首页|条件生成对抗遥感图像时空融合

条件生成对抗遥感图像时空融合

Spatiotemporal fusion of satellite images via conditional generative adversarial learning

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
目的 卫星遥感技术在硬件方面的局限导致获取的遥感图像在时间与空间分辨率之间存在矛盾,而时空融合提供了一种高效、低成本的方式来融合具有时空互补性的两类遥感图像数据(典型代表是Landsat和MODIS(moderate-resolution imaging spectroradiometer)图像),生成同时具有高时空分辨率的融合数据,解决该问题.方法 提出了一种基于条件生成对抗网络的时空融合方法,可高效处理实际应用中的大量遥感数据.与现有的学习模型相比,该模型具有以下优点:1)通过学习一个非线性映射关系来显式地关联MODIS图像和Landsat图像;2)自动学习有效的图像特征;3)将特征提取、非线性映射和图像重建统一到一个框架下进行优化.在训练阶段,使用条件生成对抗网络建立降采样Landsat和MODIS图像之间的非线性映射,然后在原始Landsat和降采样Landsat之间训练多尺度超分条件生成对抗网络.预测过程包含两层:每层均包括基于条件生成对抗网络的预测和融合模型.分别实现从MODIS到降采样Landsat数据之间的非线性映射以及降采样Landsat与原始Landsat之间的超分辨率首建.结果 在基准数据集CIA(coleam bally irrigation area)和LGC (lower Gwydir catchment)上的结果表明,条件生成对抗网络的方法在4种评测指标上均达到领先结果,例如在CIA数据集上,RMSE(root mean squared error)、SAM(spectral angle mapper)、SSIM(structural similarit)和ERGAS(erreur relative global adimensionnelle desynthese)分别平均提高了0.001、0.15、0.008和0.065;在LGC数据集上分别平均提高了0.001 2、0.7、0.018和0.008 9.明显优于现有基于稀疏表示的方法与基于卷积神经网络的方法.结论 本文提出的条件生成对抗融合模型,能够充分学习Landsat和MODIS图像之间复杂的非线性映射,产生更加准确的融合结果.

李昌洁、宋慧慧、张开华、张晓露、刘青山

展开 >

南京信息工程大学大气环境与装备技术协同创新中心,南京210044

江苏省大数据分析技术重点实验室,南京210044

时空融合 深度学习 条件生成对抗网络(CGAN) 拉普拉斯金字塔 遥感图像处理

国家新一代人工智能重大项目国家自然科学基金国家自然科学基金国家自然科学基金江苏省自然科学基金江苏省自然科学基金

2018AAA0100400618721896187608861532009BK20191397BK20170040

2021

中国图象图形学报
中国科学院遥感应用研究所,中国图象图形学学会 ,北京应用物理与计算数学研究所

中国图象图形学报

CSTPCDCSCD北大核心
影响因子：1.111
ISSN：1006-8961
年,卷(期)：2021.26(3)
  • 6
  • 3