[發明專利]基于光譜維控制卷積神經網絡的高光譜圖像全色銳化方法

有效

• 申請號: 201811377992.4
• 申請日: 2018-11-19
• 公開（公告）號: CN109859110B
• 公開（公告）日: 2023-01-06
• 發明（設計）人: 賀霖;朱嘉煒
• 申請（專利權）人: 華南理工大學
• 主分類號: G06T5/00
• 分類號: G06T5/00
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 何淑珍;江裕強

本發明提供了基于光譜維控制卷積神經網絡的高光譜圖像全色銳化方法，包括步驟：讀取原始高光譜圖像數據；利用高光譜圖像合成相應的全色圖像數據；對圖像數據進行預處理，獲取訓練樣本；構造光譜維控制卷積神經網絡結構；將訓練樣本輸入光譜維控制卷積神經網絡，利用自適應矩估計算法，使得損失函數穩定在最小值，從而得到最優的網絡結構參數；將經過相同預處理的測試樣本輸入至最優光譜維控制卷積神經網絡結構中，輸出處理得到高分辨率的高光譜圖像；本發明結合高光譜圖像的特性，通過對高光譜圖像光譜維的控制，能更好地修復高光譜圖像所缺失的細節信息，并減少銳化結果的光譜失真現象。

技術領域

本發明涉及遙感圖像領域，具體涉及一種基于光譜維控制卷積神經網絡的高光譜圖像全色銳化方法。

背景技術

高光譜圖像處理技術是當前遙感領域和圖像處理領域的研究熱點。與多光譜圖像和全色圖像相比，高光譜圖像除空間信息外，還包含了非常豐富的光譜信息，其在很多方面都具有重大的應用價值。但是，高光譜圖像的一個明顯不足之處在于其較低的空間分辨率。為了克服這一缺點，可采取的一個基本策略是將高光譜圖像和與其配準的高空間分辨率的全色圖像進行融合，從而得到高空間分辨率的高光譜圖像，這個融合的過程通常被稱為高光譜圖像全色銳化。傳統的高光譜圖像全色銳化方法可分為以下幾類：主成分替代法、多尺度分析法、貝葉斯法和其他算法，其中效果較為突出的是貝葉斯法。該方法用貝葉斯推斷框架把高光譜圖像全色銳化的過程公式化，進而將其演變成一個清晰的概率問題。通常，銳化問題是不適定的，而貝葉斯方法則通過定義一個合適的先驗分布來緩解這個問題。雖然貝葉斯方法銳化效果比較好，但仍存在光譜失真和空間細節修復不足的現象，而且它的運算量大，依靠極強的先驗信息才能產生最佳的效果，故在實際應用中存在一定的限制。

近年來，卷積神經網絡在圖像分類和圖像超分辨率重建等應用中取得了較為出色的效果，從優化的角度來看，卷積神經網絡與貝葉斯方法具有類似之處，都是通過觀測數據對模型參數進行估計。然而，由于高光譜圖像具有較多的光譜波段，光譜分辨率高及譜覆蓋范圍廣等特點，其與全色圖像的光譜覆蓋范圍相差較大，導致光譜覆蓋范圍以外的波段銳化效果較差。

發明內容

有鑒于此，為解決上述現有技術中的問題，本發明提供了基于光譜維控制卷積神經網絡的高光譜圖像全色銳化方法，結合高光譜圖像的特性，通過對高光譜圖像光譜維的控制，能更好地修復高光譜圖像所缺失的細節信息，并減少銳化結果的光譜失真現象。

為實現上述目的，本發明的技術方案如下。

一種基于光譜維控制卷積神經網絡的高光譜圖像全色銳化方法，包括以下步驟：

步驟1、讀取讀取原始高光譜圖像數據并用以合成相應的全色圖像數據其中L,W表示高光譜圖像的長和寬，b表示波段數；

步驟2、選取高光譜圖像數據部分區域，及其對應的全色圖像數據區域作為訓練樣本，對該樣本進行預處理后，進行分塊采樣，得到多個訓練樣本塊；

步驟3、構建光譜維控制卷積神經網絡模型，包括光譜維的壓縮、擴張以及空間細節修復三部分，均由卷積層構成，網絡的激活函數采用線性整流函數；

步驟4、利用零均值的高斯分布隨機初始化各卷積核的權重W和偏置B；

步驟5、選用歐氏距離損失函數作為輸出層，得到網絡預測圖像與參照圖像之間的歐氏距離，即損失值；

步驟6、采用自適應矩估計算法對權重和偏置進行迭代更新，當損失函數穩定在最小值時，權重和偏置尋得最優解，即得到最優光譜維控制卷積神經網絡模型；

步驟7、選取原始高光譜圖像數據另外一部分區域，及與其配準的全色圖像數據區域作為測試樣本，對該樣本進行與步驟2相同的預處理；

步驟8、將測試樣本直接輸入到步驟6得到的最優光譜維控制卷積神經網絡模型中，即可得到高分辨率的高光譜圖像。