论文部分内容阅读
近年来,国产高分辨率遥感卫星发展迅速,影像空间与时间分辨率不断提高,已经广泛应用于国土、测绘、环境与农业等领域,为规划、管理和决策方面提供了数据支持。由于信号传输带宽和成像传感器存储的限制,遥感卫星通常提供低分辨率的多光谱影像和高分辨率的全色影像,而在众多遥感应用(如植被覆盖图和环境监测)中对于同时具有高分辨率和多光谱的卫星影像的需求庞大。一般情况,研究人员采用融合技术,来获得兼具高分辨率与多光谱双重优点的遥感影像。针对国产高分辨率遥感影像高空间与高时间分辨率的特点,以及对兼具高分辨率与多光谱特性的卫星影像的强烈需求,本文以高分一号影像数据为例,对国产高分辨率遥感影像融合方法进行研究,并结合目前学术研究热点之一的深度学习理论,对深度学习辅助的影像融合方法进行研究,采用深度学习算法中的卷积神经网络算法对全色影像分辨率进行提高,基于提高分辨率后的影像进行影像融合。研究内容主要包括:(1)研究基于深度学习的遥感影像盲复原方法。研究一种深度复合卷积神经网络中低分辨率单影像盲复原模型,通过神经网络学习模拟中低分辨率与其对应的高分辨率影像之间的特征。本文模型能够预测基于整幅图像多尺度端到端的特征图,通过样本训练进行模型参数学习。本文采用附加的最大池化和上采样操作,通过连接低级和高级特征图来实现深度复合网络,修复模型通过跳转连接型过滤器确保空间局部输入模式的稳定性。利用修改学习率的方法提升收敛效率,以提高样本训练的稳定性。(2)基于深度复合卷积神经网络模型的基础,对影像融合方法进行研究。GramSchmidt变换是在统计分析理论的基础上,将所有待融合的波段进行直方图最佳匹配,将多光谱影像转换到正交空间消除冗余信息,变换后的各分量在正交空间里均正交,使其能够在保持光谱信息的同时,又具有提高融合影像清晰度的优势。(3)采用基于深度学习的遥感影像修复方法与Gram-Schmidt变换相结合的方法进行实验,对实验结果进行分析。实验结果表明,基于深度学习的遥感影像修复方法对中低分辨率影像的地物细节修复效果显著,结合Gram-Schmidt变换算法,可有效提高融合影像的空间分辨率,较好的保留原始影像中的光谱信息。