这是一篇外国关于遥感图像融合的论文。
更新 于2019年11月21日
整个处理流程如下图所示:
遥感图像融合方法可以分为:分量替换、多分辨率分析、基于模型的方法。
此文所讲的方法可以视为混和方法,既用到了分量替换,又用到了模型。其中模型是用来估计低分辨率图像对应的高分辨率图像,分量替换是,估计出来的高分辨率图像细节用 原始图像的细节 进行加强。
---------------------过程分步分析:
第一步:模型学习
这一部分作者是通过学习 全色图像(清晰图像)和 采样后全色图像(非清晰图像) 的一个对应关系,找到对应关系后,用这种关系来预测 低分辨率图像(非清晰图像) 对应的 高分辨率图像(清晰图像)。下图是卷积自编码学习过程。
在图像右侧,是高分辨率图像(清晰度可以精确到0.2m到2米之间,适不同卫星不同精确)
在图像左侧,是高分辨率对应的低分辨率图像,这个低分辨率图像来源于高分辨率图像,具体做法是:先进行图像缩减,再进行图像的上采样。
经过如下的步骤,就可以获取到高分辨率图像和低分辨率图像对应的关系。(想了解卷积自编码的细节,可以去看论文详情)
第二步:图像的预测
如图所示,经过CAE网络学习获取到高分辨率和低分辨率对应的关系之后,输入多光谱图像的四个波段(红、绿、蓝、近红外)的信息。输出则是预测高分辨率多光谱图。
第三步:获取原图细节信息
如图,是获取原始图像细节图的过程。
这个过程中:首先通过下面LRMS bands 获取不同波段的权重。LRMS:低分辨率多光谱图。在经典的IHS变换当中,获取的I分量的公式是:I = (R+B+G)/3 来获取I分量(此时权重是1/3)。而此论文中是获取一个 最优 的权重。而非 1/3。
然后通过 全色图像(P)减去 不同波段与权重的乘积 来获取细节图。
第四步:图像细节注入
如图,为图像细节注入的过程。
上面的图像为第二步估计的高分辨率多光谱图,下面是第三步的获取细节的过程。
第四步为进行细节增益(细节注入),如下公式为核心公式:
公式解释:带H指的是高分辨率图像,i指的是某个波段(红绿蓝近红外)。g为细节增益,第三步有公式。
通过不同波段不同的细节增益(不同波段细节不共享),来获取最好的多光谱遥感图像的估计。