[发明专利]一种基于深度卷积神经网络的遥感图像缺失数据重建方法

说明书

本发明中提出的一种基于深度卷积神经网络的遥感图像缺失数据重建方法，其主要内容包括：多源数据的融合、多尺度卷积特征提取单元、扩张卷积、增强时间‑空间‑光谱信息、跳跃连接，其过程为，首先输入两种类型不同的数据，经过卷积运算产生特征映射，接着由多尺度卷积特征提取单元提取更多的特征并将特征融合，然后使用不同的扩张因子实现相同的滤波，定义残差映射，构造缺失区域，采用梯度下降算法作为优化方法，由跳跃连接传递特征信息，保持图像的细节；最后计算损失函数的均值平方误差，直到数值最小，通过收敛损失获得真实数据。本发明可运用于不同类型的丢失信息的恢复，提高视觉感知和重建精度，提高工作效率。

技术领域

本发明涉及缺失数据重建领域，尤其是涉及了一种基于深度卷积神经网络的遥感图像缺失数据重建方法。

背景技术

遥感图像是利用计算机通过对遥感图像中的各类地物的光谱信息和空间信息进行分析，选择特征，并用一定的手段将特征空间划分互补重叠的子空间，然后将图像中的各个像元归化到子空间去。高时间分辨率、高空间分辨率的遥感图像在土地利用变化检测、动态监测、快速地表变化检测等应用中发挥着重要的作用。在军事方面，表现在军事侦察、监视；在地质矿产方面，主要表现在基础地质工作、矿产地质工作，以及工程地质、地震地质、灾害地质的地质综合调查等方面的应用；在农业、林业方面，主要表现在农、林土地资源调查、土地利用现状调查、农林病虫害、土壤干旱、盐化、沙化的调查及监测，以及农作物长势的监测与估产、森林资源的清查等方面。而由于卫星传感器的内部故障和恶劣天气的影响，获取的遥感数据会存在信息缺失的问题，其可用性大大降低。

就目前现有技术而言，基于光谱的方法通过利用不同光谱数据之间的高相关性，能够较好地恢复缺失光谱数据，具有较高的精度，然而这不能处理云覆盖，因为所有光谱带都有不同程度的缺失；基于空间的方法适合重建小的缺失区域或具有规则纹理的区域，然而重建精度不能得到保证，特别是对于较大或复杂的纹理区域；基于时间的方法，时间差异是重建过程的主要障碍，多时图像之间的配准误差也会对相应恢复区域的精度产生不利影响；此外，多源遥感图像之间高度非线性的空间关系表明，高阶表达和更好的特征表示对缺失信息的重构至关重要，而大多数基于线性模型的方法都不能很好地处理复杂的非线性退化模型。

本发明提出了一种基于深度卷积神经网络的遥感图像缺失数据重建方法其过程为，首先输入两种类型不同的数据，经过卷积运算产生特征映射，接着由多尺度卷积特征提取单元提取更多的特征并将特征融合，然后使用不同的扩张因子实现相同的滤波，定义残差映射，构造缺失区域，采用梯度下降算法作为优化方法，由跳跃连接传递特征信息，保持图像的细节；最后计算损失函数的均值平方误差，直到数值最小，通过收敛损失获得真实数据。本发明利用了深度卷积神经网络强大的非线性表达能力，也充分利用时间、空间、光谱辅助互补数据的优势，实现缺失数据的重建，可运用于不同类型的丢失信息的恢复，提高视觉感知和重建精度，提高了工作效率。

发明内容

针对重建遥感图像缺失信息的问题，本发明的目的在于提供一种基于深度卷积神经网络的遥感图像缺失数据重建方法，其过程为，首先输入两种类型不同的数据，经过卷积运算产生特征映射，接着由多尺度卷积特征提取单元提取更多的特征并将特征融合，然后使用不同的扩张因子实现相同的滤波，定义残差映射，构造缺失区域，采用梯度下降算法作为优化方法，由跳跃连接传递特征信息，保持图像的细节；最后计算损失函数的均值平方误差，直到数值最小，通过收敛损失获得真实数据。

为解决上述问题，本发明提供一种基于深度卷积神经网络的遥感图像缺失数据重建方法，其主要内容包括：

(一)多源数据的融合；

(二)多尺度卷积特征提取单元；

(三)扩张卷积；

(四)增强时间-空间-光谱信息；

(五)跳跃连接。