一种用于遥感影像融合的改进交叉皮质神经网络模型制造技术

受光学传感器自身限制，拍摄的多高光谱影像在获取高的光谱分辨率的同时，不可避免的需要牺牲其空间分辨率。本发明专利技术提出一种改进交叉皮质神经网络模型，可将高空间分辨率细节信息融合注入多高光谱遥感影像，从而获得兼有高空间分辨率和光谱分辨率的融合影像。对比实验结果表明，本发明专利技术方法优于经典的遥感影像融合方法，同时具有较小的光谱扭曲和细节失真。

【技术实现步骤摘要】
一种用于遥感影像融合的改进交叉皮质神经网络模型
本专利技术涉及遥感影像处理
，特别是涉及一种多、高光谱遥感影像的融合方法。
技术介绍
多光谱和高光谱遥感影像是进行遥感影像分类和解译的重要数据来源，但是由于传感器自身信噪比和通信下行链路的限制，在光学遥感传感器设计之初不得不在空间分辨率和光谱分辨率之间进行折中，这种折中使得丰富的光谱信息对复杂目标的解译和监测变得十分棘手，极大限制了多高光谱影像的实际应用，因此需要利用遥感影像融合技术对高空间分辨率影像和多高光谱影像进行融合，使融合结果同时具有高的空间分辨率和光谱分辨率。经典的遥感影像融合算法有Gram-Schmidt融合方法、Brovey变换融合方法、主成分分析PCA融合方法及IHS融合方法等，本专利技术提出一种改进交叉皮质神经网络模型，并将其应用于多高光谱的遥感影像融合，相比传统的遥感影像融合方法，本算法在较好的融合高空间分辨率细节特征的同时，可极大减小融合结果中多高光谱影像的光谱扭曲。
技术实现思路
为弥补现有技术的不足，本专利技术目的是提供一种改进交叉皮质神经网络模型，解决多光谱、高光谱遥感影像的融合问题，融合后的影像能够同时具有高的空间分辨率和光谱分辨率，同时可较好保持空间细节特征，极大减少融合过程中的光谱扭曲。为了实现上述目的，本专利技术提出一种改进交叉皮质神经网络模型，其神经元数学表达为：其中，ij表示当前神经元，kl表示邻域神经元，n为当前迭代次数，W和α分别为邻域连接强度矩阵和连接系数，S为多高光谱影像，D为高空间分辨率的细节影像，g和h分别为衰减系数和标准化常量，E为活动阈值，Y为输出脉冲，F表示输出融合结果，一旦在当前迭代中Fij大于活动阈值Eij，神经元ij被激发在第n次迭代中产生一个输出脉冲Yij，当神经网络中的所有神经元均被激发时获得最终的融合结果F。为了适应遥感影像融合算法，遥感影像的每一个像素与本专利技术神经网络模型中的每个神经元一一对应，在利用神经网络模型对多高光谱和高空间分辨影像进行处理之前，需要对输入影像执行标准化操作，将它们的像素值标准化到[0,1]之间，并对标准化后的影像执行直方图匹配操作，获得标准化后的多高光谱影像S和高空间分辨影像H，对高空间分辨影像H执行高斯平滑滤波获得平滑后的影像HL，其中高斯滤波器的分布参数σ为：其中，M为滤波器长度，R为多高光谱影像和高空间分辨影像之间的空间尺度比例因子，G为多高光谱影像传感器的调制传递函数，由此可以得到细节影像D=H-HL，在获得标准化后的多高光谱影像S和细节影像D后，将其作为改进交叉皮质神经网络模型输入进行迭代计算。神经网络各变量初始值设置为，Y[0]=F[0]=0，E[0]=1，n=1；α计算如下：其中Std和Con分别表示标准差和协方差计算。神经网络每迭代一次对当前迭代次数n执行加一操作，直到所有神经元均被激发获得输出F，对F执行逆标准化，即扩大F中像素值的取值范围得到一个多高光谱影像的融合结果，设多高光谱影像通道总数为K，则对这K个通道分别进行上述融合处理，可得到最终具有K个通道的的多高光谱影像与高空间分辨率影像的融合结果。本专利技术的有益效果是：1.传统交叉皮质神经网络模型仅允许一个外部激励输入，本改进模型具有两个外部激励输入S和D，有益于将交叉皮质神经网络原理更方便的应用于影像融合；2.本专利技术的模型由于考虑了细节注入操作使其可应用于尺度有差异的遥感影像融合；3.使用本专利技术模型可更好的保持高空间分辨率影像的细节特征，同时可极大减小融合结果的光谱扭曲。附图说明图1为本专利技术的遥感影像融合方法流程图。图2为本专利技术的改进交叉皮质神经网络模型结构图。图3为本专利技术实施例的输入影像与融合结果。具体实施方式为了使本专利技术实现的技术手段、达成目的与效果易于理解，下面进一步阐述本专利技术。本专利技术的遥感影像融合方法流程框图如图1所示，整体流程为首先对输入的高空间分辨率影像和多高光谱影像进行[0,1]区间的标准化处理；其次对标准化后的高空间分辨影像提取细节，将细节影像和高空间分辨影像作为输入送入本专利技术模型，其中，本专利技术的改进交叉皮质神经网络模型结构如图2所示，网络参数设置为邻域连接强度矩阵W=[0.5,1,0.5;1,0,1;0.5,1,0.5]，衰减系数g=0.65，标准化常量h=20。神经元ij与图像像素一一对应，当神经网络中的所有神经元均被激发时获得最终的融合结果F，将多高光谱的K个通道分别执行上述操作，可获得最终K个独立通道融合结果。输入的高空间分辨率灰度影像、多高光谱影像和融合结果分别如图3所示，其中，图3(a)为输入高空间分辨率全色灰度影像，图3(b)为输入多高光谱影像，输入影像采集于Quickbird高分传感器，空间分辨率分别为0.7m和2.8m，图3(c)为融合结果，由图3可见，本遥感融合方法同时获得了高的空间和高的光谱分辨率，且细节及光谱特征保持较好。表1给出了本专利技术方法和其它Gram-Schmidt融合方法、Brovey变换融合方法、主成分分析PCA融合方法及IHS融合方法等经典遥感影像融合方法的评价对比结果，对比评价指标采用谱角匹配度SAM、相对全局误差ERGAS和Q索引指标，评价指标数学表达如下：其中，<>表示內积运算，RMSE代表均方根运算，σ和μ分别代表图像的协方差和均值，评价指标中谱角匹配度SAM是对遥感影像光谱失真的衡量，其值越小融合效果越好，相对全局误差ERGAS表示融合结果与高空间分辨率影像之间的细节失真度，其值越小融合效果越好，Q索引指标是对融合影像光谱扭曲和空间细节保持的综合评价，其值越大融合质量越好。由表1的评价指标计算结果可以看出本专利技术方法的Q索引指标均高于其它经典的Gram-Schmidt融合方法、Brovey变换融合方法、主成分分析PCA融合方法及IHS融合方法等，同时本专利技术方法光谱扭曲度指标SAM和细节失真度指标ERGAS均小于其它经典算法，可见本专利技术方法在光谱扭曲和空间细节的保持上均极大优于经典方法。本文档来自技高网...

【技术保护点】
1.一种用于遥感影像融合的改进交叉皮质神经网络模型，其特征在于，包括改进交叉皮质神经网络模型和该模型在遥感影像融合应用。/n

【技术特征摘要】
1.一种用于遥感影像融合的改进交叉皮质神经网络模型，其特征在于，包括改进交叉皮质神经网络模型和该模型在遥感影像融合应用。


2.根据权利要求1所述的一种用于遥感影像融合的改进交叉皮质神经网络模型，其特征是，所述改进交叉皮质神经网络模型具体为：









其中，ij表示当前神经元，kl表示邻域神经元，n为当前迭代次数，W和α分别为邻域连接强度矩阵和连接系数，S为多高光谱影像，D为高空间分辨率的细节影像，g和h分别为衰减系数和标准化常量，E为活动阈值，Y为输出脉冲，F表示输出融合...

【专利技术属性】
技术研发人员：李小军，禄小敏，杨树文，闫浩文，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：甘肃;62