基于时空融合的遥感图像镶嵌方法

由于高分辨率的卫星幅宽有限,涉及大面积的对地观测应用通常需要镶嵌多个拍摄于不同时间或不同传感器的高分辨率图像,镶嵌图像的过程通常包括5个基本步骤,即排序、配准、色彩平衡、接缝线检测和重叠区融合。现有的色彩平衡方法均未充分利用已有的卫星数据,且大多数算法只追求视觉上的效果,不追求数据的保真性,为此提出一种新的时空融合镶嵌框架。该框架引入基于增强型深度超分辨率网络的时空融合方法,通过一幅全局的参考图像将所有拍摄时刻的图像调整到统一时刻以保证色彩风格一致。本文方法在LandSat8图像的红、绿和蓝波段进行镶嵌测试,实验结果表明所提方法比现有的镶嵌方法效果更好。

基于金字塔瓶颈残差网络优化算法的多光谱影像分类

提出了一种使用深度金字塔残差网络来构造分类网络的方法,用于多光谱影像分类。该方法利用残差模块加深网络复杂度,利用金字塔瓶颈模块提取图像中的高层特征。针对高分一号、RapidEye和GeoEye卫星影像的实验结果表明,新方法表现出优越的泛化能力和更高的精度。

基于增强超分辨率网络的单对图像时空融合

由于高质量的对地观测需要时空连续的高分辨率遥感图像,故对时空融合的研究广泛开展,并且集中在Landsat和MODIS卫星之间。目前已经提出了使用卷积神经网络进行时空融合的方法,但是网络较浅,故融合性能有限。针对应用最广泛的单对图像时空融合问题,建立了一种基于深度神经网络的新时空融合方法。首先,基本网络框架由两个级联的4倍上采样器构成以近似Landsat和MODIS卫星之间的空间差异和传感器差异。然后,利用卷积神经网络学习重建图像与真实图像之间的残差,使重建图像与真实图像更接近。接着,使用高通调制策略进行时间上的预测。最后,将所提方法在不同的Landsat和MODIS卫星图像上进行了测试,并与多种时空融合算法进行了比较。实验结果表明,与现有融合算法相比,所提方法的重建效果更好,且处理速度更快。