基于深度支撑值学习网络的遥感图像融合.pdf

深度学习和遥感图像融合是当前图像处理和人工智能领域的热点研究方向。深度学习，特别是卷积神经网络（CNN），在图像处理中显示出强大的特征提取和模式识别能力。遥感图像融合是指将来自同一场景的多源遥感图像结合起来，生成含有更多、更准确信息的新图像的过程。这个过程可以应用于地表监测、土地覆盖分类、灾害评估和城市规划等多个领域。融合的目标通常是为了提高图像的空间分辨率、光谱分辨率和时间分辨率。 文章提到的“基于深度支撑值学习网络的遥感图像融合”方法，在融合遥感图像时，采用了深度学习网络，并且引入了结构风险最小化的损失函数。结构风险最小化是为了在模型训练过程中找到一个最优的复杂度-误差平衡点，即在减少模型对训练数据过拟合的同时，保持对未知数据良好的泛化能力。这通常通过引入正则化项或者一些先验知识来实现。 具体到文章中提出的“深度支撑值学习网络”（DSVLNets），它取消了传统卷积神经网络中特征映射层的下采样过程。下采样通常用于降低数据维度，减少计算量，但可能会造成图像信息的损失。DSVLNets通过不进行下采样，保留了图像的更多细节和信息，从而有助于提升融合后的图像质量。 DSVLNets的网络结构由5个隐藏层构成，每一层均包含卷积层和线性层。这样的设计允许网络进行多尺度、多方向、各向异性的非下采样冗余变换。这种冗余变换能够更好地模拟和捕捉图像的内在结构和特征，对于图像融合来说是非常重要的。 在该网络模型训练完成后，作者取出了各个卷积层以及最后一个隐藏层的线性层作为输出层。图像的融合采用了“绝对值取大法”，这是一种简单有效的融合策略，它通过比较不同图像在同一位置的像素值大小，并取其中的最大值作为融合结果的该位置像素值，以此来保留多个图像中的有效信息。 此外，文章还提到了稀疏表示。稀疏表示是利用过完备字典来对信号（此处为图像）进行表示，即图像可以被表示为字典原子的稀疏线性组合。通过稀疏表示，可以进一步提取图像中的特征，并用于图像融合。融合时，线性层图像会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，这样可以得到融合后的线性层图像。 将融合后的各卷积层图像和线性层图像进行重构，得到了最终的结果图像。结果图像中应有效地结合了不同遥感图像源的空间信息和光谱信息。 文章使用了QuickBird和GeoEye卫星数据进行实验验证。实验结果表明，与传统的PCA、AWLP、PN-TSSC和SVT等算法相比，基于深度支撑值学习网络的方法在主观视觉效果和客观评价指标上都有显著的优势，能够更好地保持图像的光谱信息和空间信息。 本研究为遥感图像融合提供了一种新的思路和方法，这种方法能够有效地提升融合图像的质量，并且有望在实际应用中发挥重要作用。而深度学习技术，尤其是卷积神经网络，已经在图像处理领域展现出了强大的潜力和广阔的应用前景。