基于卷积人工神经网络特征提取的数据融合方法及系统技术方案

本发明专利技术公开了一种基于卷积人工神经网络特征提取的数据融合方法及系统，涉及图像处理技术领域。该方法包括：将第二影像M1和第二影像M2的分辨率重采样至与第一影像L1相同；按照预设分块规则对影像进行分块；分别对分块后的影像进行图像卷积，提取图像特征；对提取到的分块图像特征进行叠加运算；对叠加得到的分块图像特征进行特征重建，对重建结果进行激活；将激活后的重建结果进行拼接，得到第二时刻的第一影像L2。本发明专利技术可以生成高时效性且分辨率高的融合图像，使用方便，仅需提供数据就可以生成对应数据，而且没有区域的限制，无需重复训练，如果想重新训练可直接使用训练好的参数继续训练，缩短训练时间。缩短训练时间。缩短训练时间。

【技术实现步骤摘要】
基于卷积人工神经网络特征提取的数据融合方法及系统


[0001]本专利技术涉及图像处理
，尤其涉及一种基于卷积人工神经网络特征提取的数据融合方法及系统。

技术介绍

[0002]植被指数是检测植被生长状态、植被覆盖度和消除部分辐射误差等的参数。植被指数能反映出植物冠层的背景影响，如土壤、潮湿地面、雪、枯叶、粗糙度等，且与植被覆盖有关。植被指数需要对多时相和高分辨率影像序列进行分析，现有的植被融合方法较少。现有的方法在应用时仅局限于训练时的区域，若要扩展到其他研究区域，则需要重新训练，而模型训练的开销又特别大，降低了实用性。

技术实现思路

[0003]本专利技术所要解决的技术问题是针对现有技术的不足，提供一种基于卷积人工神经网络特征提取的数据融合方法及系统。
[0004]本专利技术解决上述技术问题的技术方案如下：
[0005]一种基于卷积人工神经网络特征提取的数据融合方法，包括：
[0006]获取第一时刻的第一影像L1、第一时刻的第二影像M1和第二时刻的第二影像M2；
[0007]将所述第二影像M1和所述第二影像M2的分辨率重采样至与所述第一影像L1相同；
[0008]按照预设分块规则对所述第一影像L1、所述第二影像M1和所述第二影像M2进行分块；
[0009]分别对分块后的所述第一影像L1、所述第二影像M1和所述第二影像M2进行图像卷积，提取图像特征；
[0010]对提取到的所述第一影像L1、所述第二影像M1和所述第二影像M2的分块图像特征进行叠加运算；
[0011]对叠加得到的分块图像特征进行特征重建，对重建结果进行激活；
[0012]将激活后的重建结果进行拼接，得到第二时刻的第一影像L2；
[0013]其中，所述第二影像M1和所述第二影像M2的分辨率小于所述第一影像L1的分辨率，且所述第二影像M1和所述第二影像M2的采集速度快于所述第一影像L1的采集速度。
[0014]本专利技术解决上述技术问题的另一种技术方案如下：
[0015]一种基于卷积人工神经网络特征提取的数据融合系统，包括：
[0016]图像获取单元，用于获取第一时刻的第一影像L1、第一时刻的第二影像M1和第二时刻的第二影像M2；
[0017]重采样单元，用于将所述第二影像M1和所述第二影像M2的分辨率重采样至与所述第一影像L1相同；
[0018]图像分块单元，用于按照预设分块规则对所述第一影像L1、所述第二影像M1和所述第二影像M2进行分块；
[0019]特征提取单元，用于分别对分块后的所述第一影像L1、所述第二影像M1和所述第二影像M2进行图像卷积，提取图像特征；
[0020]特征叠加单元，用于对提取到的所述第一影像L1、所述第二影像M1和所述第二影像M2的分块图像特征进行叠加运算；
[0021]特征重建单元，用于对叠加得到的分块图像特征进行特征重建，对重建结果进行激活；
[0022]图像拼接单元，用于将激活后的重建结果进行拼接，得到第二时刻的第一影像L2；
[0023]其中，所述第二影像M1和所述第二影像M2的分辨率小于所述第一影像L1的分辨率，且所述第二影像M1和所述第二影像M2的采集速度快于所述第一影像L1的采集速度。
[0024]本专利技术的有益效果是：本专利技术通过获取高分辨率但时效性差的图像和两个时刻的低分辨率但时效性强的图像，通过对低分辨率的图像进行重采样，能够使其的分辨率提升，然后结合高分辨率图像的细节，可以生成高时效性且分辨率高的融合图像，使用方便，仅需提供数据就可以生成对应数据，而且没有区域的限制，无需重复训练，如果想重新训练可直接使用训练好的参数继续训练，缩短训练时间。
[0025]本专利技术附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术实践了解到。
附图说明
[0026]图1为本专利技术数据融合方法的实施例提供的流程示意图；
[0027]图2为本专利技术数据融合方法的其他实施例提供的特征叠加网络结构示意图；
[0028]图3为本专利技术数据融合方法的其他实施例提供的图像处理结果对比示意图；
[0029]图4为本专利技术数据融合系统的实施例提供的结构框架示意图。
具体实施方式
[0030]以下结合附图对本专利技术的原理和特征进行描述，所举实施例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0031]如图1所示，为本专利技术数据融合方法的实施例提供的流程示意图，该数据融合方法基于卷积人工神经网络特征提取实现，包括：
[0032]S1，获取第一时刻的第一影像L1、第一时刻的第二影像M1和第二时刻的第二影像M2；
[0033]需要说明的是，第一影像为分辨率较高，但时效性较差的影像，例如，可以为Landsat数据，第二影像为分辨率较低，但时效性较好的影像，例如，可以为MODIS数据，其中，Landsat指的是陆地卫星，Landsat数据为陆地卫星拍摄的影像，具有分辨率高的特点，MODIS指的是中分辨率成像光谱仪，MODIS数据具有高时效性的特点。
[0034]Landsat数据和MODIS数据可以从网站上下载。
[0035]S2，将第二影像M1和第二影像M2的分辨率重采样至与第一影像L1相同；
[0036]S3，按照预设分块规则对第一影像L1、第二影像M1和第二影像M2进行分块；
[0037]例如，可以按照输入影像的大小与设定的分块大小进行分块，为了消除块效应，调节块与块之间重叠度为50％；影像大小为1970*2100，此次选择分块大小为1024。总共分为
4*5块，每块大小1024*1024。
[0038]S4，分别对分块后的第一影像L1、第二影像M1和第二影像M2进行图像卷积，提取图像特征；
[0039]应理解，可以使用现有的卷积人工神经网络实现对影像的卷积。例如，可以采用实例标准化残差模块的方法提取图像特征。
[0040]下面给出示例性的实例标准化公式：
[0041][0042]其中，E[x]为一幅影像单通道期望，Var[x]为一幅影像单通道方差，γ和β是缩放系数，在训练过程中可以计算得到。
[0043]S5，对提取到的第一影像L1、第二影像M1和第二影像M2的分块图像特征进行叠加运算；
[0044]S6，对叠加得到的分块图像特征进行特征重建，对重建结果进行激活；
[0045]例如，可以对叠加得到的分块图像特征进行反卷积，实现特征重建。
[0046]例如，可以对重建的结果应用tanh函数激活，防止结果值溢出，使得到的分布结果更为平稳，防止了异常值的出现。
[0047]下面给出示例性的公式：
[0048][0049]其中，x为每个像素点的植被指数值。
[0050]S7，将激活后的重建结果进行拼接，得到第二时刻的第一影像L2；
[0051]其中，第二影像M1和第二影像M2的分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积人工神经网络特征提取的数据融合方法，其特征在于，包括：获取第一时刻的第一影像L1、第一时刻的第二影像M1和第二时刻的第二影像M2；将所述第二影像M1和所述第二影像M2的分辨率重采样至与所述第一影像L1相同；按照预设分块规则对所述第一影像L1、所述第二影像M1和所述第二影像M2进行分块；分别对分块后的所述第一影像L1、所述第二影像M1和所述第二影像M2进行图像卷积，提取图像特征；对提取到的所述第一影像L1、所述第二影像M1和所述第二影像M2的分块图像特征进行叠加运算；对叠加得到的分块图像特征进行特征重建，对重建结果进行激活；将激活后的重建结果进行拼接，得到第二时刻的第一影像L2；其中，所述第二影像M1和所述第二影像M2的分辨率小于所述第一影像L1的分辨率，且所述第二影像M1和所述第二影像M2的采集速度快于所述第一影像L1的采集速度。2.根据权利要求1所述的基于卷积人工神经网络特征提取的数据融合方法，其特征在于，根据以下公式对分块图像特征进行叠加运算：F(L2)＝F(M2)
‑
F(M1)+F(L1)其中，F(L2)是所述第一影像L2的分块图像特征，F(M2)是所述第二影像M2的分块图像特征，F(M1)是所述第二影像M1的分块图像特征，F(L1)是所述第一影像L1的分块图像特征。3.根据权利要求1所述的基于卷积人工神经网络特征提取的数据融合方法，其特征在于，分别对分块后的所述第一影像L1、所述第二影像M1和所述第二影像M2进行图像卷积，提取图像特征之后，还包括：缓存所述第一影像L1的每个层级的分块图像特征；对叠加得到的分块图像特征进行特征重建之后，对重建结果进行激活之前，还包括：将缓存的所述第一影像L1的每个层级的分块图像特征叠加到特征重建后的所述叠加得到的分块图像特征中。4.根据权利要求1至3中任一项所述的基于卷积人工神经网络特征提取的数据融合方法，其特征在于，按照预设分块规则对所述第一影像L1、所述第二影像M1和所述第二影像M2进行分块，具体包括：将相邻的图像块之间的重叠度设置为50％，将图像块长度的一半设置为步长，使图像块中心四分之一区域的中心数据为有效数据。5.根据权利要求4所述的基于卷积人工神经网络特征提取的数据融合方法，其特征在于，将激活后的重建结果进行拼接，得到第二时刻的第一影像L2，具体包括：使用激活后的重建结果的中心数据进行...

【专利技术属性】
技术研发人员：孙梓煜，王军邦，李浩，左婵，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：