1.一种基于自适应多尺度残差卷积的遥感图像融合方法,其特征在于,包括以下步骤:S1、根据Wald协议,将低分辨率的多光谱图像和高分辨率的全色图像分别进行相应倍数的下采样,构建模型需要的数据集;
S2、自适应匹配多光谱图像和全色图像,堆叠特征图作为输入;
S3、借助卷积神经网络的性质,构建一个多尺度的深层残差卷积神经网络;
S4、采用Adam优化算法对网络进行训练,得到训练后的深度卷积神经网络模型;
S5、将待融合的多光谱图像和全色图像输入到训练后的深度卷积神经网络模型中,得到融合后的高空间分辨率的多光谱图像;
在步骤S2中,自适应匹配多光谱图像和全色图像,堆叠特征图作为输入,具体包括:
将输入的多光谱图像进行上采样匹配输入的全色图像的大小并进行堆叠,将输入的全色图像进行下采样匹配输入的多光谱图像的大小并进行堆叠,将堆叠的低分辨率特征图像进行上采样以匹配高分辨率堆叠图像,作为自适应特征输入;
在步骤S3中,借助卷积神经网络的性质,构建一个多尺度的深层残差卷积神经网络,具体包括:该网络分为双流输入网络,分别使用三层卷积神经网络提取多光谱和全色图像的特征信息,将输入的多光谱图像进行上采样匹配输入的全色图像的大小并进行堆叠,将输入的全色图像进行下采样匹配输入的多光谱图像的大小并进行堆叠,将堆叠的低分辨率特征图像进行上采样以匹配高分辨率堆叠图像,作为自适应特征输入;再使用并行的不同膨胀率的膨胀卷积来充分提取特征图像中丰富的图像信息,在不增加卷积核参数量的前提下,有效地扩大模型的感受野;然后,采用残差卷积神经网络缓解过拟合情况,残差卷积神经网络中的标准卷积和膨胀卷积核均为3×3,激活函数均为ReLU,滤波器的数量为64。
2.根据权利要求1所述的一种基于自适应多尺度残差卷积的遥感图像融合方法,其特征在于,所述步骤S1根据Wald协议,将低分辨率的多光谱图像和高分辨率的全色图像分别进行相应倍数的下采样,构建模型需要的数据集,具体为:根据Wald协议,Wald为遥感图像多光谱及全色图像数据集处理协议,用双三次插值法对初始的多光谱图像和全色图像进行上下采样,双三次插值法指的是图像进行采样的算法,首先构造BiCubic基函数,得到所有行和列对应的系数,然后求解出每个像素对应的权值,最后通过求和公式可以得到目标图片对应的像素值;模拟低分辨率输入的多光谱图像和全色图像,将多光谱图像上采样4倍,形成初始化的双流输入。
3.根据权利要求1所述的一种基于自适应多尺度残差卷积的遥感图像融合方法,其特征在于,在步骤S4中,采用Adam优化算法对残差混合膨胀卷积神经网络进行训练时,损失函数为:(i)
其中, 分别表示全色图像和低分辨率多光谱图像,F 是对应的高分辨率多光谱图像,gMS,i分别表示对应多光谱图像和全色图像融合结果的标准图像以及对应的每张图像,N是小批量训练样本的数量,(W,b)是所有超参数的集合,即滤波器的权重和偏差,使用(i)L1范数作为损失函数,直接将 输入深度卷积神经网络以逼近F ,从而学习输入(i)图像 和输出图像F 之间的非线性映射关系。
4.根据权利要求3所述的一种基于自适应多尺度残差卷积的遥感图像融合方法,其特征在于,在步骤S5中,将待融合的多光谱图像和全色图像输入到步骤S4所得训练完成的多尺度深层残差卷积神经网络模型中,得到融合后的高空间分辨率的多光谱图像。
5.一种存储介质,该存储介质内部存储计算机程序,其特征在于,所述计算机程序被处理器读取时,执行上述权利要求1~4任一项的方法。