基于CNN的Landsat 8全色与多光谱图像融合的泛锐化方法

基于CNN的Landsat 8全色与多光谱图像融合的泛锐化方法

摘要

为了解决影响传统方法的光谱和空间失真问题，提出了一种基于卷积神经网络结构的泛锐化方法，将低空间分辨率的多光谱图像进行升级，并与高空间分辨率的全色图像进行融合，生成一幅新的高空间分辨率的多光谱图像。该方法基于有线电视网络体系结构的金字塔结构，具有较高的学习能力，能够为建设任务生成更具代表性和鲁棒性的层次特征。此外，通过叠加多个线性滤波层可以有效模拟高度非线性的融合过程，适用于学习高空间分辨率全色图像和低空间分辨率多光谱图像之间的复杂映射关系。

基于CNN的泛锐化方法

针对现有泛锐化方法存在的细节不突出、边缘模糊等问题，提出了一种基于卷积神经网络模型的泛锐化方法。通过从卷积神经网络模型中构造高度非线性的映射关系，这种基于CNN的结构极大地丰富了高分辨率图像融合的特征维数，进而改善了重建图像的细节。

图1显示了基于CNN的泛锐化方法的工作流程，该方法由两个主要部分组成：训练阶段和测试阶段。训练阶段是以有监督的方式学习体系结构中的超级参数，而测试阶段是通过预测重叠图像块上的平均算子生成高空间分辨率的多光谱图像。

如前所述的泛锐化结构，目标高空间分辨率多光谱图像是不可用的。从监督学习任务的角度来看，它被认为是学习体系结构中的超参数的ground truth。我们