论文部分内容阅读
近年来随着越来越多的遥感卫星发射升空,获取遥感影像的手段也多种多样,如何有效的利用遥感影像的多源性,扬长避短,实现多源数据的优势互补,成为当今科研人员的一个研究热点问题。本文开展了遥感图像融合技术研究,在分析了TM和MODIS数据的各自特点基础上,通过融合高空间分辨率和高时间分辨率的遥感影像,得到高时空分辨率的遥感图像,从而提高农作物动态观测频率,服务现代智能化农业。本文首先对融合高空间分辨率和高时间分辨率的遥感影像的一种典型的时空自适应融合算法(STARFM算法)进行研究,发现STARFM算法存在两个不足之处:一个是融合数据反射率的方向性依赖问题,即BRDF效应问题,另一个是存在混合像元问题。针对此两种不足,本文运用Ross-Li模型对MODIS数据的BRDF效应进行矫正,并通过使用两个周期的数据来计算中心像素的反射率,来提高结果的准确性,从而降低混合像元的影响。实验结果表明改进型STARFM算法能够较好的减弱混合像元以及BRDF效应的影响,较STARFM算法,本文融合方法得到的实验结果的信源熵、相关系数、平均绝对误差、均方误差等指标均有改善。同时,近年来基于神经网络的图像融合算法,特别是基于卷积神经网络的超分辨率(SRCNN)算法的应用范围最为广泛。SRCNN的权值一般使用两种方法进行初始化,即高斯分布以及编码器赋值,这两种算法具有不确定性,对图像的重建精度有所影响,但是粒子群算法具有较好的收敛性,可用来设置较好的网络初始参数,因此本文使用PSO算法来优化卷积神经网络,初始化SRCNN权值,进而达到提高分辨率重建精度的目的。实验结果表明,引入PSO算法后可以提高卷积神经网络的遥感影像分辨率重建精度,融合后图像的信源熵、相关系数、平均绝对误差、均方误差等指标均有改善。