1.一种基于残差学习的多光谱遥感图像融合方法,其特征在于该方法包括:(1)获取若干原始多光谱遥感图像IMS和对应的原始全色波段遥感图像IPAN;
(2)将原始多光谱遥感图像IMS进行插值处理,得到插值遥感图像IMSI,并计算得到原始全色波段遥感图像IPAN的梯度图像GPAN,以及将原始全色波段遥感图像IPAN处理到预设的低分辨率图像ILPAN后进行差分,得到差分图像DPAN;
(3)构建卷积神经网络融合模型,包括从依次连接的特征提取层、非线性映射层、残差图像重建层和输出层,并将I=[IMSI,IPAN,GPAN,DPAN]作为样本数据输入,对卷积神经网络融合模型进行训练,训练时采用的损失函数为引入残差学习的均方误差函数,当损失函数达到收敛且稳定在全局最小值时,卷积神经网络融合模型训练完成;
(4)将待融合的多光谱遥感图像I'MSRI和对应的原始全色波段遥感图像I'PAN按照步骤(2)处理得到对应的数据[I'MSI,I'PAN,G'PAN,D'PAN],并输入训练好的卷积神经网络融合模型,输出即为融合后的图像。
2.根据权利要求1所述的基于残差学习的多光谱遥感图像融合方法,其特征在于:步骤(3)中构建的卷积神经网络融合模型具体为:特征提取层:Layer1=max(0,W1*I+B1)
非线性映射层:Layer2=max(0,W2*Layer1+B2)残差图像重建层:Layer3=W3*Layer2+B3
输出层:Iout=W4*[I+Layer3]+B4
式中,W1、W2、W3、W4是对应层的卷积核,B1、B2、B3、B4为对应层的偏置向量,*表示卷积操作。
3.根据权利要求2所述的基于残差学习的多光谱遥感图像融合方法,其特征在于:所述卷积核函数为线性整流函数ReLU。
4.根据权利要求2所述的基于残差学习的多光谱遥感图像融合方法,其特征在于:步骤(3)中损失函数具体为:式中,L(Θ)表示损失函数,Θ={W1 ,W2 ,W3 ,W4 ,B1 ,B2 ,B3 ,B4},F()表示卷积神经网络融合模型的输出,下标(i)表
示对应数据经过分块操作后得到的第i个图像块,nt为分块得到的图像块数量,λ为平衡参数, 分别表示融合后图像的光谱信息、空间信息,nb为波段数量,βj为拟合矩阵。
5.一种基于残差学习的多光谱遥感图像融合装置,包括处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-4中任意一项所述的基于残差学习的多光谱遥感图像融合方法。