[發明專利]基于深度細節注入網絡的高光譜全色銳化方法在審
| 申請號： | 202110602214.6 | 申請日： | 2021-05-31 |
| 公開（公告）號： | CN113284067A | 公開（公告）日： | 2021-08-20 |
| 發明（設計）人： | 趙明華;李停停;胡靜;寧家偉 | 申請（專利權）人： | 西安理工大學 |
| 主分類號： | G06T5/00 | 分類號： | G06T5/00;G06T3/40;G06K9/46;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 西安弘理專利事務所 61214 | 代理人： | 王敏強 |
| 地址： | 710048 陜*** | 國省代碼： | 陜西;61 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 深度 細節 注入 網絡 光譜 全色 銳化 方法 | ||
1.基于深度細節注入網絡的高光譜全色銳化方法，其特征在于，具體按照以下步驟實施：
步驟1、選取兩種高光譜圖像的數據集，兩種高光譜圖像的數據集分別覆蓋室內場景和室外場景，室內場景用Cave數據集，室外場景用PaviaCenter數據集代表；
步驟2、把步驟1數據集中低分辨率的高光譜圖像先進行上采樣，然后和全色圖像進行聯合，輸入到卷積層中提取聯合圖像的淺層特征；
步驟3、步驟2提取到的淺層特征再次送到卷積層中，進一步的提取淺層特征；然后將第二次提取到的淺層特征輸入到殘差密集塊網絡中；最后對所有的殘差密集塊進行一次全局特征融合得到聯合圖像的層次特征；
步驟4、將步驟2得到的淺層特征和步驟3得到的層次特征進行殘差運算；最后進行一次卷積運算得到基于深度細節注入網絡的高光譜全色銳化方法的融合結果。
2.根據權利要求1所述的基于深度細節注入網絡的高光譜全色銳化方法，其特征在于，所述步驟1具體如下：
步驟1.1、采用Cave數據集代表室內場景，Pavia Center數據集代表室外場景；數據集中的原始高光譜作為參考圖，模擬低分辨率的高光譜圖像是由參考圖進行下采樣得到的，模擬高分辨率的全色圖像是對參考圖的第三維進行求均值得到的；
步驟1.2、對Cave數據集和Pavia Center數據集這兩個數據集分別進行訓練集、驗證集和測試集的劃分，其中，每個訓練集中圖像的數量為整個圖像數據集的80％，每個測試集中圖像的數量為整個圖像數據集的10％，每個驗證集中圖像的數量為整個圖像數據集的10％；
步驟1.3、劃分數據集之后，進行數據預處理，統一將圖像調整大小為64×64。
3.根據權利要求2所述的基于深度細節注入網絡的高光譜全色銳化方法，其特征在于，所述步驟2具體如下：
步驟2.1、對步驟1.1得到的低分辨率的高光譜圖像進行上采樣，如公式(1)所示：
式中:HSb代表低分辨率的高光譜圖像，b＝1,2,3,…,n，其中n為高光譜圖像的波段數；fup是指低空間分辨率的高光譜圖像進行相對倍數的雙三次插值函數，代表上采樣的高光譜圖像；
步驟2.2、對步驟1.1得到的高分辨率的全色圖像和步驟2.1得到的高光譜圖像進行聯合運算，得到的聯合圖像具有n+1個波段數，該聯合過程如公式(2)所示：
式中:B＝1,2,3,…,n,n+1；⊙代表的是全色圖像與的聯級運算，PAN代表全色圖像，代表聯合圖像；
步驟2.3、在預處理步驟中使用3×3卷積層提取聯合圖像的淺層特征，公式(3)如下:
F-1＝fCONV(HSin), (3)
式中:fCONV代表卷積運算；F-1代表聯合圖像的淺層特征，同時又作為提取層次特征的輸入，還用于全局殘差學習。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于西安理工大學，未經西安理工大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110602214.6/1.html，轉載請聲明來源鉆瓜專利網。
