[發明專利]一種三維FSRCNN的高光譜圖像超分辨率重建算法

在審

• 申請號: 202010524538.8
• 申請日: 2020-06-10
• 公開（公告）號: CN111696043A
• 公開（公告）日: 2020-09-22
• 發明（設計）人: 王文舉;唐麗晶
• 申請（專利權）人: 上海理工大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06N3/04;G06N3/08
• 代理公司: 上海德昭知識產權代理有限公司 31204
• 代理人: 郁旦蓉

1.一種三維FSRCNN的高光譜圖像超分辨率重建算法，其特征在于，包括如下步驟：

步驟1，獲取高光譜圖像，采集高光譜數據，得到高光譜數據集；

步驟2，將所述高光譜數據集按設定比例分割成第一訓練集和第二測試集，再分別對所述第一訓練集和所述第一測試集作行預處理，得到為低分辨率圖像數據集的第二訓練集和第二測試集；

步驟3，將所述第二訓練集導入訓練框架進行訓練調整優化參數，并在所述第二訓練集中劃出一小部分作為驗證集，在訓練過程中驗證所述模型的性能，最終得到訓練好的高光譜圖像超分辨率重建算法框架模型；

步驟4，用所述第二測試集在訓練好的所述高光譜圖像超分辨率重建算法框架模型上進行測試，得到測試結果，并提取某一頻段作為視覺輸出，

其中，所述步驟3中，設置參數對所述第二訓練集進行訓練得到訓練好的所述高光譜圖像超分辨率重建算法框架模型，具體包括如下子步驟：

步驟3-1，對所述低分辨率圖像訓練集進行碎片化特征提取，將大小為s₁×s₁×s₁的濾波器所提取的特征作為下一層輸入；

步驟3-2，采用大小為s₂×s₂×s₂卷積核將數據降維，得到降維數據；

步驟3-3，用兩個大小為s₃×s₃×s₃的濾波器串聯，對降維后的特征進行非線性化映射，得到參數略有變化的圖像數據；

步驟3-4，通過大小為s₂×s₂×s₂的所述濾波器將所述降維數據擴張到降維前的維度，相當于步驟3-2的逆操作，最終得到擴維后的圖像數據；

步驟3-5，采用大小為s₄×s₄×s₄的濾波器使輸出圖像與原圖像尺寸大小一致，此層的輸出即為整個卷積網絡的輸出，該輸出為卷積后的分辨率有所改善的圖像數據。

2.根據權利要求1所述的三維FSRCNN的高光譜圖像超分辨率重建算法，其特征在于：

其中，所述步驟2中的預處理具體包括如下子步驟：

對所述訓練集以及所述測試集中的所述高光譜圖像進行標準化，而后進行高斯下采樣，再通過雙立方插值將其放大到原本的尺寸，得到低分辨率圖像數據集，并將所述第二訓練集保存為h5文件，所述第二測試集保存為mat文件。

3.根據權利要求2所述的三維FSRCNN的高光譜圖像超分辨率重建算法，其特征在于：

其中，所述高光譜圖像的標準化采用min-max標準化即離差標準化對原始數據的序列x₁，x₂，……，x_n進行線性變換，使結果落到[0,1]區間，且轉換函數的公式如下：

式(1)中，max為樣本數據的最大值，min為樣本數據的最小值，新的序列y₁，y₂，……，y_n∈[0,1]且無量綱。

4.根據權利要求1所述的三維FSRCNN的高光譜圖像超分辨率重建算法，其特征在于：

其中，所述步驟2中的所述設定比例根據所述數據集的大小靈活變換。

5.根據權利要求1所述的三維FSRCNN的高光譜圖像超分辨率重建算法，其特征在于：

其中，所述步驟3在三維卷積網絡中進行，該三維卷積網絡包括6層，分別為：1個輸入層、4個卷積層和1個反卷積層，且4個所述卷積層與所述反卷積層依次與所述輸入層連接。