基于位置感知神经网络的多分辨率多光谱图像的鲁棒递归融合方法 李浩清（Haoqing Li）， 里卡多·博尔索伊（Ricardo Borsoi）， 塔尔斯·因比里巴（Tales Imbiriba）， 保乌·克洛萨斯（Pau Closas）

《Remote Sensing》：Robust Recursive Fusion of Multi-Resolution Multispectral Images with Location-Aware Neural Network Haoqing Li, Ricardo Borsoi, Tales Imbiriba and Pau Closas

　　

摘要

多分辨率图像融合技术多年来一直被研究，旨在解决遥感仪器在时间和空间分辨率之间的权衡问题，并已广泛应用于监测洪水等自然现象。尽管相关研究很多，但如何有效减少异常值（如云层和阴影导致的误差）对卫星图像融合的影响尚未得到充分解决。此外，目前还缺乏结合鲁棒性、递归操作和学习模型的策略。在本文中，我们设计了一种基于位置感知神经网络（NN）的鲁棒递归图像融合框架来模拟图像动态。异常值通过表示某个像素和波段被污染的概率来建模。在小型数据集上训练的神经网络模型能够准确预测图像的随机变化趋势，从而提高该方法的准确性和鲁棒性。我们提出了一种递归方法，利用贝叶斯变分推理框架来估计高分辨率图像。实验结果表明，与基准KF算法相比，该方法在无云覆盖情况下可将估计图像的均方根误差（RMSE）和误分类率降低超过；在有云覆盖情况下，该效果可降低超过。这表明，所提出的方法在面对云层干扰时具有更强的鲁棒性，并且在无云情况下仍能保持良好的性能。