基于深度学习的遥感图像融合的代码

以下是一个简单的基于深度学习的遥感图像融合的代码示例，使用的深度学习框架为PyTorch：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader
from torchvision.transforms import ToTensor
from torchvision.datasets import ImageFolder

class FusionNet(nn.Module):
    def __init__(self):
        super(FusionNet, self).__init__()
        self.conv1 = nn.Conv2d(3, 64, 3, padding=1)
        self.conv2 = nn.Conv2d(64, 64, 3, padding=1)
        self.conv3 = nn.Conv2d(64, 64, 3, padding=1)
        self.conv4 = nn.Conv2d(64, 64, 3, padding=1)
        self.conv5 = nn.Conv2d(64, 64, 3, padding=1)
        self.conv6 = nn.Conv2d(64, 64, 3, padding=1)
        self.conv7 = nn.Conv2d(64, 3, 3, padding=1)
        self.relu = nn.ReLU()

    def forward(self, x):
        x1 = self.relu(self.conv1(x))
        x2 = self.relu(self.conv2(x1))
        x3 = self.relu(self.conv3(x1 + x2))
        x4 = self.relu(self.conv4(x1 + x2 + x3))
        x5 = self.relu(self.conv5(x1 + x2 + x3 + x4))
        x6 = self.relu(self.conv6(x1 + x2 + x3 + x4 + x5))
        x7 = self.conv7(x6)
        return x7 + x

# 加载数据集
dataset = ImageFolder(root='path/to/dataset', transform=ToTensor())
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

# 定义模型和优化器
model = FusionNet()
criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(10):
    running_loss = 0.0
    for data in dataloader:
        inputs, _ = data
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, inputs)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
    print('Epoch %d loss: %.3f' % (epoch + 1, running_loss / len(dataset)))

# 保存模型
torch.save(model.state_dict(), 'path/to/model.pth')

这个代码示例使用的是一个简单的卷积神经网络进行遥感图像融合。具体来说，该模型将原始图像作为输入，并在其中添加一个分支，以便模型可以学习如何将两个不同波段的图像融合。最后输出的图像应该是更清晰的、更丰富的图像。在训练模型时，使用均方误差作为损失函数，并使用Adam优化器进行优化。