由于技术条件限制和工作原理不同,单一传感器一般不能获取具有高空间分辨率的多光谱遥感图像,因此多源遥感图像融合技术应运而生。融合图像不仅可以保留低空间分辨率的多光谱图像的光谱信息,同时结合了全色遥感图像丰富的空间信息,得到高空间分辨率的多光谱图像,增强其可理解性,具有重要的应用价值。传统的遥感图像融合方法通过浅层的线性关系,仅能提取图像的浅层特征,融合图像的质量不高,而基于深度学习的图像融合方法能够通过网络自动学习得到输入图像的高层特征信息,提高输出图像的融合质量;同时通过耦合多个深度网络,可以有效提取不同图像的深度特征,增强网络的表示能力。本文针对多光谱图像与全色图像融合问题,利用深度网络方法,提出了基于耦合深度神经网络的多光谱遥感图像的Pan-sharpening方法,主要研究内容包括三个方面:1.设计实现了基于耦合稀疏自编码器的Pan-sharpening算法。该方法通过两个稀疏自编码器分别提取网络的输入图像和输出图像内在特征,在自编码器的基础上添加稀疏正则项使隐层特征能够更好地表达图像信息。同时,在内在特征间建立特征映射层。并对初始化后的网络通过后向传播算法进行端到端的学习,完成训练过程。实验结果表明,所提方法的融合结果无论在视觉效果还是客观评价指标上都有明显的提高。2.提出了基于多层耦合卷积网络的Pan-sharpening算法。该算法通过两个卷积自编码器分别提取输入和输出图像的内在特征,随后利用卷积神经网络在两幅图像的内在特征之间形成特征映射层。最后对初始化后的网络通过后向传播算法进行端到端的学习,完成训练过程。在仿真数据和真实数据上的实验结果表明,本章方法不仅能很好地增强多光谱图像的空间分辨率,还能很好地对地物光谱信息进行保真。3.提出了基于耦合多尺度网络的Pan-sharpening方法。多光谱图像和全色图像的空间分辨率不同,所呈现的空间信息也不一样,因此采用不同尺度的网络分别对这两幅图像提取多尺度特征,并在特征层对不同尺度的特征进行融合。具体地,在该网络中首先利用大小不同的卷积核提取两幅输入图像的初始特征。随后,通过两个分解之后的多尺度块分别提取多光谱图像与全色图像不同尺度的内在特征,并且对两幅图像相同尺度的内在特征进行特征融合。再将不同尺度的融合特征沿光谱维连接,输入卷积神经网络模块中,生成融合图像。通过对仿真数据和真实数据的实验,验证了该方法的有效性和可行性。