[發明專利]一種高分辨率高光譜計算成像方法、系統及介質

有效

• 申請號: 202110395614.4
• 申請日: 2021-04-13
• 公開（公告）號: CN112801881B
• 公開（公告）日: 2021-06-22
• 發明（設計）人: 李樹濤;佃仁偉;郭安靜;康旭東;孫斌;方樂緣;盧婷
• 申請（專利權）人: 湖南大學
• 主分類號: G06T3/40
• 分類號: G06T3/40;G06N3/04
• 代理公司: 湖南兆弘專利事務所(普通合伙) 43008
• 代理人: 譚武藝

本發明公開了一種高分辨率高光譜計算成像方法、系統及介質，本發明方法包括：對輸入的RGB圖像Y進行光譜上采樣得到初始高光譜圖像X₀；將初始高光譜圖像X₀輸入到預先完成訓練的成像模型引導的深度卷積神經網絡，通過迭代求解得到高光譜圖像X，該深度卷積神經網絡由多個具有相同結構的模塊級聯構成，每一個模塊由高光譜先驗學習模塊HPL和成像模型引導模塊IMG構成，高光譜先驗學習模塊HPL用于學習上一個模塊或者初始高光譜圖像X₀的上采樣結果的先驗特征。本發明能夠有效實現RGB圖像到高分辨率的高光譜圖像的重構，具有重構精度高、計算效率高、內存消耗小、泛化能力強的優點。

技術領域

本發明涉及高分辨高光譜成像技術，具體涉及一種高分辨率高光譜計算成像方法、系統及介質。

背景技術

高光譜成像技術能夠同時獲得幾十上百個光譜波段的圖像信息，豐富的光譜信息有助于對場景內物質的準確識別，因此高光譜成像技術被廣泛地應用于對地觀測、軍事監測、環境監測、地質勘探、醫學檢測和人臉識別等多個領域。但是由于光學成像系統的限制，現有光學成像系統難以直接獲取高分辨率高光譜圖像。同時，光譜成像設備的造價昂貴，極大地限制了高光譜圖像的應用。另一方面，現有的成像系統可獲得高分辨率的RGB圖像且RGB相機成本低。通過RGB圖像獲得高分辨率高光譜圖像是一種經濟且有效的途徑，該過程通常被稱為光譜超分辨率。

目前流行的光譜超分辨率方法可以分為基于模型優化的方法和基于深度卷積神經網絡的方法。基于模型優化的方法假設RGB圖像可以由高光譜圖像下采樣得到。該類方法通過最大后驗概率估計，將圖像成像模型和給定的圖像先驗信息結合起來估計高光譜圖像。而這些預先給定的先驗信息往往并不能很好的描述圖像的特性，容易造成光譜和空間信息的失真。

深度卷積神經網絡能夠有效地學習圖像的先驗信息，基于數據驅動的深度卷積神經網絡已被廣泛應用于光譜超分辨，該類方法通過RGB圖像和相應的高光譜圖像對網絡進行預訓練，從而獲得最佳參數。然而該類方法往往忽略了光譜超分辨中的成像模型，這限制了卷積神經網絡的性能。

發明內容

本發明要解決的技術問題：針對現有技術的上述問題，提供一種高分辨率高光譜計算成像方法、系統及介質，本發明能夠有效實現RGB圖像到高分辨率的高光譜圖像的重構，具有重構精度高、計算效率高、內存消耗小、泛化能力強的優點。

為了解決上述技術問題，本發明采用的技術方案為：

一種高分辨率高光譜計算成像方法，包括：

1）對輸入的RGB圖像Y進行光譜上采樣得到初始高光譜圖像X₀；

2）將初始高光譜圖像X₀輸入到預先完成訓練的成像模型引導的深度卷積神經網絡，通過迭代求解得到高光譜圖像X。

可選地，步驟1）中對輸入的RGB圖像Y進行光譜上采樣得到初始高光譜圖像X₀的函數表達式為：

（1）

上式中，為光譜響應函數R的廣義逆。

可選地，步驟2）中的成像模型引導的深度卷積神經網絡由多個具有相同結構的模塊構成，且多個模塊之間級聯連接，每一個模塊的輸入包括初始高光譜圖像X₀、上一個模塊或者初始高光譜圖像X₀的上采樣結果，且由最后一個模塊輸出得到高光譜圖像X。

可選地，所述模塊由高光譜先驗學習模塊HPL和成像模型引導模塊IMG構成，所述高光譜先驗學習模塊HPL用于學習上一個模塊或者初始高光譜圖像X₀的上采樣結果的先驗特征，所述成像模型引導模塊IMG用于基于輸入的初始高光譜圖像X₀、高光譜先驗學習模塊HPL輸出的先驗特征，根據成像模型來優化學習到的特征。