基于半监督学习和局部不相似性的全色锐化方法研究.pdf

目录

摘要I

AbstractIII

第一章绪论1

1.1研究的目的和意义1

1.2数据集2

1.2.1常用卫星参数3

1.2.2数据集制作3

1.3图像质量评价指标4

1.3.1降分辨率数据评价指标4

1.3.2全分辨率数据评价指标5

1.4论文研究内容及贡献6

1.5论文的组织结构7

1.6本章小结7

第二章国内外研究现状9

2.1成分替代法9

2.2多分辨率分析法10

2.3基于退化模型的方法11

2.4基于深度学习的方法13

第三章基于跨分辨率半监督对抗学习的全色锐化方法17

3.1与现有基于对抗学习的方法比较18

3.2本章方法18

3.2.1总体框架18

3.2.2无监督模块19

3.2.3监督模块21

3.2.4跨分辨率对抗学习21

3.2.5结构细节22

3.3实验23

3.3.1实验设置23

3.3.2降分辨率数据集上的实验24

3.3.3全分辨率数据集上的实验29

3.3.4消融实验32

3.3.5共享策略35

3.3.6效率分析36

3.3.7测试模型的选择36

3.4本章小结37

第四章基于深度多尺度局部不相似先验的全色锐化方法39

4.1局部不相似39

4.2本章方法41

4.2.1总体框架41

4.2.2特征提取模块42

4.2.3局部不相似推理43

4.2.4局部不相似引导的注意力块44

4.2.5损失函数45

4.3实验结果与分析45

4.3.1实验设置45

4.3.2降分辨率数据集的实验46

4.3.3全分辨率数据集的实验49

4.3.4不同空间中的局部不相似51

4.3.5不同局部不相似图的影响53

4.3.6不同操作算子的影响54

4.3.7尺度数量55

4.3.8消融实验55

4.3.9复杂度对比56

4.4本章小结57

第五章总结和展望59

5.1全文总结59

5.2未来工作展望60

参考文献61

攻读硕士学位期间的主要成果71

致谢73

摘要

全色锐化指的是融合高空间分辨率的全色图像和低空间分辨率的多光谱图像，进而

得到高空间分辨率的多光谱图像，是下游任务（如：目标检测和分类）的基础。目前，

基于深度学习的全色锐化方法备受关注，虽然数据驱动的深度学习方法在视觉效果、定

量指标上取得不错的领先，但是，对训练数据的质量和结构具有较强的依赖性，数据是

否有标签即是佐证。有监督的深度学习方法在降分辨率数据上训练，因此这类方法在融

合全分辨率数据时往往出现性能下降的问题，无监督的方法可以缓解这个问题，但是由

于无监督的方法没有参考图像的指导，因此训练过程往往难以收敛；除此之外，大部分

基于深度学习的方法忽视了全色图像和多光谱图像之间存在的局部不相似问题，这将对

融合结果产生不利的影响。考虑到目前基于深度学习的全色锐化方法存在的上述问题，

本文提出了一些改进，具体内容如下：

1、提出了一个半监督对抗学习框架，共同学习全分辨率和降分辨率数据的重建。具

体地，我们提出了一个跨分辨率半监督