基于深度支撑值学习网络的遥感图像融合.pdf

第 3 9 卷 第 8 期 计 算 机 学 报 Vol. 39 No. 8 2016 年 8 月 CHINESE J O U R N A L OF C O M P U T E R S Aug . 2016 基于深度支撑值学习网络的遥感图像融合 李 红 ^ 刘 芳 ^ 杨 淑 媛 2) 张 凯 2) 1；)(西 安 电 子 科 技 大 学 计 算 机 学 院 西 安 71 71) 2)( 西安电子科技大学智能感知与图像理解教育部重点实验室、智能感知与计算国际联合研究中心、 智 能 感 知 与 计 算 国 际 合 作 联 合 实 验 室 西 安 71 71) 摘 要 该文将深度学习用于遥感图像融合，在训练深度网络时加人了结构风险最小化的损失函数，提出了一种 基于深度支撑值学习网络的融合方法 . 为了避免图像融合过程中的信息损失，在传统卷积神经网络的基础上，取消 了特征映射层的下采样过程，构建了深度支撑值学习网络（ Deep Support Value Learning Networks， DSVL Nets )， DSVL N e ts 网络模型包含 5 个 隐藏层，每一层的基本结构由卷积层和线性层构成，该基本单元提供了一种多尺度、 多方向、各向异性、非下采样的冗余变换，该模型在网络训练完毕之后，取 出 各 卷 积 层 和 第 5 个隐藏层的线性层作 为网络模型的输出层 . 输出层的各卷积层图像融合采用绝对值取大法，得 到 融 合 后 的 各 卷 积 层 图 像 ；另 外 ，将线性 层图像分别在过完备字典上进行稀疏表示，并对稀疏系数采用绝对值取大法进行融合，得到融合后的线性层图像； 最后将融合后的各卷积层和线性层图像重构得到结果图像 . 文 中 使 用 QuickBkd 和 Geoeye卫星数据验证本文所提 方法的有效性，实验结果表明，与 PCA 、AWLP 、P N -T S S C 和 S V T 算法相比较，该文所提方法的融合结果无论在主 观视觉还是客观评价指标上均优于对比算法，较好地保持了图像的光谱信息和空间信息 . 关 键 词 深 度学习；卷积神经网络；深度支撑值学习网络；过完备字典 ; 遥感图像融合；机器学习 中图法分类号 TP391 DOl 号 10. 11897/SP.J. 1016.2016.01583 Remote Sensing Image Fusion Based on Deep Support Value Learning Networks L I H o n g 1)，2) L IU Fang 1)，2) Y A N G Shu -Yuan 2) Z H A N G Kai 2) 1；) (School o f Computer Science and Technology » X idian University » X i’ an 71 71) 2) (K ey Laboratory o f Inielligeni Perception and Im age Understanding o f M inistry o f Education » InLernaLional Research Center o f Inielligeni Perception and CompuLaLion •, InLernaLional Coll