摘要
针对传统深度学习的遥感图像全色锐化方法未考虑源图像多尺度方向信息和通道间的关联紧密性,导致融合图像出现空间信息丢失和光谱失真问题,提出了一种基于多尺度残差注意力网络的遥感图像全色锐化方法.将低空间分辨率多光谱(low-resolution multi-spectral,LRMS)图像经过双三次插值上采样与高空间分辨率全色(panchromatic,PAN)图像级联,得到一个5 通道图像作为输入;设计3 个并行的多尺度残差注意力网络从空间和通道两方面提取源图像不同频度的特征,每个子网络包含浅层特征提取、深层特征提取、特征融合、特征重建过程,将三者的输出进行跳连接获得最终融合图像,将光谱角映射、平均绝对误差和几何梯度权重相加作为一种新的损失函数来训练参数,以提高网络的信息表征能力;选择在WorldView-2 和World-View-3 数据集上与其他7 种融合方法进行对比实验,并在WorldView-3 数据集上对模型的网络结构及损失函数性能进行验证,实验结果表明:该方法在光谱信息和空间信息保持方面具有明显优势.
基金项目
辽宁省兴辽英才计划项目(XLYC1906003)
辽宁省教育厅系列项目(LJKMZ20220582)
国家科技期刊平台
NSTL
万方数据