基于深度学习的遥感图像时空融合方法、系统及电子设备技术方案

本发明专利技术涉及一种基于深度学习的遥感图像时空融合方法、系统及电子设备，属于遥感图像处理技术领域。本发明专利技术以高分辨率遥感影像或低分辨率遥感影像作为基于时相遥感影像历史数据训练深度学习网络得到时空融合网络模型的输入数据，能够在保证光谱信息准确性、空间细节一致性的条件下，提升高分辨率遥感影像的时间分辨率。间分辨率。间分辨率。

【技术实现步骤摘要】
基于深度学习的遥感图像时空融合方法、系统及电子设备


[0001]本专利技术涉及遥感图像处理
，特别是涉及一种基于深度学习的遥感图像时空融合方法、系统及电子设备。

技术介绍

[0002]由于当前硬件条件和预算的限制，很难获取同时具有高空间分辨率和高时间分辨率的卫星影像。例如，获取Landsat影像。Landsat影像的分辨率较高，但其16天的重访周期严重限制了其在植被生理过程和物候监测中的应用。在多云区域，此问题更加突出。中分辨率成像光谱仪(Moderate
‑
resolution Imaging Spector radiometer，MODIS)可以每天或每半天获取同一区域的影像，但250m～1000m的空间分辨率使MODIS很难应用于空间异质性较大的复杂景观中。为了解决这一问题，时空融合技术被提出。
[0003]现在，时空融合技术已被广泛用于植被监测、灾害预测等领域。现存的时空融合方法可以分为五类：基于分解的时空融合算法、基于权值函数的时空融合方法、基于贝叶斯的时空融合方法、基于学习的时空融合方法和混合时空融合方法。
[0004]最先被提出的是基于分解的时空融合算法，随后出现大量基于权值函数的时空融合方法，其中最具代表性的是时空自适应反射融合模型(spatial and temporal adaptive reflectance fusion，STARFM)。基于贝叶斯的时空融合方法将时空融合视为最大后验概率问题，代表方法有贝叶斯最大熵(Bayesian maximum entropy，BME)。混合时空融合方法是将各类方法最大的优势集中在一起，例如灵活时空数据融合(flexible spatio
‑
temporal data fusion，FSDAF)。
[0005]近年来，神经网络等深度学习模型由于其强大的自动特征表示学习能力，能够从原始数据中自动高效地学习空间邻近性和时间相关性，在时空融合任务中也取得了显著的结果。虽然许多方法都证明了卷积神经网络的优越性，但将神经网络等深度学习应用于时空融合算法时，其仍存在很多问题，例如：融合精度在空间异质性较高的区域不够理想，对数据集的要求较高，在保证光谱信息准确性时就难以保持时间分辨率等。

技术实现思路

[0006]本专利技术的目的是提供一种基于深度学习的遥感图像时空融合方法、系统及电子设备，能够在保证光谱信息准确性、空间细节一致性的条件下，提升高分辨率遥感影像的时间分辨率。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种基于深度学习的遥感图像时空融合方法，包括：
[0009]获取待预测区域的遥感影像数据；所述遥感影像数据包括高分辨遥感数据和低分辨率遥感数据；
[0010]对所述遥感影像数据进行预处理；
[0011]将预处理后的所述遥感影像数据输入至时空融合网络模型中得到融合影像；所述
时空融合网络模型为采用时相遥感影像历史数据训练深度学习网络得到的模型。
[0012]优选地，所述时空融合网络模型包括多个分支；
[0013]每一所述分支均包括依次连接的四个卷积层；在前三个卷积层后均设置有Relu激活函数层；
[0014]引入残差学习将每一所述分支的输入与输出进行整合后进行加权处理得到融合影像。
[0015]优选地，四个依次连接的所述卷积层的尺寸分别为：32*9*9、32*5*5、32*5*5和4*5*5；其中，32和4为卷积核的通道数，9和5为卷积核的尺寸。
[0016]优选地，所述对所述遥感影像数据进行预处理，具体包括：
[0017]对所述高分辨遥感数据进行处理得到第一处理数据；所述处理包括：辐射定标、大气校正和几何校正；
[0018]对所述低分辨率遥感数据进行镶嵌和裁剪处理得到第一子数据；
[0019]对所述第一子数据进行重采样得到第二子数据；所述第二子数据的分辨率与所述第一处理数据的分辨率相同；
[0020]从所述第二子数据中提取与所述第一处理数据波段相同的数据得到第二处理数据；将所述第一处理数据和所述第二处理数据作为所述预处理后的所述遥感影像数据。
[0021]优选地，采用时相遥感影像历史数据训练深度学习网络得到所述时空融合网络模型的过程，具体包括：
[0022]获取遥感影像历史数据，并对所述遥感影像历史数据进行预处理；
[0023]基于预处理后的所述遥感影像历史数据获取第一时相影像、第二时相影像和第三时相影像；每一时相影像均包括第一低分辨率影像、第二低分辨率影像、第三低分辨率影像、第一高分辨率影像、第二高分辨率影像和第三高分辨率影像；
[0024]对第一时相影像、第二时相影像和第三时相影像分别进行裁剪得到第一时相影像区域数据、第二时相影像区域数据和第三时相影像区域数据；
[0025]将所述第一时相影像区域数据中的第一低分辨率影像、第二低分辨率影像和第一高分辨率影像以及所述第二时相影像区域数据中的第一低分辨率影像、第二低分辨率影像和第一高分辨率影像作为输入样本数据，将所述第二时相影像区域数据中的第二高分辨率影像作为输出样本数据，构建训练样本数据集；
[0026]采用所述训练样本数据集训练深度学习模型得到初始时空融合网络模型；
[0027]将所述第一时相影像区域数据中的第一低分辨率影像、第二低分辨率影像和第一高分辨率影像以及所述第三时相影像区域数据中的第一低分辨率影像、第二低分辨率影像和第一高分辨率影像作为输入样本数据输入所述初始时空融合网络模型；
[0028]当所述初始时空融合网络模型输出的测试影像结果与所述第三时相影像区域数据中的第二高分辨率影像间的差值满足预设要求时，得到所述时空融合网络模型；
[0029]当所述初始时空融合网络模型输出的测试影像结果与所述第三时相影像区域数据中的第二高分辨率影像间的差值不满足预设要求时，调整所述初始时空融合网络模型的参数并返回执行“采用所述训练样本数据集训练深度学习模型得到初始时空融合网络模型”。
[0030]优选地，采用时相遥感影像历史数据训练深度学习网络得到所述时空融合网络模
型的过程中，数据迭代次数设置为100；批大小设置为16；学习率设置为0.02。
[0031]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0032]本专利技术提供的基于深度学习的遥感图像时空融合方法，以高分辨率遥感影像或低分辨率遥感影像作为基于时相遥感影像历史数据训练深度学习网络得到时空融合网络模型的输入数据，能够在保证光谱信息准确性、空间细节一致性的条件下，提升高分辨率遥感影像的时间分辨率。
[0033]对应于上述提供的基于深度学习的遥感图像时空融合方法，本专利技术还提供了以下实施结构：
[0034]一种基于深度学习的遥感图像时空融合系统，包括：
[0035]数据获取模块，用于获取待预测区域的遥感影像数据；所述遥感影像数据包括高分辨遥感数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的遥感图像时空融合方法，其特征在于，包括：获取待预测区域的遥感影像数据；所述遥感影像数据包括高分辨遥感数据和低分辨率遥感数据；对所述遥感影像数据进行预处理；将预处理后的所述遥感影像数据输入至时空融合网络模型中得到融合影像；所述时空融合网络模型为采用时相遥感影像历史数据训练深度学习网络得到的模型。2.根据权利要求1所述的基于深度学习的遥感图像时空融合方法，其特征在于，所述时空融合网络模型包括多个分支；每一所述分支均包括依次连接的四个卷积层；在前三个卷积层后均设置有Relu激活函数层；引入残差学习将每一所述分支的输入与输出进行整合后进行加权处理得到融合影像。3.根据权利要求2所述的基于深度学习的遥感图像时空融合方法，其特征在于，四个依次连接的所述卷积层的尺寸分别为：32*9*9、32*5*5、32*5*5和4*5*5；其中，32和4为卷积核的通道数，9和5为卷积核的尺寸。4.根据权利要求1所述的基于深度学习的遥感图像时空融合方法，其特征在于，所述对所述遥感影像数据进行预处理，具体包括：对所述高分辨遥感数据进行处理得到第一处理数据；所述处理包括：辐射定标、大气校正和几何校正；对所述低分辨率遥感数据进行镶嵌和裁剪处理得到第一子数据；对所述第一子数据进行重采样得到第二子数据；所述第二子数据的分辨率与所述第一处理数据的分辨率相同；从所述第二子数据中提取与所述第一处理数据波段相同的数据得到第二处理数据；将所述第一处理数据和所述第二处理数据作为所述预处理后的所述遥感影像数据。5.根据权利要求1所述的基于深度学习的遥感图像时空融合方法，其特征在于，采用时相遥感影像历史数据训练深度学习网络得到所述时空融合网络模型的过程，具体包括：获取遥感影像历史数据，并对所述遥感影像历史数据进行预处理；基于预处理后的所述遥感影像历史数据获取第一时相影像、第二时相影像和第三时相影像；每一时相影像均包括第一低分辨率影像、第二低分辨率影像、第三低分辨率影像、第一高分辨率影像、第二高分辨率影像和第三高分辨率影像；对第一时相影像、第二时相影像和第三时相影像分别进行裁剪得到第一时相影像...

【专利技术属性】
技术研发人员：陈圣波，崔亮，
申请(专利权)人：吉林大学，
类型：发明
国别省市：