基于深度支撑值学习网络的遥感图像融合

被引：39

作者：

李红 ^{[1
,2
]}

刘芳 ^{[1
,2
]}

杨淑媛 ^{[2
]}

张凯 ^{[2
]}

机构：

[1] 西安电子科技大学计算机学院

[2] 西安电子科技大学智能感知与图像理解教育部重点实验室、智能感知与计算国际联合研究中心、智能感知与计算国际合作联合实验室

来源：

计算机学报 | 2016年 / 39卷 / 08期

基金：

国家自然科学基金重大研究计划;

关键词：

深度学习; 卷积神经网络; 深度支撑值学习网络; 过完备字典; 遥感图像融合; 机器学习;

D O I：

暂无

中图分类号：

TP751 [图像处理方法];

学科分类号：

摘要：

该文将深度学习用于遥感图像融合,在训练深度网络时加入了结构风险最小化的损失函数,提出了一种基于深度支撑值学习网络的融合方法.为了避免图像融合过程中的信息损失,在传统卷积神经网络的基础上,取消了特征映射层的下采样过程,构建了深度支撑值学习网络(Deep Support Value Learning Networks,DSVL Nets),DSVL Nets网络模型包含5个隐藏层,每一层的基本结构由卷积层和线性层构成,该基本单元提供了一种多尺度、多方向、各向异性、非下采样的冗余变换,该模型在网络训练完毕之后,取出各卷积层和第5个隐藏层的线性层作为网络模型的输出层.输出层的各卷积层图像融合采用绝对值取大法,得到融合后的各卷积层图像;另外,将线性层图像分别在过完备字典上进行稀疏表示,并对稀疏系数采用绝对值取大法进行融合,得到融合后的线性层图像;最后将融合后的各卷积层和线性层图像重构得到结果图像.文中使用QuickBird和Geoeye卫星数据验证本文所提方法的有效性,实验结果表明,与PCA、AWLP、PN-TSSC和SVT算法相比较,该文所提方法的融合结果无论在主观视觉还是客观评价指标上均优于对比算法,较好地保持了图像的光谱信息和空间信息.

引用

页码：1583 / 1596

页数：14

共 12 条

[1] 基于卷积神经网络LeNet-5的车牌字符识别研究
赵志宏
杨绍普
马增强
[J]. 系统仿真学报, 2010, (03) : 638 - 641
[2] TM和SAR影像主分量变换融合法
贾永红
[J]. 遥感技术与应用, 1998, (01) : 49 - 52
[3] Comparison of Regularization Methods for ImageNet Classification with Deep Convolutional Neural Networks[J] . Evgeny A. Smirnov,Denis M. Timoshenko,Serge N. Andrianov.AASRI Procedia . 2014
[4] Fusion of multispectral and panchromatic images based on support value transform and adaptive principal component analysis[J] . Shuyuan Yang,Min Wang,Licheng Jiao.Information Fusion . 2010 (3)
[5] Multispectral image pansharpening based on the contourlet transform[J] . Israa Amro,Javier Mateos.Journal of Physics: Conference Series . 2010 (1)
[6] Remote sensing image fusion using the curvelet transform[J] . Filippo Nencini,Andrea Garzelli,Stefano Baronti,Luciano Alparone.Information Fusion . 2006 (2)
[7] Using the discrete wavelet frame transform to merge Landsat TM and SPOT panchromatic images[J] . Shutao Li,James T Kwok,Yaonan Wang.Information Fusion . 2002 (1)
[8] A new look at IHS-like image fusion methods[J] . Te-Ming Tu,Shun-Chi Su,Hsuen-Chyun Shyu,Ping S. Huang.Information Fusion . 2001 (3)
[9] A practical compressed sensing-based pan-sharpening method .2 Jiang,Cheng,Zhang,Hongyan,Shen,Huanfeng,Zhang,Liangpei. IEEE Geoscience and Remote Sensing Letters . 2012
[10] Two-step sparse coding for the pan-sharpening of remote sensing images .2 JIANG C,ZHANG H,SHEN H,et al. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing . 2014

← 1 2 →