[發明專利]基于深度殘差網絡的高光譜圖像超分辨率重建方法及裝置

在審

• 申請號: 201811094851.1
• 申請日: 2018-09-19
• 公開（公告）號: CN109345476A
• 公開（公告）日: 2019-02-15
• 發明（設計）人: 鄧承志;顏蘇東;徐晨光;吳朝明;王軍;田偉;汪勝前
• 申請（專利權）人: 南昌工程學院
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 北京德崇智捷知識產權代理有限公司 11467
• 代理人: 楊楠

1.一種基于深度殘差網絡的高光譜圖像超分辨率重建方法，利用預先訓練的深度殘差網絡進行高光譜圖像的超分辨率重建；其特征在于，所述深度殘差網絡包含2^M個相同的殘差塊，每個殘差塊包含至少2個卷積層，各殘差塊的超參數一致，并實現權值共享，M為大于1的整數；在所述深度殘差網絡的前向傳播過程中分別以每2^j個殘差塊為一組進行分組，并為每一組殘差塊引入一個跳躍連接，j＝1，2，…，M。

2.如權利要求1所述方法，其特征在于，所述深度殘差網絡在訓練過程中所使用的訓練樣本通過以下方法得到：對高分辨率高光譜圖像進行退化處理，得到對應的低分辨率高光譜圖像；然后分別對高、低分辨率高光譜圖像進行分塊，每一對高、低分辨率高光譜圖像塊即為一個訓練樣本。

3.如權利要求1所述方法，其特征在于，M的值為4。

4.如權利要求1所述方法，其特征在于，使用ADAM算法結合BP算法對所述深度殘差網絡進行訓練。

5.如權利要求4所述方法，其特征在于，訓練過程中各卷積層的權值矩陣W與偏置b的參數更新方式具體如下：

m_t＝μ×m_t-1+(1-μ)×g_t

其中，t表示時間步長，g_t表示時間步長t的梯度，m_t是一階有偏矩估計，n_t是二階有偏矩估計，是一階偏差校正矩估計，是二階偏差校正矩估計，ε是一個非常小的正數，η是學習率，μ、υ是矩估計的指數衰減率并且μ，υ∈[0，1)，θ_t是參數矢量(W、b)，參數矢量每次更新的增量為Δθ_t。

6.一種基于深度殘差網絡的高光譜圖像超分辨率重建裝置，包括預先訓練的深度殘差網絡，用于進行高光譜圖像的超分辨率重建；其特征在于，所述深度殘差網絡包含2^M個相同的殘差塊，每個殘差塊包含至少2個卷積層，各殘差塊的超參數一致，并實現權值共享，M為大于1的整數；在所述深度殘差網絡的前向傳播過程中分別以每2^j個殘差塊為一組進行分組，并為每一組殘差塊引入一個跳躍連接，j＝1，2，…，M。

7.如權利要求6所述裝置，其特征在于，所述深度殘差網絡在訓練過程中所使用的訓練樣本通過以下方法得到：對高分辨率高光譜圖像進行退化處理，得到對應的低分辨率高光譜圖像；然后分別對高、低分辨率高光譜圖像進行分塊，每一對高、低分辨率高光譜圖像塊即為一個訓練樣本。

8.如權利要求6所述裝置，其特征在于，M的值為4。

9.如權利要求6所述裝置，其特征在于，使用ADAM算法結合BP算法對所述深度殘差網絡進行訓練。

10.如權利要求9所述裝置，其特征在于，訓練過程中各卷積層的權值矩陣W與偏置b的參數更新方式具體如下：

m_t＝μ×m_t-1+(1-μ)×g_t

其中，t表示時間步長，g_t表示時間步長t的梯度，m_t是一階有偏矩估計，n_t是二階有偏矩估計，是一階偏差校正矩估計，是二階偏差校正矩估計，ε是一個非常小的正數，η是學習率，μ、υ是矩估計的指數衰減率并且μ，υ∈[0，1)，θ_t是參數矢量(W、b)，參數矢量每次更新的增量為Δθ_t。