Mit der schnellen Entwicklung der Fernerkundungstechnologie findet die panchromatische Scharfzeichnung von Fernerkundungsbildern breite Anwendung in den Bereichen Bergbauerkundung, Stadtplanung und geologische Gefahrenüberwachung. Die bestehenden Methoden der panchromatischen Scharfzeichnung weisen jedoch allgemein Probleme wie hohe Rechenkomplexität und unzureichende Extraktion lokaler Merkmale und globaler Informationen bei der Fusion von panchromatischen und multispektralen Bildern auf. Daher wurde ein Fusionsnetzwerk basierend auf global wahrnehmenden Faltungen (GAConv) und Transformer (GCTNet) entwickelt. Dieses Netzwerk verwendet eine zweigleisige Multiskalen-Architektur zur Extraktion räumlicher und spektraler Merkmale von panchromatischen und multispektralen Bildern und kombiniert GAConv-Module mit Transformer-Modulen, um lokale Details und globalen Kontext effektiv zu erfassen und so die Qualität der fusionierten Bilder zu verbessern. Experimentelle Ergebnisse zeigen, dass GCTNet in der panchromatischen Scharfzeichnungsaufgabe auf mehreren Fernerkundungs-Datensätzen im Vergleich zu derzeit führenden Methoden eine bessere Leistung erzielt, die Qualität der fusionierten Bilder erheblich verbessert und die Rechenkomplexität des Modells reduziert.

Bildfusion;Fernerkundungsbildverarbeitung;panchromatische Scharfzeichnung;Deep Learning;Transformer;global wahrnehmende Faltung;multiskalige Merkmalsdarstellung;Merkmalsextraktion