Methode zur Fusion von multispektralen und panchromatischen Satellitenbildern auf der Grundlage eines zweistufigen generativen Netzwerks und eines gemeinsamen Transformers
Multispektrale Satellitenbilder verfügen über spektrale Informationen, die eine Vielzahl geologischer Merkmale widerspiegeln können, aber eine geringe räumliche Auflösung und einen relativen Mangel an Texturinformationen aufweisen. Im Gegensatz dazu verfügen panchromatische Satellitenbilder über eine hohe räumliche Auflösung und reichhaltige Texturinformationen, ihnen fehlen jedoch spektrale Informationen, die reich an geologischen Merkmalen sind. Die Bildfusionstechnik kann sie integrieren, um ihre jeweiligen Vorteile zu nutzen und das fusionierte Bild besser auf die Anforderungen nachgelagerter Aufgaben abzustimmen. In diesem Artikel wird eine Methode zur Fusion von multispektralen und panchromatischen Satellitenbildern auf der Grundlage eines zweistufigen generativen Netzwerks und eines Transformators vorgeschlagen. Genauer gesagt, verwendet die Methode zunächst ein geführtes Glätten, um die Ausgangsbilder (multispektrale und panchromatische) in Grundkomponenten zu zerlegen, die die Hauptbildinformationen darstellen und detaillierte Komponenten, die Textur- und Detailinformationen widerspiegeln; dann werden die Grundkomponenten der zerlegten multispektralen und panchromatischen Bilder zusammengeführt, ebenso die Standardkomponenten, die aus der Zerlegung gewonnen wurden; dann werden die aus den Grundkomponenten der Bilder und den Standardkomponenten zusammengeführten Grundkomponenten in den Basisteil des Generators eingeführt, und auch die aus der Zerlegung gewonnenen Standardkomponenten in den detaillierten Abschnitt eingeführt; dann werden unter Berücksichtigung der unterschiedlichen Merkmale der Grundkomponenten und der Standardkomponenten mit einem Transformator-Netzwerk und einem Faltungsschicht-Netzwerk jeweils Merkmalsinformationen extrahiert, um globale spektrale Informationen und lokale Texturinformationen aus dem Basisteil und dem detaillierten Abschnitt zu extrahieren; schließlich wird durch kontinuierliches antagonistisches Training zwischen dem Generator und den Faltungsschicht-Diskriminatoren (Grundkomponenten und detaillierten) ein fusioniertes Bild mit reichen spektralen Informatione