论文部分内容阅读
随着遥感技术的飞速发展,多光谱影像的产生为地物分析、影像释义等工作提供了更丰富的数据支撑,并广泛应用于农业生产、矿产监测以及环境保护等领域。然而,遥感设备的性能限制导致高分辨率多光谱影像不能直接通过拍摄的方式获取。卫星传感器通常只能捕获覆盖同一地域范围的高分辨率（High-Resolution,HR）全色影像（Panchromatic Image,PAN）和与之对应的低分辨率（Low-Resolution,LR）多光谱影像（Multispectral Image,MS）。如何通过融合来自这两类影像的空间和光谱信息,以生成在空间与光谱域中均具有高分辨率的多光谱影像,全色锐化（Pansharpening）算法不失为一种重要的影像融合途径,其利用全色影像的空间细节对原始多光谱影像进行锐化处理,从而提升影像后续地物分类、变化检测等识别任务的精度。本文基于全色和多光谱遥感影像,以全色锐化（Pansharpening）为融合途径,从传统方法和深度学习方法两个方面开展遥感影像融合算法的研究,主要围绕传统成分替换（Component Substitution,CS）融合算法中存在的光谱扭曲问题进行重点分析,并对基于卷积神经网络（Convolutional Neural Network,CNN）的融合模型中涉及的网络表征能力不足以及真实标签信息缺失等问题进行重点挖掘,深入研究如何缓解替换空间成分导致的光谱畸变问题,着重探索如何提升融合网络的特征学习能力,以及如何实现融合网络在全分辨率影像上不依赖标签信息的无监督学习。文中涉及的研究内容及创新点主要包括以下几个方面:1.针对传统成分替换算法中涉及的光谱扭曲问题,提出了一种基于区域光谱特征的自适应成分替换全色锐化算法,其以具有典型四波段的高分二号影像为主要研究对象,依赖快速Intensity-Hue-Saturation（IHS）转换融合框架,通过构建以植被光谱特性为导向的区域级融合规则,实现替换分量的自适应生成,从而降低成分置换阶段光谱畸变的程度。具体而言,考虑到不同地物类别对于空间和光谱分辨率的不同需求,该算法首先利用全色与多光谱影像之间的地形关联性,构造了一种基于地物光谱和纹理特征的自适应超像素合并策略,使得算法可依据不同地物区域的内部属性来进行特定的融合处理。然后,通过分析不同区域中绿色植被含量对分辨率需求的影响,构造了以区域比值植被指数为引导的融合策略来实现替换分量的有效合成,该策略自适应调节各区域分别从原始全色与多光谱影像中提取空间信息的比例,使得空间增强和光谱保真效果得以平衡。实验主要以城市和乡镇两种场景的高分二号数据作为测试对象,通过在退化和真实两种分辨率中进行融合和对比,证明了该算法可以在确保空间增强的同时有效缓解光谱扭曲问题。2.针对基于CNN的深度融合模型中涉及的多样性特征不区分利用以及多层级特征不充分结合等问题,提出了一种基于通道相似度注意力（Channel Similarity Attention,CSA）的有监督全色锐化算法,其通过引入注意力机制进行特征提取及融合模块的构建,实现网络特征的自适应学习和筛选,从而提升网络在空间增强和光谱保真两方面的融合性能。具体而言,首先设计了一种以特征点乘相似度为导向的通道注意力机制,该机制基于特征间的内在关系进行特征相关性学习,使得网络中的多样性特征可以依据其重要性得到更有效的利用;其次,构建了一种基于CSA嵌入的通道注意力残差密集单元（Channel attention Residual Dense Block,CARDB）来实现深度特征的提取,以达到充分挖掘局部特征和抑制冗余信息的目的;另外,构建了一种基于CSA的多层级特征融合模块（Multilevel Feature Fusion,MFF）来进行网络浅层和高层特征的结合,并实现多层级信息的充分选取和利用,以进一步提升融合网络的表征能力。实验阶段以不同类型的遥感数据集作为实验对象,通过在退化和真实两种分辨率环境中进行融合和对比,证明了该模型在不同影像类型上的有效性和适用性。3.针对常用的融合网络结构中存在的信息流通不充分以及真实标签信息缺失等问题,提出了一种基于交互式网络结构和无监督学习的全色锐化算法,其以迭代的方式实现全色与多光谱特征的融合,并通过构建只有输入影像参与的损失函数来实现网络的参数更新,从而有效改善了依赖退化模式训练的有监督融合模型中涉及的小尺度地物目标缺失等问题。具体而言,提出的交互式网络结构以高分辨率全色影像为导向进行空间特征注入,并用基于低分辨率多光谱影像为共享源的跳跃连接（Share-Source Skip Connection,SSC）进行光谱信息补充,使得来自输入影像的空间和光谱特征能够得到充分传递与复用;其次,通过分析网络输入与输出之间的转换关系以及挖掘图像质量评价指标与损失函数之间的耦合关系,构建了一种无需参考影像参与的损失函数,其利用空间约束项、光谱一致性项以及基于无参质量评估指数的调节组件来自适应地挖掘融合多光谱影像中的潜在特性,使得网络能够在全分辨率真实影像上以无监督的训练方式进行优化。实验阶段仍以不同类型的遥感数据集作为实验对象,通过在退化和真实两种分辨率环境中进行融合和对比,证明了该算法在不同影像类型上的可行性和恢复小目标空间信息的有效性。