8355944_张玉田_基于深度学习的遥感图像融合算法.pdf

摘 要 随着人造卫星传感器和遥感技术的迅速发展，遥感图像已经被广泛使用到各种场景 中。然而，由于传感器的技术限制和其他因素，现有的卫星传感器不得不在空间分辨率 和光谱分辨率之间进行权衡。由于在城市分析、植被检测及土地利用等实际应用中，高 分辨率多光谱图像的优势越来越明显，遥感图像融合也受到越来越多的学者的关注。此 外，如何获得高分辨率的多光谱图像也是变化检测、目标识别、视觉分析和场景解释等 诸多遥感领域急需解决的问题。 遥感图像融合是遥感图像领域中一个重要的分支，其旨在将低分辨率的多光谱图像 和高分辨率的全色图像进行融合，以生成具有高分辨率的多光谱图像。由于多光谱图像 和对应全色图像中局部信息存在差异，因此传统的遥感图像融合算法通常会存在光谱扭 曲和空间细节扭曲的问题。为了克服传统遥感图像融合方法的缺点，我们提出了一种端 到端的、根据局部光谱信息自适应调节注入空间细节的遥感图像融合模型。该模型采用 卷积核大小为 的条件网络提取多光谱图像的光谱特征，然后以光谱特征为输入学习 11 用于空间特征转换的仿射变换系数，从而实现注入的细节信息的自适应调节。同时，本 文还探讨了生成对抗网络和感知损失对遥感图像融合的影响。 使用WorldView-2 、WorldView-3 以及QuickBird 三种卫星遥感数据来验证提出方法 的有效性。通过大量的定性和定量分析得知，本文提出的融合算法无论是主观视觉还是 客观指标均好于对比方法，所得融合图像很好地保留了多光谱图像的光谱信息和全色图 像的空间细节信息。 关键词：全色锐化; 空间特征转换; 深度学习; 多光谱图像; 遥感图像融合 说明：每部分以偶数页结束。 I Abstract With the rapid development of artificial satellite sensors and remote sensing technology, remote sensing images have been widely used in various scenarios. However, due to sensor technical limitations and other factors, existing satellite sensors have to make a trade-off between spatial resolution and spectral resolution. In practical applications such as urban analysis, vegetation detection and land use, the advantages of high-resolution multispectral images are becoming more and more obvious, and remote image fusion has also attracted more and more scholars attention. Besides, for many remote sensing fields such as change detection, target recognition, visual analysis, and scene interpretation, how to obtain high-resolution multispectral images is an urgent problem in these fields. Pan-sharpening is an important branch in the field of remote sensing images, which aims to fuse low-resolution multi-spectral images and high-resolution panchromatic images to generate multi-spectral images with high r