[發明專利]一種基于細節內嵌注入卷積神經網絡高光譜圖像銳化方法

有效

• 申請號: 201911046768.1
• 申請日: 2019-10-30
• 公開（公告）號: CN110807746B
• 公開（公告）日: 2023-03-21
• 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

本發明提供一種基于細節內嵌注入卷積神經網絡高光譜圖像銳化方法。所述方法包括以下步驟：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；構造基于細節內嵌注入的卷積神經網絡結構；將訓練樣本對輸入至基于細節內嵌注入的卷積神經網絡，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，特別涉及一種基于細節內嵌注入卷積神經網絡高光譜圖像銳化方法。

背景技術

隨著遙感應用領域日益發展，多光譜圖像已不足以滿足當前需求，光譜分辨率更高的高光譜圖像成為重點研究對象。高光譜圖像雖然光譜分辨率高，但是其較低的空間分辨率一直限制其廣泛應用。為了提升高光譜圖像的空間分辨率，可通過兩種途徑：超分辨率和全色銳化。前者將低分辨率的高光譜圖像作為輸入，利用其固有特性作為先驗信息，直接進行銳化處理；后者將低空間分辨率的高光譜圖像和高空間分辨率的全色圖像作為輸入，利用圖像融合將全色圖像的空間細節信息注入至高光譜圖像中，以提升其空間分辨率。兩種方法相比，全色銳化相當于在超分辨率的基礎上，加入全色圖像的導向作用，能進一步提升銳化效果。全色銳化的代表算法有矩陣分解、貝葉斯算法和導向濾波器等，這些方法都在有效地提升高光譜圖像的空間分辨率，但均存在較為顯著的光譜失真現象，即銳化后圖像的光譜特性發生了較為明顯的改變。因此，對于高光譜圖像全色銳化算法，亟待解決的問題是如何實現既能提升高光譜圖像的空間分辨率，同時又能很好地保持光譜特性。

近年來，由于其強大的學習能力，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全色銳化方法?？紤]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，因此本發明提出一種基于細節內嵌注入卷積神經網絡高光譜圖像銳化方法。通過將高光譜圖像所缺失的細節信息逐層分解，使得每層網絡的學習更具有針對性，最后將不同層次的細節信息綜合在一起，得到高空間分辨率的高光譜圖像，這樣不僅能使其光譜特性不受破壞，而且使得整個網絡能夠合理地分配資源去學習高光譜圖像所缺失的空間細節信息，大大降低了網絡的訓練耗時。

發明內容

本發明是為了增強卷積神經網絡應用于高光譜圖像全色銳化時的空間信息修復能力和光譜信息保護能力，提供了一種基于細節內嵌注入卷積神經網絡高光譜圖像銳化方法。

本發明的目的至少通過如下技術方案之一實現：

一種基于細節內嵌注入卷積神經網絡高光譜圖像銳化方法，包括以下步驟：

步驟1：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；表示全體實數集合；

步驟2：選取高光譜圖像數據訓練區域，將高光譜圖像數據訓練區域及其對應的全色圖像數據區域作為訓練樣本對，進行預處理后，對訓練樣本對進行分塊采樣，得到多個訓練樣本塊；

步驟3：構建基于細節內嵌注入的卷積神經網絡；

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矩陣W和偏置矩陣B；

步驟5：選用歐式距離損失函數對卷積神經網絡進行訓練，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；

步驟6：采用隨機梯度下降算法對權重和偏置進行迭代更新優化，當訓練誤差維持在可接受范圍內時，此時的各卷積核的權重矩陣和偏置矩陣為最優解，即得到基于細節內嵌注入的最優卷積神經網絡；

步驟7：選取原始高光譜圖像數據測試區域及與其相應的全色圖像數據區域作為測試樣本；