[發明專利]基于層級特征融合的卷積神經網絡高光譜圖像銳化方法

有效

• 申請號: 201910698750.3
• 申請日: 2019-07-31
• 公開（公告）號: CN110544212B
• 公開（公告）日: 2023-04-25
• 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;G06V10/82;G06V10/80;G06N3/0464;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 王東東

本發明公開了基于層級特征融合的卷積神經網絡高光譜圖像銳化方法，包括，讀取原始高光譜圖像數據；合成全色圖像數據；對獲取的圖像數據進行分塊處理，得到訓練樣本對；構造基于層級特征融合的卷積神經網絡結構；將訓練樣本對輸入至基于層級特征融合的卷積神經網絡，利用隨機梯度下降算法，使訓練誤差逐步降低，直到維持在可接受范圍內，從而得到最優網絡參數；將測試樣本對輸入至此最優網絡中，輸出高空間分辨率的高光譜圖像。本發明能有效地降低網絡訓練耗時，緩解光譜失真的現象，增強其銳化效果。

技術領域

本發明涉及遙感圖像領域，具體涉及一種基于層級特征融合的卷積神經網絡高光譜圖像銳化方法。

背景技術

光學遙感圖像處理旨在通過遠距離的輻射信號地傳遞，以非接觸的方式獲取地面上各種資源或目標的信息從而進行檢測和識別等任務。根據遙感圖像的光譜分辨率，可將其分為高光譜圖像、多光譜圖像和全色圖像。高光譜圖像具有上百個連續光譜波段，除了空間信息之外，還可提供對于資源勘測和目標識別而言非常重要的光譜信息。但是，它的不足之處在于空間分辨率較低，會限制其的實際應用。為了解決這一問題，提出了將高光譜圖像與高空間分辨率的全色圖像進行融合的方法，以實現對前者的銳化處理。目前，大致可將已有的算法分為四類，分別是成分替代法、多分辨率分析法、矩陣分解法和貝葉斯估計法。這些算法有的計算效率高，有的恢復的細節較多，有的則是能較好地防止光譜失真，但是相對于實際需求來說，已有的算法仍存在或多或少的不足之處。

近年來，由于具備強大的學習能力，卷積神經網絡技術受到了圖像處理領域的廣泛重視。本發明基于卷積神經網絡來設計高性能的高光譜圖像銳化方法。考慮到高光譜圖像的光譜波段覆蓋范圍廣，且相鄰波段間相似度高，使得全色圖像難以精確地修復每個波段的空間細節信息。

發明內容

為了增強卷積神經網絡應用于高光譜圖像銳化時的空間信息修復能力和光譜信息保護能力，本發明提供了一種基于層級特征融合的卷積神經網絡高光譜圖像銳化方法。

為了實現以上目的，本發明采用如下技術方案：

一種基于層級特征融合的卷積神經網絡高光譜圖像銳化方法，包括如下步驟：

S1讀取原始高光譜圖像數據合成全色圖像數據其中L和W分別表示高光譜圖像的長和寬，b表示波段數；

S2選取高光譜圖像訓練區域，及其對應的全色圖像區域作為訓練樣本對，進行預處理后，分塊采樣，得到多個訓練樣本塊；

S3構建基于層級特征融合的卷積神經網絡；

S4利用零均值的高斯分布隨機初始化各卷積核的權重和偏置；

S5選用歐氏距離損失函數作為輸出層，得到網絡輸出高光譜圖像與理想高光譜圖像之間的歐氏距離，即訓練誤差；

S6對權重和偏置進行迭代更新優化，當訓練誤差維持在預設范圍內時，權重和偏置為最優解，即得到基于層級特征融合的最優卷積神經網絡；

S7選取原始高光譜圖像測試區域，及與其相應的全色圖像區域作為測試樣本；

S8將S7的測試樣本對直接輸入到S6得到的基于層級特征融合的最優卷積神經網絡得到高空間分辨率的高光譜圖像。

所述S1中全色圖像是通過將獲取的高光譜圖像中的可見光譜范圍內的波段進行加權求和得到。

所述S2選取高光譜圖像訓練區域，及其對應的全色圖像區域作為訓練樣本對，進行預處理后，分塊采樣，得到多個訓練樣本塊，具體為：

S2.1預處理：選取高光譜圖像的部分區域作為訓練區域，利用高斯濾波器對其進行平滑處理，再進行s倍的下采樣，得到低分辨率地高光譜圖像訓練樣本其中滿足表達式：L＝sl，W＝sw，接著對進行s倍的上采樣，得到所述s取4。