21、基于深度学习融合技术的马杜赖遥感图像土地利用/土地覆盖分类完整框架

基于深度学习融合技术的马杜赖遥感图像土地利用/土地覆盖分类完整框架

1. 引言

遥感图像分类多年来一直是热门研究课题，不同研究者在此期间取得了诸多进展。在分类过程中，应用了众多不同的算法和方法。部分方法通过提取特征来提升性能，有些专注于特征选择或降维，还有些则着重于分类方法的改进。然而，多数研究忽略了图像融合领域。

图像融合旨在整合多源图像中的重要必要细节，生成单一的融合图像。常用于融合的图像包括多光谱（MS）、全色（PAN）和高光谱（HS）图像。其主要目标是在空间和光谱方面创建分辨率更高的图像。多光谱图像的优势在于高光谱分辨率，而全色图像则具有高空间分辨率。目前，已经提出了许多用于遥感图像融合的方法。

为了获得最佳融合图像，有多种不同的处理方式：
- 一种方法采用自适应IHS方法，然后使用多尺度引导滤波器进行重复滤波。具体过程是先获取MS图像的强度分量，接着从PAN图像中提取详细信息，生成信息增益，最终得到融合图像。
- 基于稀疏模型的方法能够产生丰富的特征表示和更好的结果。该方法直接使用输入图像训练分析算子，并采用几何分析算子学习方法对低分辨率的多光谱和全色图像进行上采样。
- Kai Zhang等人使用基于稀疏编码的卷积结构稀疏编码（CSSC）方案进行图像融合。该系统将卷积稀疏编码与MS和PAN图像关系相结合，通过引入结构稀疏性详细阐述CSSC，最后通过替代优化计算特征图并重建融合图像。
- 基于字典的学习方法也用于图像融合，借助深度神经网络提取有效特征。该方法利用CNN将MS和PAN图像相结合，通过超像素而非像素处理整个过程，引入CNN基于超像素的局部区域表示提取联合特征表示，并基于特征融合提出了深度多实例学习的完整学习框架，将全色