基于深度残差神经网络的多光谱图像全色锐化算法研究

发布时间：2022-01-06 18:41

　　随着传感器技术的不断进步,各种对地观测卫星源源不断的提供具有不同空间分辨率、光谱分辨率和时间分辨率的地物遥感影像。由于入射光能量有限,光学遥感系统在信噪比、光谱分辨率以及空间分辨率之间存在权衡。因此,卫星传感器通常只能测得一个高空间分辨率的全色图像与几个低分辨率的多光谱图像。全色锐化是一种融合多光谱与全色图像的技术,其旨在使用全色图像提高多光谱图像的空间分辨率。全色锐化方法作为遥感任务中一项基本且重要的预处理步骤具有重大的研究意义。近年来,深度学习方法在计算机视觉领域取得了令人瞩目的效果,学者们也开始将其引入遥感领域解决相关问题。基于此,本文在深度学习框架上整合了空间和光谱两个领域的特定知识,构建非线性深度学习模型以实现多光谱图像的全色锐化。本文主要进行了以下工作:（1）本文按照全色锐化算法提出的先后顺序,对国内外研究现状进行总结及分类。分析发现基于成分替换的方法虽然边缘细节清晰但存在严重的光谱失真,基于多分辨率分析的方法解决了这一问题但会出现空间信息退化现象,而基于深度学习的全色锐化模型泛化能力不足且深层网络容易出现网络退化。（2）针对经典全色锐化方法的缺点,本文提出一种基于深度残差... 

【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

技术路线

中国地质大学（北京）硕士学位论文11[12]=[2]（2-3）1,2,,为全色锐化后的多光谱波段。为与第一主成分1直方图匹配后的全色图像。图2-1PCA算法流程图2.1.2基于Gram-Schmidt正交化的全色锐化算法Gram-Schmidt正交化(GS)算法是一种通用于线性代数和多元统计中的技术，其在全色锐化算法中依赖成分替换思想（Laben,2000;Aiazzi,2006）。为了将GS正交化适用于全色锐化问题，在Laben提出的GS方法中，在执行正交化之前每个像素都减去其波段的平均值。此方法需要合成较低空间分辨率全色波段，并将其作为第一个波段和多光谱图像进行GS变换。然后使用从GS变换得到的第一波段的统计信息来调整较高空间分辨率全色图像的统计信息与之匹配，并且将匹配

经典全色锐化算法与评价标准12后的全色图像替换GS变换产生的第一波段。最后对得到的波段进行逆变换以生成全色锐化后的多光谱图像，如图2-2为GS变换流程图。图2-2GS算法流程图对于合成较低空间分辨率的全色图像存在两种方式，第一种方法通过对低分辨率多光谱图像做加权平均合成为一个较低分辨率的全色图像，并利用多光谱图像和高分辨率全色图像的光谱响应以及全色波段的光透射率计算适当的权重。第二种方法是对高空间分辨率的全色图像进行模糊和二次采样并内插到适当的比例以产生合成的低分辨率全色图像。改进的GS正交化变换过程的数学描述如下（Laben,2000）：(,)=((,))∑(,)1(,)=1（2-4）其中，为变换后的波段数，则为变换后产生的第个分量；为原始多光谱影像的第个波段；为原始多光谱影像第个波段的平均值，其与协方差(,)计算公式如下：=∑∑(,)=1=1（2-5）(,)=[(,)(,)2]（2-6）其中，C和R分别代表图像的总列数和总行数；(,)为给定GS波段与

【参考文献】：
期刊论文
[1]融合多光谱与SAR影像的地物分类研究[J]. 李雪欣,马保东,张嵩,陈玉腾,吴立新.  测绘与空间地理信息. 2019(12)
[2]高空间分辨率与高光谱分辨率遥感数据融合研究[J]. 满旺,陈绍杰.  测绘. 2010(06)
[3]基于SVM的多光谱影像与SAR图像融合地物分类研究[J]. 陈伟利,陶和平,刘斌涛.  安徽农业科学. 2010(20)
[4]集多分辨率分析与信息融合的航空影像中房屋的自动识别[J]. 李德仁,邵巨良.  模式识别与人工智能. 1994(03)
[5]中国科学院遥感卫星地面站工作进展[J]. 王新民.  遥感技术动态. 1990(03)

硕士论文
[1]基于空间信息增强的全色影像锐化算法[D]. 雷亮.西安电子科技大学 2017



本文编号：3572972