原名:NDVI-Net: A fusion network for generating high-resolution normalized difference vegetation index in remote sensing
译名:一种用于在遥感中生成高分辨率归一化差分植被指数的融合网络——NDVI-Net
期刊:ISPRS Journal of Photogrammetry and Remote Sensing (IF:11.774)
发表时间:2020.08
DOI:10.1016/j.isprsjprs.2020.08.010
研究背景
NDVI自1979年被提出后到已成为遥感领域植被表征性能重要的指标之一,然而受传感器性能的影响,遥感卫星很难获得高分辨率的多光谱影像,因此,这便导致所获得的NDVI分辨率较低,在很大程度上限制了后续应用的准确性。所以需要开发一种生成高分辨率NDVI的技术,现有的获取到HRNDVI的方法是基于全色锐化的方法,通过HRPAN和LRMS来获得HRMS,再由HRMS获得HRNDVI,但是在获取HRMS过程中存在着许多问题,例如精度、失真等,这样计算得出的HRNDVI会更加不准确。所以本文提出了NDVI-NET——一种新的基于多尺度和注意力机制的NDVI融合双分支网络,该网络能够产生失真较小的HRNDVI,可以直接在NDVI图像上进行融合来生成HRNDVI。
研究方法
首先我们引入了HRVI(HRVI引入全景图像的空间信息),同时保证其纹理结构尽可能接近NDVI图像,从而降低精确纹理重建的难度。然后设计了一个特定的网络来保存微小而复杂的纹理。这是一个由两个分支组成的网络,即NDVI分支和HRVI分支。在第一阶段,在这两个分支中使用多尺度信道增强块(MS-CE blocks)。在这个块中,我们使用不同尺度的卷积进行特征提取。然后,通道注意力机制根据融合目标在每次多尺度卷积后选择性地增强更重要的特征。在此过程中,在HRVI分支的每一层过滤的空间特征被单向注入到NDVI分支,以提高特征的空间结构质量。在第二阶段,我们使用空间增强块(SI blocks)沿像素位置选择性地加权由先前的NDVI分支网络生成的特征,这可以进一步增强具有小细节的特征信息的保留。最后,从具有高表达能力的特征中重构出高质量的HRNDVI,其中包含清晰准确的纹理细节。
NDVI分支是从遥感影像中恢复高分辨率植被指数的主要分支,其强度分布特征可以从遥感影像中获得。HRVI分支的作用是从HRVI提取和选择空间纹理特征,然后将其注入NDVI分支,以便NDVI分支能够生成具有合理强度分布和清晰空间纹理的高分辨率植被指数。
图1 NDVI-NET 整体流程框架
图2 NDVI-NET 网络架构
研究结果
1. 定性比较
从QuickBird和GF-2中选择两个典型的图像对来定性地展示我们提出的方法的特征。
NDVI-NET在强度分布和纹理细节方面均优于其他方法。
图3 QuickBird:不同NDVI融合方法的定性比较。
图4 GF-2:不同NDVI融合方法的定性比较。
我们提供了每种方法的结果和参考HRNDVI之间的残留图像,以展示失真的程度。显然,与其他方法相比,NDVI-NET残留图像是最暗的,这显示了NDVI-NET的高保真特性。
图5 QuickBird:各方法融合NDVI和参考的LRNDVI之间的残差图
图6 GF-2:各方法融合NDVI和参考的LRNDVI之间的残差图
2. 定量比较
选取了RMSE,GMSD,SSIM,CC,VIF,IFC 六个指标对七种方法与NDVI-NET进行定量比较。
表1:QuickBird数据集
表2:GF-2数据集
(RMSE、GMSD数值越小越好;SSIM、CC、VIF、IFC数值越大越好)
3. HRVI定义的验证
原始的:
R是LRMS影像R、G、B波段的平均值
改进的:
R是LRMS影像的红波段进行双三次上采样后的值
图7 HRVI定义的验证对比
4. 消融实验
(1)HRVI分支分析
HRVI分支的作用是从HRVI图像中提取空间纹理特征,并将其注入NDVI分支,从而提高高分辨率植被指数的重建质量。
图8 HRVI分支消融实验
WITH:空间纹理细节更丰富、清晰。
(2)MS-CE blocks
多尺度通道增强块用于在第一阶段提取和筛选两个分支中的重要特征。(对比验证用普通卷积层代替)
图9 MS-CE块消融实验
WITHOUT:局部块出现人工白色阴影。WITH更接近于参考影像。
(3)SI blocks
空间增强块是有选择地增强或抑制沿像素对应空间位置的所有特征,因此可以在之前的MS-CE块的基础上进一步加强对小细节的保留。
图10 SI块消融实验
WITH:可以更好地保留那些微小的纹理,如突出显示的植被之间的间隙和边缘。
5. 空间注入可视化
HRVI分支的空间纹理特征被单向注入NDVI分支,从而为高分辨率植被指数重建提供空间信息。
图11 空间注入可视化
可以看出,从HRVI分支注入NDVI分支的特征包含非常丰富的空间纹理信息。此外,NDVI分支的NDVI层1的输出特征具有由转置卷积引起的棋盘效果,并且纹理细节模糊。随着HRVI分支空间特征的输入,NDVI分支特征的纹理细节逐渐丰富,棋盘格效应逐渐消除。
6. NDVI-NET泛化性能实验
在GF-2数据集上进行了训练,然后在QuickBird数据集上进行了测试,PNN方法相同。
NORMAL:训练和测试都在QuickBird数据集上
TRANSFER:GF-2数据集 PNN和NDVI-NET均有性能下降,但参数和效果均优于PNN。
图12 泛化性能实验可视化
表3 QuickBird数据集上进行PNN和NDVI-NET对比
7. 植被探测和增强实验
图13 植被检测和增强实验的流程图
图14 植被检测量化结果
注:NDVI-NET可以更准确地检测高速公路上的绿化带和它们之间的间隙。相比之下,其他方法要么无法检测到它们,要么检测到的纹理不够精细。
图15 植被增强量化结果
表2 植被检测和变化各方法之间的定量比较
8. 土地覆盖制图应用
实施基于NDVI的土地覆盖制图,其中覆盖物分为三类,即水、裸地或建筑物和植被。
图16 土地覆盖制图结果
表5 土地覆盖制图结果各方法定量比较
结论
1.NDVI-NET生成的LRNDVI具有精确的亮度分布和清晰的纹理细节,大量的定性和定量实验证明了我们的NDVI网络在主观视觉效果和定量指标方面优于最先进的方法。
2.NDVI-NET具有良好的泛化性能,可以更好地迁移到其他的卫星数据。
3.在植被探测和增强以及土地覆盖制图方面的扩展应用进一步证明了我们方法的优势。
引用格式
Zhang, Hao & Ma, Jiayi & Chen, Chen & Tian, Xin. (2020). NDVI-Net: A fusion network for generating high-resolution normalized difference vegetation index in remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing. 168. 182-196. 10.1016/j.isprsjprs.2020.08.010.
转自:“科研圈内人”微信公众号
如有侵权,请联系本站删除!