所属领域： A 电子信息技术

技术成果简介

该技术以卷积神经网络为框架，利用深度学习端到端的自动优化参数优势，将低分辨率的多/高光谱图像，及其配对的高分辨率全色图像作为卷积神经网络的输入，从而输出高空间分辨率的多/高光谱图像。根据所处理的图像特性（如不同地物类别的光谱差异性）及常见的图像处理模型（如细节注入模型等），对卷积神经网络的具体结构进行设计，增强所设计卷积神经网络的可解释性。与传统方法相比，本团队所提出的基于卷积神经网络多/高光谱遥感图像全色锐化算法所生成的高分辨率高光谱图像的光谱误差角平均下降 34.47%，峰值信噪比提高 8.61%，说明该技术在满足多/高光谱遥感图像全色锐化的空间分辨率基本要求的前提下，能有效地保持原始地物光谱特性不变，降低锐化算法对后续多/高光谱遥感图像应用的影响

技术成果前景

该技术能够在有限的成像硬件设备的约束下，实现高光谱图像空间分辨率的提升，为后续的精准地物目标识别提供数据支持。此外，该技术能够以端到端的方式，通过借助卷积神经网络自动学习的优势，大幅提升全色锐化算法各个变量的性能，有利于处理更为复杂的遥感场景及空间质量更差的高光谱图像，极大地降低遥感图像传感器在制造过程、成像空间分辨率上的经济成本投入。