基于深度卷积时空融合网络的遥感图像融合

1. 引言

遥感图像融合技术旨在整合来自不同传感器的数据，生成比单一传感器数据更丰富、更全面的信息。传统融合方法通常依赖于手工设计的活动水平测量和融合规则，这些方法在处理复杂多变的实际数据时存在局限性，例如对噪声敏感、依赖先验知识等。

2. 相关工作

现有的遥感图像融合方法主要分为两类：基于变换的方法和基于学习的方法。

基于变换的方法 通常先将输入图像变换到其他域（如频率域），然后在变换域进行融合，最后再反变换回空间域。这类方法的代表性方法包括基于非混合数据融合 (UBDF) 方法、灵活的时空数据融合 (FSDAF) 方法以及空间吸引模型 (SAM) 等。
基于学习的方法 则利用稀疏表示或机器学习技术从数据中学习特征，并利用学习到的特征进行图像重构。例如，基于稀疏表示的时空反射融合模型 (SPSTFM) 就利用了 HTLS 和 LTHS 数据对共享相同稀疏系数的假设，通过联合学习稀疏字典实现高分辨率图像的重构。

3. 深度卷积时空融合网络 (DCSTFN)

为了克服传统方法的局限性，本文提出了一种基于深度卷积时空融合网络 (DCSTFN) 的新型遥感图像融合方法。DCSTFN 通过构建深度学习模型，自动学习高时空分辨率图像 (HTLS) 和低时空分辨率图像 (LTHS) 之间的非线性映射关系，从而实现高精度的图像融合。

3.1 模型结构

DCSTFN 模型主要由卷积层和反卷积层组成。

卷积层 用于提取图像的特征，并通过多层网络结构逐渐学习更抽象、更高级的特征表示。* 反卷积层 则将卷积层提取的特征映射回原始图像的空间分辨率，实现图像的重构。

3.2 优势

相比于传统方法，DCSTFN 具有以下优势：

自动学习特征: DCSTFN 无需手工设计特征，而是通过深度学习模型自动从数据中学习最优的特征表示，从而提高融合精度。* 鲁棒性强: DCSTFN 对噪声和数据质量变化的鲁棒性更强，能够适应更复杂的实际应用场景。* 通用性好: DCSTFN 可以应用于各种数据源，包括不同传感器、不同分辨率的遥感图像。

4. 实验结果

为了验证 DCSTFN 的有效性，本文使用 Landsat 8 OLI 和 MODIS 地表反射率图像进行了实验。实验结果表明，DCSTFN 方法在视觉效果和定量指标上均优于传统的融合方法，例如基于非混合数据融合 (UBDF) 方法、灵活的时空数据融合 (FSDAF) 方法以及空间吸引模型 (SAM) 等。

5. 结论

本文提出了一种基于深度卷积时空融合网络 (DCSTFN) 的遥感图像融合方法。DCSTFN 通过深度学习模型自动学习 HTLS 和 LTHS 图像之间的非线性映射关系，实现了高精度、高鲁棒性的图像融合。实验结果表明，DCSTFN 方法优于传统方法，具有广泛的应用前景。