[发明专利]一种基于深度可分离CNN模型的遥感图像融合方法

说明书

本发明公开了一种基于深度可分离CNN模型的遥感图像融合方法，包括如下步骤：通过预处理后的原始彩色图像，构建融合模型训练集图像；根据融合模型训练集图像，训练深度可分离CNN模型；获取全色图像和多光谱图像，通过预处理将全色图像转换成PrePan图像，将多光谱图像上采样至PrePan图像大小；将PrePan图像和上采样至PrePan图像大小的多光谱图像送入训练好的深度可分离CNN模型；通过深度可分离CNN模型获取到全色图像和多光谱图像的融合图像。本发明将深度可分离CNN模型应用于全色图像和多光谱图像的融合，在提高融合图像的精度的同时，也加快了融合速度，能够得到同时具备高光谱分辨率和高空间分辨率两种信息的融合图像，对遥感图像的应用具有极大的意义。

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种基于深度可分离CNN模型的遥感图像融合方法。

背景技术

遥感数据在各行业需求巨大。但由于多种原因，如场景的复杂性、输入数据集的时间和光谱变换、不同的空间数据标准、特定的数据以及特定的空间对象分类和分类体系等，遥感数据在精度和形式上存在很多差异。如今，在地球以外的各种观测平台上，已经有许多具有不同功能的遥感卫星。这些卫星可以提供不同的空间、时间和光谱图像，即遥感图像。由于卫星传感器的局限性，遥感卫星不能同时获得高光谱图像和高空间分辨率图像，只能分别获得高光谱的多光谱图像和高空间分辨率的全色图像。但是在实际应用中，既需要高光谱分辨率的图像，又需要高空间分辨率的图像，这使得图像融合具有重要的应用价值。

地理信息数据具有不同分辨率、不同精度、不同覆盖范围等多尺度特征，数字电网中的地理信息数据主要包括遥感影像数据、航飞数据、数字高程模型等数据，在实际应用中往往需要同时具备高光谱分辨率和高空间分辨率两种信息的图像。目前传统的融合算法还存在着融合精度不高，速度较慢的问题，导致融合效果不是很理想。

所以，需要一个新的技术方案来解决这个问题。

发明内容

发明目的：为了克服现有技术中存在的不足，提供一种基于深度可分离CNN模型的遥感图像融合方法，以解决目前传统的融合算法还存在着多光谱和全色图像融合精度不高，速度较慢的问题。

技术方案：为实现上述目的，本发明提供一种基于深度可分离CNN模型的遥感图像融合方法，包括如下步骤：

S1：通过预处理后的原始彩色图像，构建融合模型训练集图像；

S2：根据融合模型训练集图像，训练深度可分离CNN模型；

S3：获取全色图像和多光谱图像，通过预处理将全色图像转换成PrePan图像，将多光谱图像上采样至PrePan图像大小；

S4：将PrePan图像和上采样至PrePan图像大小的多光谱图像送入训练好的深度可分离CNN模型；

S5：通过深度可分离CNN模型获取到全色图像和多光谱图像的融合图像。

进一步地，所述步骤S1中融合模型训练集图像的构建方法为：

A1：对获得的原始彩色图像进行下采样和上采样，得到并保存训练集多光谱图像；

A2：对获得的原始彩色图像进行处理，得到并保存原始彩色图像在HLS空间的L分量作为训练集PrePan图像。

进一步地，所述步骤A1具体为：

B1：根据以下公式，对原始彩色图像进行下采样，得到原始彩色图像的下采样图像：

f(i+u,j+v)＝ABC