結(jié)合卷積注意模塊與卷積自編碼器的細(xì)節(jié)注入遙感圖像融合

李明，劉帆，李婧芝

（太原理工大學(xué) 大數(shù)據(jù)學(xué)院，山西 晉中 030600）

0 引言

遙感圖像融合的目的是將多源圖像綜合成高質(zhì)量圖像，以提高圖像信息的利用率、提升原始圖像的空間分辨率和光譜分辨率，利于監(jiān)測(cè)［1］。其中，全色圖像具有較高的空間分辨率，多光譜圖像具有豐富的光譜信息，利用其互補(bǔ)信息生成具有高空間分辨率的多光譜波段圖像［2］，提高圖像的可視效果。

目前遙感圖像融合的方法主要分為四種類(lèi)型［2］：1）分量替換（Component Substitution，CS），如強(qiáng)度-色調(diào)-飽和度（Intensity Hue Saturation，IHS）變換［3］，主成分分析（Principal Component Analysis，PCA）［4］和Gram-Schmidt（GS）［1］等；2）多分辨率分析（Multiresolution Analysis，MRA），如非下采樣Contourlet 變換（Non-Subsample Contourlet Transform，NSCT）［5］和非下采樣剪切波變換（Non-Subsample Shearlet Transform，NSST）［2］等；3）變分優(yōu)化（Variational Optimization，VO），如基于貝葉斯［6］和稀疏表示［7］等；4）機(jī)器學(xué)習(xí)（Machine Learning，ML）［2］，如基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）［8］、對(duì)抗神經(jīng)網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）［9］和條件隨機(jī)場(chǎng)（Conditional Random Field，CRF）［10］等。然而大部分算法需要設(shè)計(jì)復(fù)雜的融合規(guī)則，且仍然存在不同程度的細(xì)節(jié)缺失和光譜失真情況。近年來(lái)，基于VO/ML 算法與CS/MRA 算法的混合模型算法被提出，并取得顯著的效果。混合模型算法將光譜信息與空間細(xì)節(jié)信息分開(kāi)處理，在光譜信息保留上有了很大的提升，如基于稀疏表示的細(xì)節(jié)注入（Detail injection based Sparse Representation，SR-D）［11］與基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像融合（Detail injection based Convolutional Neural Network，Di-PNN）［12］。但是僅依靠淺層網(wǎng)絡(luò)獲取的融合圖像仍存在圖形特征提取不完全，導(dǎo)致圖像信息保留不全面、信息缺失和冗余信息等問(wèn)題［2］，使得融合圖像的空間信息和光譜信息沒(méi)有得到有效的表達(dá)，在細(xì)節(jié)信息和光譜信息上有很大的提升空間。

為了解決上述問(wèn)題，本文提出結(jié)合卷積注意模塊、高斯濾波器和卷積自編碼器作為新的混合模型的融合算法。……