Avec le développement rapide des technologies de télédétection, la fusion pancromatique des images de télédétection est largement utilisée dans des domaines tels que l'exploration minière, la planification urbaine et la surveillance des risques géologiques. Cependant, les méthodes existantes de fusion pancromatique présentent généralement des problèmes de complexité de calcul élevée, ainsi qu'une extraction insuffisante des caractéristiques locales et des informations globales lors de la fusion des images pancromatiques et multispectrales. Pour remédier à cela, un réseau de fusion basé sur la convolution à perception globale (GAConv) et le Transformer (GCTNet) a été construit. Ce réseau adopte une architecture à double branche et multi-échelles pour extraire respectivement les caractéristiques spatiales et spectrales des images pancromatiques et multispectrales, et combine les modules GAConv et Transformer pour capturer efficacement les détails locaux et le contexte global, améliorant ainsi la qualité des images fusionnées. Les résultats expérimentaux montrent que, pour la tâche de fusion pancromatique sur plusieurs ensembles de données de télédétection, GCTNet obtient de meilleures performances que les méthodes avancées actuelles, améliorant significativement la qualité des images fusionnées et réduisant la complexité de calcul du modèle.

fusion d'image;traitement des images de télédétection;pancromatisme;apprentissage profond;Transformer;convolution à perception globale;représentation multi-échelle des caractéristiques;extraction des caractéristiques