论文部分内容阅读
随着卫星数量的不断发射和增多，遥感数据也开始海量增长，有时地物特征并不能从单一的遥感数据中获得，因此，需要对多种遥感数据进行融合。并且列遥感图像在空间分辨率与光谱分辨率需求更高，而由于传感器硬件的限制，很难获取同时具有高空间分辨率与高光谱分辨率的遥感图像。针对现有融合方法在融合过程中不能同时兼顾图像的空间与光谱信息，以及出现的光谱扭曲现象，本文提出相关的改进算法，主要工作如下:
(1)针对现有大部分深度学习算法由于不存在真实的高空间分辨率多光谱图像作为标签而需要制作模拟的数据集问题，以及融合结果存在光谱失真大，空间细节不丰富的问题，提出一种直接使用真实的遥感图像进行训练的深度学习算法。首先，在超分辨率重建三层卷积神经网络的基础上增加一层特征增强层，使提取到的细节特征更明显;然后，设计一种基于无参考质量评价函数的损失函数，此损失函数包含光谱质量评价函数Dλ与空间质量评价函数Ds;最后，设计一种新的标签制作方法，使标签同时包含不同空间分辨率的全色图像与多光谱图像。使用4波段高分1号(GaoFen-1，GF-1)卫星数据验证本方法的可行性和有效性，从实验结果的客观质量评价与主管视觉评价看，网络输出结果优于所对比的传统方法与深度学习方法，并且在计算损失时，网络输出的空间损失与光谱损失都能尽可能的少，充分保持标签中原始多光谱图像的光谱信息与全色图像的空间细节信息。
(2)针对目前大多数基于超分辨率重建的深度学习算法存在光谱失真，且需要同时制作全色图像与多光谱图像的模拟数据问题，提出一种基于光谱学习的遥感图像融合算法。首先，将原始全色图像降空间分辨率到原始多光谱图像尺寸，并以其作为训练集，简化了目前大多数深度学习算法的模拟训练集制作步骤;其次，使用光谱质量评价函数SAM控制网络输出结果的光谱损失;最后，在训练完成后，使用原始全色图像作为网络输入预测具有高空间分辨率的多光谱图像。使用8波段WorldView-2(WV-2)卫星的模拟数据实验和真实数据实验验证方法的有效性，从实验结果的客观质量评价与主管视觉评价看，网络输出结果在光谱信息保持方面远优于所对比的传统方法与深度学习方法，在空间细节保持方面不逊于所对比的传统方法与深度学习方法。
(3)针对现有基于深度学习的遥感图像融合算法不能在缺失多光谱图像的情况下做融合与现有基于深度学习算法制作模拟数据集步骤复杂的问题，提出一种基于全色图像上色的遥感图像融合算法。首先，使用加跳跃连接的自编码网络作为图像生成模型;然后，设计一种基于融合质量评价函数的损失函数，此损失函数包含光谱质量评价函数SAM与空间质量评价函数UQI;最后，将上采样的多光谱图像与原始全色图像级联起来做标签。通过已知的多光谱图像与全色图像做训练，训练完成后，即使在多光谱图像缺失的情况下也能得到融合图像。通过该方法，简化了训练集制作步骤。使用8波段WorldView-2(WV-2)卫星的真实数据实验验证方法的有效性，从实验结果的客观质量评价与主管视觉评价看，网络输出结果在光谱信息保持方面与空间细节保持方面优于所对比的传统方法与深度学习方法。
(1)针对现有大部分深度学习算法由于不存在真实的高空间分辨率多光谱图像作为标签而需要制作模拟的数据集问题，以及融合结果存在光谱失真大，空间细节不丰富的问题，提出一种直接使用真实的遥感图像进行训练的深度学习算法。首先，在超分辨率重建三层卷积神经网络的基础上增加一层特征增强层，使提取到的细节特征更明显;然后，设计一种基于无参考质量评价函数的损失函数，此损失函数包含光谱质量评价函数Dλ与空间质量评价函数Ds;最后，设计一种新的标签制作方法，使标签同时包含不同空间分辨率的全色图像与多光谱图像。使用4波段高分1号(GaoFen-1，GF-1)卫星数据验证本方法的可行性和有效性，从实验结果的客观质量评价与主管视觉评价看，网络输出结果优于所对比的传统方法与深度学习方法，并且在计算损失时，网络输出的空间损失与光谱损失都能尽可能的少，充分保持标签中原始多光谱图像的光谱信息与全色图像的空间细节信息。
(2)针对目前大多数基于超分辨率重建的深度学习算法存在光谱失真，且需要同时制作全色图像与多光谱图像的模拟数据问题，提出一种基于光谱学习的遥感图像融合算法。首先，将原始全色图像降空间分辨率到原始多光谱图像尺寸，并以其作为训练集，简化了目前大多数深度学习算法的模拟训练集制作步骤;其次，使用光谱质量评价函数SAM控制网络输出结果的光谱损失;最后，在训练完成后，使用原始全色图像作为网络输入预测具有高空间分辨率的多光谱图像。使用8波段WorldView-2(WV-2)卫星的模拟数据实验和真实数据实验验证方法的有效性，从实验结果的客观质量评价与主管视觉评价看，网络输出结果在光谱信息保持方面远优于所对比的传统方法与深度学习方法，在空间细节保持方面不逊于所对比的传统方法与深度学习方法。
(3)针对现有基于深度学习的遥感图像融合算法不能在缺失多光谱图像的情况下做融合与现有基于深度学习算法制作模拟数据集步骤复杂的问题，提出一种基于全色图像上色的遥感图像融合算法。首先，使用加跳跃连接的自编码网络作为图像生成模型;然后，设计一种基于融合质量评价函数的损失函数，此损失函数包含光谱质量评价函数SAM与空间质量评价函数UQI;最后，将上采样的多光谱图像与原始全色图像级联起来做标签。通过已知的多光谱图像与全色图像做训练，训练完成后，即使在多光谱图像缺失的情况下也能得到融合图像。通过该方法，简化了训练集制作步骤。使用8波段WorldView-2(WV-2)卫星的真实数据实验验证方法的有效性，从实验结果的客观质量评价与主管视觉评价看，网络输出结果在光谱信息保持方面与空间细节保持方面优于所对比的传统方法与深度学习方法。