基于深度神经网络的全色图像与多光谱图像融合的方法与流程

技术特征：

1.一种基于深度神经网络的全色图像与多光谱图像融合的方法，其特征在于，具体步骤如下：

步骤1，选取作为训练使用的低空间分辨的多光谱图像和高分辨全色图像构建高分辨与低分辨图像块对的训练集该训练集的图像块和分别采样于已知的高分辨全色图像和由已知低分辨多光谱图像线性组合而成的低分辨全色图像；

步骤2，利用改进的稀疏去噪自编码器对深度神经网络的第一层参数进行预训练；

步骤3，利用改进的稀疏去噪自编码器对深度神经网络进行逐层的预训练；

步骤4，利用后向传播算法对经过预训练的深度神经网络的参数进行微调；

步骤5，根据已知的低空间分辨的多光谱图像Z_ms，利用该深度神经网络重构出高分辨的多光谱图像

改进的稀疏自编码器的前馈函数模型为

和 ①

表示输入数据，s为激活函数。

2.根据权利要求1所述的基于深度神经网络的全色图像与多光谱图像融合的方法，其特征在于，步骤1中构建训练集的具体过程为：

步骤1.1，对已知低空间分辨的多光谱图像进行逐波段的插值操作，得到初始放大的多光谱图像多光谱图像中每个波段图像的像素大小与高分辨全色图像的大小保持一致；

步骤1.2，分别对已知的高分辨全色图像和初始放大多光谱图像的每个波段进行像素最大最小归一化方法，使每一个像素取值范围在[0,1]之间；

步骤1.3，计算低分辨全色图像其是由初始放大的多光谱图像的每个波段进行线性加权平均组合而成；

步骤1.4，训练的高分辨图像块和低分辨图像块分别从高分辨全色图像和低分辨全色图像中抽取，得到N对像素位置一致的高分辨和低分辨图像块对的训练集合N∈[10⁴,10⁶]，i＝1,2,...,N。

3.根据权利要求2所述的基于深度神经网络的全色图像与多光谱图像融合的方法，其特征在于，步骤2中利用改进的稀疏去噪自编码器对深度神经网络的第一层参数进行预训练的具体过程为：

步骤2.1，深度神经网络由L层神经网络堆积形成，将低分辨图像块作为第一层神经网络的输入数据，按照改进的稀疏自编码器的前馈函数得到由低分辨图像块重构出的高分辨图像块其中前馈函数模型为

和 ①

表示输入数据，s为激活函数；

步骤2.2，根据机器学习的损失准则并引入权重衰减项和稀疏项对数据保真项进行约束得到训练模型③，利用训练模型③训练该层神经网络模型的初始参数Θ₁＝{W₁,W₁',b₁,b₁'}，

其中，ε、表示输入数据，Θ_n为深度神经网络第n层的参数，Θ_n＝{W_n,W_n',b_n,b_n'}，n为神经网络层数的索引值，λ的取值范围为[10^-3,10^-2]，β的取值范围为[10^-3,10^-1]，ρ的取值范围为[10^-2,2×10^-1]；

其中，为损失准则，数据保真项为权重衰减项为稀疏项为

4.根据权利要求3所述的基于深度神经网络的全色图像与多光谱图像融合的方法，其特征在于，步骤3中利用改进的稀疏去噪自编码器对神经网络进行逐层的预训练的具体过程为：

步骤3.1，将步骤2得到的神经网络作为第一层神经网络，将所有的高分辨图像块和低分辨图像块输入第一层神经网络，按照模型①②经过前向传播分别得到相应的隐含层节点的值和

步骤3.2，将和作为下一层神经网络的输入数据，按照步骤2.2的方法训练该层神经网络的参数；

步骤3.3，改进稀疏去噪自编码器逐层对L层神经网络进行预训练，得到深度神经网络参数的初始化值Θ_i＝{Θ₁,Θ₂,...,Θ_n}，除第一层以外其余每层神经网络的训练所用到的输入数据均为上一层神经网络的隐含层节点的值。

5.根据权利要求2或3所述的基于深度神经网络的全色图像与多光谱图像融合的方法，其特征在于，步骤4利用后向传播算法对经过预训练的深度神经网络的参数进行微调的具体过程为：

步骤4.1，引入权重衰减项构建微调模型

其中，ε'、为输入数据，λ的取值范围为[10^-3,10^-2]，表示输入数据，s为激活函数；

步骤4.2，将高分辨和低分辨图像块对的训练集合作为经过预训练的深度神经网络的输入值，对其进行后向传播得到隐含层和输出层的值，并利用梯度下降法对模型④中输出层的参数进行微调；

步骤4.3，从输出层向前依次利用梯度下降法分别对模型④中除输出层之外的每一层的参数进行微调，从而得到该深度神经网络最终的参数值Θ_f＝{Θ'₁,Θ'₂,...,Θ'_n}。

6.根据权利要求1所述的基于深度神经网络的全色图像与多光谱图像融合的方法，其特征在于，步骤5中利用已经训练的神经网络重构出高分辨的多光谱图像的具体过程为：

步骤5.1，对需要测试的低空间分辨的多光谱图像进行逐波段的插值操作，得到初始放大的多光谱图像中每个波段图像的像素大小与全色图像的大小保持一致；

步骤5.2，将多光谱图像的每个波段按照从上到下，从左至右的方式划分成重叠的图像块其中k代表多光谱图像波段的索引值，K代表多光谱图像图像的波段数量，j代表图像块的索引值；

步骤5.3，将图像块作为经过预训练和微调整的深度神经网络的输入数据，经过该神经网络的前馈函数重构出相应的高分辨图像块

步骤5.4，对重构的重叠高分辨图像块逐层进行平均聚合，从而得到融合的高分辨多光谱图像