论文部分内容阅读
Pan-sharpening是将同一场景的全色(PAN)图像和多光谱(MS)图像相互融合以有效提高MS图像的空间分辨率。Pan-sharpening在无需升级硬件的情况下有效克服了单一传感器的物理局限性,因而成为遥感领域的研究热点,并已广泛应用于自然资源探测、环境监测、军事侦察、和灾害监控等领域。Pan-sharpening的主要目标是在光谱基本不失真的前提下尽可能提高MS图像的空间分辨率,其中MS图像具有较高的谱分辨率但是空间分辨率较低,PAN图像则具有很高的空间分辨率但缺少光谱分辨能力。由于是对同一场景成像,因而MS图像与PAN图像具有相似的图像结构,但是两者成像频段不一致,导致其数值上也存在较大的差异。基于上述领域知识,本文提出了两种遥感图像Pan-sharpening方法,主要研究内容与成果如下:1、提出一种基于空间结构一致性和l1/2梯度先验的遥感图像Pan-sharpening方法。该方法主要创新点有:1)利用l1范数约束PAN图像和高分辨率多光谱(HRMS)图像的梯度图像的差值实现空间结构一致性,以便于从PAN图像中获得空间结构信息。梯度信息的引入使得目标函数一方面可以有效利用PAN图像与HRMS图像的结构相似性,另一方面又减少了两者数值差异的影响。l1范数的稀疏特性则进一步强化结构相似性先验。2)通过大量统计实验发现,HRMS图像的梯度服从超拉普拉斯分布,利用l1/2范数对其进行刻画相比常用的l1或l2范数更准确。同时,论文利用l1-αl2范数逼近l1/2范数,以便于更有效求解上述变分模型。2、提出一种基于领域知识驱动的深度学习Pan-sharpening方法:Deep Pan-sharpening。与一般的深度学习Pan-sharpening方法直接求解输入图像到输出图像的映射不同,本文所提出的端到端的深度网络充分考虑了 Pan-sharpening的领域知识,也即在谱基本不失真的前提下尽量提高MS图像的空间分辨率,具体表现为:1)将上采样的低分辨率多光谱(LRMS)图像以shortcut形式直接添加到网络输出端,从而使得网络映射过程中谱信息尽量不丢失。2)利用残差网络学习由PAN图像和LRMS图像的高频结构信息到HRMS图像的高频结构信息的映射,由于是图像高频结构到高频结构的映射,一方面最大可能提高LRMS图像的空间分辨率,另一方面也减少了图像数值差异所带来的谱失真。3、与多种Pan-sharpening方法的仿真和真实数据对比实验表明,本文提出两种方法在主客观上都有一定的优势。其中Deep Pan-sharpening方法还克服了变分方法中参数设置较多的不足,且具有更强的鲁棒性。