图像的光谱信息，而且很好地改善了传统方法存在的光谱失真现象。

技术领域

本发明涉及遥感图像融合领域，具体涉及一种深度递归残差网络的遥感图像空谱融合方法和电子设备。

背景技术

在遥感领域，随着成像系统和卫星技术的发展，发射的卫星数量越来越多，获得的卫星图像数据也越来越多。为了更全面地分析卫星采集到的图像，就需要运用到遥感图像融合技术。目前常见的光学卫星通常会提供两种类型的遥感图像：光谱信息丰富但空间分辨率低的多光谱图像(Multispectral Image,MS)和空间细节丰富但只有灰度信息的全色图像(Panchromatic Image,PAN)。

目前，传统的图像融合方法已获得丰富的研究成果，主要包括成分替换法和多分辨率分析法，但由于传统的方法将融合过程简单地模拟成线性模型，所以最终的融合结果往往会存在光谱失真现象。随着计算机视觉技术的发展，最近出现了基于深度学习的图像融合研究，但目前这方面的研究并不多。深度学习通过引入激活函数形成高度非线性转换，可以在一定程度上改善传统方法的效果。在现有的基于深度学习的图像融合研究中，有些是某个步骤用了深度学习，然后再结合传统融合方法，没有完全摆脱传统融合方法的局限，不能实现端到端的图像融合过程；有些端到端的网络还存在网络层次较浅不能提取到更深层次的图像特征、直接学习输入到输出的关系导致网络学习困难、模型较大导致测试困难等问题。

发明内容

本发明旨在提供一种深度递归残差网络的遥感图像空谱融合方法、电子设备，以解决改善传统图像融合方法存在光谱失真，现有深度学习融合方法的网络比较简单难以学习到深层次的特征的技术问题，本发明提供的上述方法适用于全色图像和多光谱图像空谱融合中，具有较好的融合效果。

本发明实现上述目的的技术方案为：一种深度递归残差网络的遥感图像空谱融合方法，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。

可选地，上述的深度递归残差网络的遥感图像空谱融合方法中，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。

可选地，上述的深度递归残差网络的遥感图像空谱融合方法中，在所述步骤(b)中得到的深度递归残差网络模型的步骤中：