[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像全色銳化方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201810721821.2
• 申請(qǐng)日: 2018-07-04
• 公開（公告）號(hào): CN109102469B
• 公開（公告）日: 2021-12-21
• 發(fā)明（設(shè)計(jì)）人: 賀霖;朱嘉煒;饒熠舟
• 申請(qǐng)（專利權(quán)）人: 華南理工大學(xué)
• 主分類號(hào): G06T5/00
• 分類號(hào): G06T5/00;G06N3/04
• 代理公司: 廣州市華學(xué)知識(shí)產(chǎn)權(quán)代理有限公司 44245
• 代理人: 裴磊磊

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像全色銳化方法，其特征在于，所述方法包括以下步驟：

步驟1、讀取原始多光譜遙感圖像數(shù)據(jù)和原始全色遙感圖像數(shù)據(jù)其中h₁、w₁分別表示多光譜遙感圖像的長(zhǎng)和寬，H₁、W₁分別表示全色遙感圖像的長(zhǎng)和寬，b表示波段數(shù)，兩幅圖像滿足以下關(guān)系：h₁＝sH₁、w₁＝sW₁，s表示多光譜遙感圖像與全色遙感圖像的空間分辨率之比；

步驟2、選取原始多光譜遙感圖像部分區(qū)域，及其對(duì)應(yīng)的原始全色遙感圖像區(qū)域作為訓(xùn)練樣本，對(duì)該訓(xùn)練樣本進(jìn)行預(yù)處理后，進(jìn)行分塊采樣，得到多個(gè)訓(xùn)練樣本塊

步驟3、構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)模型，所述卷積神經(jīng)網(wǎng)絡(luò)模型包括卷積層和求和層，網(wǎng)絡(luò)的激活函數(shù)采用線性整流函數(shù)，表達(dá)式為Y＝max(0,X)，其中X,Y分別表示神經(jīng)元的輸入和輸出特征圖；

步驟4、利用零均值的高斯分布隨機(jī)初始化卷積神經(jīng)網(wǎng)絡(luò)模型中各卷積核的權(quán)重W和偏置B；

步驟5、選用歐氏距離損失函數(shù)作為輸出層，得到網(wǎng)絡(luò)預(yù)測(cè)圖像與參照?qǐng)D像之間的歐氏距離；

步驟6、采用隨機(jī)梯度下降算法對(duì)權(quán)重W和偏置B進(jìn)行迭代更新，當(dāng)損失函數(shù)穩(wěn)定在最小值時(shí)，權(quán)重W和偏置B尋得最優(yōu)解，即得到最優(yōu)卷積神經(jīng)網(wǎng)絡(luò)模型；

步驟7、選取原始多光譜遙感圖像另外一部分區(qū)域，及其對(duì)應(yīng)的原始全色遙感圖像區(qū)域作為測(cè)試樣本對(duì)該測(cè)試樣本進(jìn)行與步驟2相同的預(yù)處理；

步驟8、將步驟7得到的測(cè)試樣本直接輸入到步驟6得到的最優(yōu)卷積神經(jīng)網(wǎng)絡(luò)模型，移除輸出層后，即得到高分辨率的多光譜遙感圖像；

利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)低分辨的多光譜遙感圖像進(jìn)行全色銳化；

所述步驟3中構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)模型共包括四層：

第一層：卷積層Conv1，輸入訓(xùn)練樣本塊與64個(gè)大小為3×3的卷積核進(jìn)行卷積運(yùn)算，并經(jīng)過(guò)線性整流函數(shù)激活處理，輸出64個(gè)特征圖Y₁⁽ⁱ⁾，能夠表示為：其中Y₁⁽ⁱ⁾表示第一層卷積層對(duì)應(yīng)的輸出特征圖，W₁,B₁分別表示第一層卷積核的權(quán)重矩陣和偏置矩陣；

第二層：卷積層Conv2，輸入上一層的輸出，與64個(gè)大小為3×3的卷積核進(jìn)行卷積運(yùn)算，并經(jīng)過(guò)線性整流函數(shù)激活處理，輸出64個(gè)特征圖Y₂⁽ⁱ⁾；

第三層：卷積層Conv3，輸入上一層的輸出，與b個(gè)大小為3×3的卷積核進(jìn)行卷積運(yùn)算，直接輸出b個(gè)特征圖Y₃⁽ⁱ⁾；

第四層：求和層Sum，輸入上一層的輸出和卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本塊的前b個(gè)波段，即低分辨率的多光譜遙感圖像兩個(gè)輸入數(shù)據(jù)進(jìn)行逐元素相加，輸出網(wǎng)絡(luò)預(yù)測(cè)高分辨多光譜遙感圖像O⁽ⁱ⁾，其表達(dá)式為

2.根據(jù)權(quán)利要求1所述的基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像全色銳化方法，其特征在于，所述步驟2的具體過(guò)程為：

步驟2.1、對(duì)訓(xùn)練樣本的預(yù)處理：對(duì)選取的多光譜遙感圖像訓(xùn)練樣本與全色遙感圖像訓(xùn)練樣本同時(shí)先用與相應(yīng)傳感器的調(diào)制傳遞函數(shù)相匹配的高斯濾波器進(jìn)行平滑處理，再進(jìn)行空間尺度為s的下采樣，得到低分辨率的多光譜遙感圖像訓(xùn)練樣本和低分辨率的全色遙感圖像訓(xùn)練樣本其中滿足表達(dá)式：h₂＝sh₁,w₂＝sw₁，接著僅對(duì)進(jìn)行空間尺度為s的上采樣，得到與相同大小的多光譜遙感圖像訓(xùn)練樣本

步驟2.2、獲取網(wǎng)絡(luò)輸入訓(xùn)練樣本G₁：將步驟2.1得到的和在第三維度上進(jìn)行拼接，即將作為訓(xùn)練樣本G₁的前b個(gè)波段數(shù)據(jù)，作為訓(xùn)練樣本G₁的第b+1個(gè)波段數(shù)據(jù)；

步驟2.3、對(duì)訓(xùn)練樣本G₁進(jìn)行分塊采樣：以一定間隔在訓(xùn)練樣本G₁上進(jìn)行采樣，即能夠?qū)⒁桓毕袼攸c(diǎn)較多的訓(xùn)練樣本，分解為多個(gè)像素點(diǎn)較少的訓(xùn)練樣本塊

3.根據(jù)權(quán)利要求2所述的基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像全色銳化方法，其特征在于，步驟5中卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時(shí)所選用的歐氏距離損失函數(shù)表達(dá)式為：其中θ表示卷積神經(jīng)網(wǎng)絡(luò)模型需要優(yōu)化的參數(shù)集合，N_p表示隨機(jī)梯度下降算法中的批尺寸，||·||_F表示矩陣的F-范數(shù)。