一种基于深度学习的多源遥感图像融合方法和系统技术方案

本发明专利技术适用于图像融合技术领域，尤其涉及一种基于深度学习的多源遥感图像融合方法和系统，所述方法包括：获取所有不同源遥感图像；对所有不同源遥感图像进行预处理，统计各个像素点的位置分布；根据像素点的位置分布划分特征区域，识别得到区域特征；根据区域特征对不同源遥感图像进行匹配，完成图像融合。本发明专利技术实施例提供的一种基于深度学习的多源遥感图像融合方法，通过对多组不同源遥感图像进行识别，分别确定其中各自包含的特征，进而确定各个特征之间的相对位置关系以及特征自身的形状特征，从而快速完成不同源遥感图像中的特征之间的匹配，既保证了特征识别的精度，也提高了特征匹配的效率。了特征匹配的效率。了特征匹配的效率。

【技术实现步骤摘要】
一种基于深度学习的多源遥感图像融合方法和系统


[0001]本专利技术属于图像融合
，尤其涉及一种基于深度学习的多源遥感图像融合方法和系统。

技术介绍

[0002]深度学习是机器学习的一种，而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
[0003]在遥感中，数据融合属于一种属性融合，它是将同一地区的多源遥感影像数据加以智能化合成，产生比单一信源更精确、更完全、更可靠的估计和判断。它的优点是运行的鲁棒性，提高影像的空间分解力和清晰度，提高平面测图精度、分类的精度与可靠性，增强解译和动态监测能力，减少模糊度，有效提高遥感影像数据的利用率等。
[0004]在当前的多源遥感图片融合过程中，确定图片特征是保证融合图片精准度的前提，现有技术中对特征进行识别时，识别速度较慢，致使融合效率低。

技术实现思路

[0005]本专利技术实施例的目的在于提供一种基于深度学习的多源遥感图像融合方法，旨在解决现有技术中对特征进行识别时，识别速度较慢，致使融合效率低的问题。
[0006]本专利技术实施例是这样实现的，一种基于深度学习的多源遥感图像融合方法，所述方法包括：获取所有不同源遥感图像；对所有不同源遥感图像进行预处理，统计各个像素点的位置分布；根据像素点的位置分布划分特征区域，识别得到区域特征；根据区域特征对不同源遥感图像进行匹配，完成图像融合。
[0007]优选的，所述对所有不同源遥感图像进行预处理，统计各个像素点的位置分布的步骤，具体包括：对不同源遥感图像进行灰度处理，得到灰度图像；建立坐标系，根据像素位置，确定每一个像素的坐标；确定每一个像素对应的灰度值。
[0008]优选的，所述根据像素点的位置分布划分特征区域，识别得到区域特征的步骤，具体包括：逐个选择像素点，将其作为参照像素点，计算其他各个像素点灰度值与该参照像素点灰度值的差值；将差值小于第一预设值的像素点组成的连通区域划分为特征区域，所述特征区域内像素点的离散度低于第二预设值；
确定各个特征区域之间的相对位置，确定特征区域的轮廓，得到区域特征。
[0009]优选的，所述根据区域特征对不同源遥感图像进行匹配，完成图像融合的步骤，具体包括：根据各个区域特征在相应不同源遥感图像中的位置对区域特征进行分类；根据同一类区域特征之间的对应关系，调节不同源遥感图像的位置，完成图像融合。
[0010]优选的，进行图像融合前，将不同源遥感图像裁剪为相同尺寸。
[0011]优选的，不同源遥感图像之间至少有两个位置重合的区域特征。
[0012]本专利技术实施例的另一目的在于提供一种基于深度学习的多源遥感图像融合系统，所述系统包括：图像获取模块，用于获取所有不同源遥感图像；像素统计模块，用于对所有不同源遥感图像进行预处理，统计各个像素点的位置分布；特征识别模块，用于根据像素点的位置分布划分特征区域，识别得到区域特征；图像融合模块，用于根据区域特征对不同源遥感图像进行匹配，完成图像融合。
[0013]优选的，所述像素统计模块包括：图像预处理单元，用于对不同源遥感图像进行灰度处理，得到灰度图像；坐标识别单元，用于建立坐标系，根据像素位置，确定每一个像素的坐标；灰度值确定单元，用于确定每一个像素对应的灰度值。
[0014]优选的，所述特征识别模块包括：灰度值计算单元，用于逐个选择像素点，将其作为参照像素点，计算其他各个像素点灰度值与该参照像素点灰度值的差值；区域特征划分单元，用于将差值小于第一预设值的像素点组成的连通区域划分为特征区域，所述特征区域内像素点的离散度低于第二预设值；特征生成单元，用于确定各个特征区域之间的相对位置，确定特征区域的轮廓，得到区域特征。
[0015]优选的，所述图像融合模块包括：特征分类单元，用于根据各个区域特征在相应不同源遥感图像中的位置对区域特征进行分类；定位融合单元，用于根据同一类区域特征之间的对应关系，调节不同源遥感图像的位置，完成图像融合。
[0016]本专利技术实施例提供的一种基于深度学习的多源遥感图像融合方法，通过对多组不同源遥感图像进行识别，分别确定其中各自包含的特征，进而确定各个特征之间的相对位置关系以及特征自身的形状特征，从而快速完成不同源遥感图像中的特征之间的匹配，既保证了特征识别的精度，也提高了特征匹配的效率。
附图说明
[0017]图1为本专利技术实施例提供的一种基于深度学习的多源遥感图像融合方法的流程图；
图2为本专利技术实施例提供的对所有不同源遥感图像进行预处理，统计各个像素点的位置分布的步骤的流程图；图3为本专利技术实施例提供的根据像素点的位置分布划分特征区域，识别得到区域特征的步骤的流程图；图4为本专利技术实施例提供的根据区域特征对不同源遥感图像进行匹配，完成图像融合的步骤的流程图；图5为本专利技术实施例提供的一种基于深度学习的多源遥感图像融合系统的架构图；图6为本专利技术实施例提供的一种像素统计模块的架构图；图7为本专利技术实施例提供的一种特征识别模块的架构图；图8为本专利技术实施例提供的一种图像融合模块的架构图。
具体实施方式
[0018]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0019]可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
[0020]在遥感中，数据融合属于一种属性融合，它是将同一地区的多源遥感影像数据加以智能化合成，产生比单一信源更精确、更完全、更可靠的估计和判断。它的优点是运行的鲁棒性，提高影像的空间分解力和清晰度，提高平面测图精度、分类的精度与可靠性，增强解译和动态监测能力，减少模糊度，有效提高遥感影像数据的利用率等。在当前的多源遥感图片融合过程中，确定图片特征是保证融合图片精准度的前提，现有技术中对特征进行识别时，识别速度较慢，致使融合效率低。
[0021]本专利技术中，通过对多组不同源遥感图像进行识别，分别确定其中各自包含的特征，进而确定各个特征之间的相对位置关系以及特征自身的形状特征，从而快速完成不同源遥感图像中的特征之间的匹配，既保证了特征识别的精度，也提高了特征匹配的效率。
[0022]如图1所示，为本专利技术实施例提供的一种基于深度学习的多源遥感图像融合方法的流程图，所述方法包括：S100，获取所有不同源遥感图像。
[0023]在本步骤中，获取所有不同源遥感图像，遥感图像可以为同一地区的多时相图像、多光谱图像、多传感器图像以及多平台图像，上述遥感图像通过融合之后，将会得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的多源遥感图像融合方法，其特征在于，所述方法包括：获取所有不同源遥感图像；对所有不同源遥感图像进行预处理，统计各个像素点的位置分布；根据像素点的位置分布划分特征区域，识别得到区域特征；根据区域特征对不同源遥感图像进行匹配，完成图像融合。2.根据权利要求1所述的基于深度学习的多源遥感图像融合方法，其特征在于，所述对所有不同源遥感图像进行预处理，统计各个像素点的位置分布的步骤，具体包括：对不同源遥感图像进行灰度处理，得到灰度图像；建立坐标系，根据像素位置，确定每一个像素的坐标；确定每一个像素对应的灰度值。3.根据权利要求1所述的基于深度学习的多源遥感图像融合方法，其特征在于，所述根据像素点的位置分布划分特征区域，识别得到区域特征的步骤，具体包括：逐个选择像素点，将其作为参照像素点，计算其他各个像素点灰度值与该参照像素点灰度值的差值；将差值小于第一预设值的像素点组成的连通区域划分为特征区域，所述特征区域内像素点的离散度低于第二预设值；确定各个特征区域之间的相对位置，确定特征区域的轮廓，得到区域特征。4.根据权利要求1所述的基于深度学习的多源遥感图像融合方法，其特征在于，所述根据区域特征对不同源遥感图像进行匹配，完成图像融合的步骤，具体包括：根据各个区域特征在相应不同源遥感图像中的位置对区域特征进行分类；根据同一类区域特征之间的对应关系，调节不同源遥感图像的位置，完成图像融合。5.根据权利要求4所述的基于深度学习的多源遥感图像融合方法，其特征在于，进行图像融合前，将不同源遥感图像裁剪为相同尺寸。6.根据权利要求4所述的基于深度学习的多源遥感图像...

【专利技术属性】
技术研发人员：李玲玲，赵雪专，
申请(专利权)人：郑州航空工业管理学院，
类型：发明
国别省市：