多源遥感图像时空融合(MODIS+Landsat)
从今年三月份确定方向,开始看此类的文章,也零零散散看了几篇,始终觉得不太系统,于是就想出一系列的学习笔记,督促自己坚持学习吧,侵权即删,谢谢。
时空融合:也就是把高空间分辨率低时间分辨率图像(LTHS)和高时间分辨率低空间分辨率图像(HTLS)融合成高空间分辨率高时间分辨率图像(HTHS)。在遥感领域的分支来说,发展还不是太好,我主要是利用深度学习来进行融合。
文章目录
前言
这篇(DCSTFN)算是第一次利用卷积神经网络来提取图像特征的,这在时空融合领域算是一次较为重要的突破。
时空融合第一篇
一、DCSTFN主要组成部分
DCSTFN模型主要由三个部分组成:HTLS图像的扩展、LTHS图像的高频成分提取和提取特征的融合。DCSTFN模型在输入和输出之间建立了一个复杂但直接的非线性映射。实验用modis和landsat图像融合,表明基于CNN的方法不仅可以实现最先进的准确性,而且比传统的时空融合算法更鲁棒。
其中:卷积用于提取输入的关键特征,反卷积用于扩大HTLS图像的大小。
二、方法
1.CNN Model
一个经典的CNN由一个或多个卷积层、一个下采样层(或称为池化层)、最后一个或多个全连接层(或称为密集层)组成,以生成预测。CNN的前卷积层是用来提取低级特征的。通过增加卷积层的数量,可以自动提取更复杂的高级特征。池化层从上一层提取原始特征,减少训练参数,防止模型过拟合。
反卷积充当一个卷积算子变换应用于常规卷积的相反的方向。在数学上,卷积操作可以表示为矩阵乘法,反卷积是相反的空间变化,表示为与转置卷积核矩阵相乘。因此,反卷积实际上是指转置卷积或反向卷积。
2.DCSTFN架构
深度卷积融合网络架构:
这里输入的MODIS图像分辨率为480m,patch为10*10
Landsat图像分辨率为30m,patch为160*160
由于网络是对单个波段进行训练的,所以对来自不同波段的图像进行训练时,将产生不同的网络。
第一部分:共享网络(左上角)
Conv(d0,3) 这里的d0表示特征图的个数,3表示卷积窗口的大小。(特征图的个数是卷积的待定参数,一般经验将移动窗口设置为3*3),反卷积操作可以将MODIS图像扩展到Landsat图像的大小,反卷积操作Deconv(d2,3,2)的前两个参数和标准卷积相同,最后一个参数表示卷积窗口的步幅(设为2)。因此,模型的反卷积操作会把MODIS特征图扩大八倍
第二部分:提取高频分量(左下角)
对(LTHS):从两个卷积层开始,然后是一个最大池化层,它与另外两个卷积层连接。将卷积层应用于Landsat图像斑块,提取细节边缘和纹理等高空间频率信息。池化层用于过滤高频信息。输出规模从160×160×1缩小到80×80× d2
最后部分:对提取的抽象特征进行融合
合并所提取的特征