【技术实现步骤摘要】
本专利技术涉及遥感影像时空融合，具体涉及一种遥感影像时空融合方法。
技术介绍
1、受限于技术和成本等因素，兼具高空间分辨率和高时间分辨率的遥感图像难以通过单一的卫星传感器获取，而遥感图像时空融合技术为“时空矛盾”问题提供了有效的解决途径，基于不同的算法原理，国内外学者提出了多种遥感图像的时空特征融合方法，根据所采用的算法类型，现有的遥感图像时空融合方法主要分为四类，包括基于分解的遥感图像时空融合方法、基于权重函数的遥感图像时空融合方法、基于贝叶斯的遥感图像时空融合方法、基于学习的遥感图像时空融合方法，基于分解的方法依据线性光谱混合理论，对低分辨率图像像素的组成进行分析和分解，进而估计高分辨图像像素，具有代表性的算法有mmt(mu lt i sensor mu lt i reso l ut ion techn ique)和stdfa(spat ia l andtempora l data fus ion approach)，基于权重函数的方法是利用权重函数并结合输入图像的信息，来实现对高分辨率图像像素值的估计，具有代表性的算法有starfm(spat ia land tempora l adapt ive ref l ectance fus i on mode l)、staarch(spat ia ltempora l adapt ive al gor ithm for mapp i ng ref l ectance change)和estarfm(enhanced spat ia l and tempora l adapt iv
2、针对现有技术存在以下问题：
3、基于分解的方法原理简单、易于操作、运算量小，但由于遥感图像分辨率有限，使得分解的各类地物反射率存在一定误差，尤其在地表异质性较强的混合区域分解出的结果误差较大，因此融合精度不高；
4、基于权重函数的方法对输入图像像素信息依赖性大，在地表异质性较强或地表覆盖突变等情况下，难以从相邻图像提取精确信息，使得融合精度受到较大影响；
5、基于贝叶斯的融合方法适用于对模型灵活性要求较高的场景，但当土地覆盖类型变化时会导致预测精度降低；
6、基于学习的融合方法中基于字典学习的方法在对低分辨率图像训练数据进行字典学习过程中，人为设计字典基元的处理，融合过程中特征提取、字典学习、稀疏编码与影像重建过程的分离等，都会造成方法的复杂度与不稳定性的增加，难以推广应用；现有的基于深度学习的方法均为针对单波段或者三波段的遥感图像，对于更多波段的遥感图像并未涉及，使其应用受到较大限制。
技术实现思路
1、本专利技术提供一种遥感影像时空融合方法，以解决上述
技术介绍
中提出的问题。
2、为解决上述技术问题，本专利技术所采用的技术方案是：
3、一种遥感影像时空融合方法，该遥感影像时空融合方法包括以下步骤：
4、步骤一：构建2倍的超分辨率融合模块；
5、步骤二：根据高低分辨率遥感图像的空间分辨率比值关系，叠加2倍超分辨率融合模块组成生成器；
6、步骤三：构建降采样模块、小批量标准差模块和图像转换模块；
7、步骤四：根据高低分辨率遥感图像的空间分辨率比值关系构建判别器；
8、步骤五：构建由特征损失、对抗损失、光谱角损失组成的生成器损失函数；
9、步骤六：构建判别器损失函数；
10、步骤七：模型训练与保存。
11、本专利技术技术方案的进一步改进在于：构建2倍的超分辨率融合模块，该模块由融合模块fus i on b l ock、上采样层upsamp l e、卷积模块convb l ock和图像转换层to-img组成，to-i mg模块是一个特殊的卷积层，先对其卷积核参数进行归一化，然后通过该模块输出通道数与遥感图像相同的张量，即融合后的图像，在转换过程中，为了利用上一层训练的权重，加入上采样的图像作为残差块以生成更高分辨率图像，其中，α为0-1的线性系数，通过控制α来实现权重的逐步加入，convb l ock通过串联两个卷积层来实现图像特征的提取，fus i on模块采用cbam注意力机制来实现遥感图像的光谱特征和空间特征的提取。
12、本专利技术技术方案的进一步改进在于：根据高级分辨率遥感图像的空间分辨率比值关系，叠加2倍超分辨率融合模型组成生成器，叠加n个超分辨率融合模块就可以实现2n倍的超分辨率融合。
13、本专利技术技术方案的进一步改进在于：构建降采样模块、小批量标准差模块和图像转换模块，降采样模块由两个卷积层和一个池化层组成实现对输入张量的下采样，小批量标准差模块利用m i n i-batch l ayer计算生成样本与真实样本的差异，增强了生成器生成样本的多样性，防止模式崩塌，图像转换模块是一个特殊的卷积层，是将遥感图像转换为张量，其卷积核参数进行了归一化，在转换过程中，为了利用上一层训练的权重，将下采样的张量作为残差块加入下一次下采样的张量中，其中的α为0-1的线性系数，通过控制α来实现权重的逐步加入。
14、本专利技术技术方案的进一步改进在于：根据高低分辨率遥感图像的空间分辨率比值关系构建判别器，不同的分辨率关系决定了辨别器中下采样模块的数量，其数量与空间分辨率超分倍数的关系为1:2n。
15、本专利技术技术方案的进一步改进在于：构建由特征损失、对抗损失、光谱角损失组成的生成器损失函数，用来计算生成器的损失。
16、本专利技术技术方案的进一步改进在于：构建判别器损失函数，该函数形式为wgan-gp。
17、本专利技术技术方案的进一步改进在于：模型训练与保存，对模型算法进行训练以达到稳定状态，保存导出训练后的模型参数。
18、本专利技术技术方案的进一步改进在于：一种遥感影像时空融合方法包括多尺度渐进式遥感图像的时空融合软件系统，多尺度渐进式遥感图像的时空融合软件系统包括模型训练与保存模块、模型选择读取模块、低分辨率遥感图像选择模块、遥感图像时空融合计算与评价模块、结果导出模块。
1本文档来自技高网...
【技术保护点】
1.一种遥感影像时空融合方法，其特征在于：该遥感影像时空融合方法包括以下步骤：
2.根据权利要求1所述的一种遥感影像时空融合方法，其特征在于：构建2倍的超分辨率融合模块，该模块由融合模块Fusion Block、上采样层Upsample、卷积模块ConvBlock和图像转换层To-IMG组成，To-IMG模块是一个特殊的卷积层，先对其卷积核参数进行归一化，然后通过该模块输出通道数与遥感图像相同的张量，即融合后的图像，在转换过程中，为了利用上一层训练的权重，加入上采样的图像作为残差块以生成更高分辨率图像，其中，α为0-1的线性系数，通过控制α来实现权重的逐步加入，ConvBlock通过串联两个卷积层来实现图像特征的提取，Fusion模块采用CBAM注意力机制来实现遥感图像的光谱特征和空间特征的提取。
3.根据权利要求1所述的一种遥感影像时空融合方法，其特征在于：根据高级分辨率遥感图像的空间分辨率比值关系，叠加2倍超分辨率融合模型组成生成器，叠加n个超分辨率融合模块就可以实现2n倍的超分辨率融合。
4.根据权利要求1所述的一种遥感影像时空融合方法，
5.根据权利要求1所述的一种遥感影像时空融合方法，其特征在于：根据高低分辨率遥感图像的空间分辨率比值关系构建判别器，不同的分辨率关系决定了辨别器中下采样模块的数量，其数量与空间分辨率超分倍数的关系为1:2n。
6.根据权利要求1所述的一种遥感影像时空融合方法，其特征在于：构建由特征损失、对抗损失、光谱角损失组成的生成器损失函数，用来计算生成器的损失。
7.根据权利要求1所述的一种遥感影像时空融合方法，其特征在于：构建判别器损失函数，该函数形式为WGAN-GP。
8.根据权利要求1所述的一种遥感影像时空融合方法，其特征在于：模型训练与保存，对模型算法进行训练以达到稳定状态，保存导出训练后的模型参数。
9.根据权利要求1所述的一种遥感影像时空融合方法，其特征在于：一种遥感影像时空融合方法包括多尺度渐进式遥感图像的时空融合软件系统，多尺度渐进式遥感图像的时空融合软件系统包括模型训练与保存模块、模型选择读取模块、低分辨率遥感图像选择模块、遥感图像时空融合计算与评价模块、结果导出模块。
...【技术特征摘要】
1.一种遥感影像时空融合方法，其特征在于：该遥感影像时空融合方法包括以下步骤：
2.根据权利要求1所述的一种遥感影像时空融合方法，其特征在于：构建2倍的超分辨率融合模块，该模块由融合模块fusion block、上采样层upsample、卷积模块convblock和图像转换层to-img组成，to-img模块是一个特殊的卷积层，先对其卷积核参数进行归一化，然后通过该模块输出通道数与遥感图像相同的张量，即融合后的图像，在转换过程中，为了利用上一层训练的权重，加入上采样的图像作为残差块以生成更高分辨率图像，其中，α为0-1的线性系数，通过控制α来实现权重的逐步加入，convblock通过串联两个卷积层来实现图像特征的提取，fusion模块采用cbam注意力机制来实现遥感图像的光谱特征和空间特征的提取。
3.根据权利要求1所述的一种遥感影像时空融合方法，其特征在于：根据高级分辨率遥感图像的空间分辨率比值关系，叠加2倍超分辨率融合模型组成生成器，叠加n个超分辨率融合模块就可以实现2n倍的超分辨率融合。
4.根据权利要求1所述的一种遥感影像时空融合方法，其特征在于：构建降采样模块、小批量标准差模块和图像转换模块，降采样模块由两个卷积层和一个池化层组成实现对输入张量的下采样，小批量标准差模块利用mini-batch layer计算生成样本与真实样本的差异，增强了生成器生...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。