[發明專利]一種高光譜融合計算成像方法及系統

有效

• 申請號: 202110971174.2
• 申請日: 2021-08-24
• 公開（公告）號: CN113421216B
• 公開（公告）日: 2021-11-12
• 發明（設計）人: 李樹濤;郭安靜;佃仁偉
• 申請（專利權）人: 湖南大學
• 主分類號: G06T5/50
• 分類號: G06T5/50;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光譜融合計算成像方法及系統，本發明包括將低分辨率高光譜圖像X_lr進行子空間表示得到低秩光譜基S和低分辨率子空間系數A_lr；將低分辨率子空間系數A_lr上采樣后與多光譜圖像Y堆疊輸入預先訓練好的卷積神經網絡得到高分辨率子空間系數A；將高分辨率子空間系數A、低秩光譜基S進行融合得到融合高分辨率高光譜圖像X。本發明能夠有效實現高精度定量建立并求解高光譜和多光譜圖像的成像模型，并通過建立的成像模型從待融合圖像中生成訓練數據，解決訓練數據不足的問題，并把卷積神經網絡和子空間表示模型相結合，降低網絡的參數，提升學習效率，具有模型輕量化、計算效率高、融合精度高等優點。

技術領域

本發明涉及高光譜成像技術，具體涉及一種高光譜融合計算成像方法及系統。

背景技術

高光譜成像技術可以同時獲取與不同光譜波長相對應的圖像，光譜范圍覆蓋了可見光波段到短波紅外波段。由于不同材料反射率也不一樣，所以高光譜圖像可以幫助準確識別目標，因而高光譜圖像被廣泛地應用于遙感、醫學診斷和人臉識別等領域。但是由于成像傳感器的限制，現有光學成像系統在空間分辨率、光譜分辨率以及信噪比之間相互制約，難以直接獲取高空間分辨率高光譜圖像，降低了高光譜圖像的應用價值。通過設計新的光學成像系統來提高高光譜圖像的空間分辨率是困難且昂貴的。而高光譜圖像與多光譜圖像融合提供了一種高分辨率高光譜圖像的獲取途徑，具有重要的應用價值。

目前流行的高光譜融合計算成像方法可以分為基于全色銳化的方法、基于模型優化的方法和基于深度卷積神經網絡的方法?；谌J化方法首先是針對多光譜圖像與全色圖像融合而提出，現在也被應用與高光譜和多光譜圖像融合，具有較低的計算成本的優點，但是融合精度低?；谀Ｐ蛢灮姆椒ㄊ紫燃僭O高光譜圖像和多光譜圖像是由高分辨率高光譜圖像下采樣獲得的，并由此建立起數學模型，定量模擬高分辨率高光譜圖像、高光譜圖像與多光譜圖像之間的映射關系。該方法往往會借助于高分辨率高光譜圖像先驗知識，如稀疏先驗、低秩先驗、非局部自相似性等作為正則，以提高融合后的圖像精度。總體而言，該方法可以獲得較高的融合精度，但所需的計算成本也比較高。

基于數據驅動的深度卷積神經網絡已廣泛應用于高光譜融合計算成像中，借助其強大的學習能力，通過大量的高光譜圖像、多光譜圖像與高分辨率高光譜圖像數據對，通過設計的網絡對其進行預訓練，獲得最佳參數。此類方法借助殘差學習等策略來進一步提升融合精度。該類方法主要存在如下問題：首先實際中不存在高分辨率高光譜圖像，這導致訓練數據缺失；其次現有的網絡為了達到較高的學習性能，采用了深度結構，導致了計算效率低。

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，提供一種高光譜融合計算成像方法及系統，本發明能夠有效實現高精度定量建立并求解高光譜和多光譜圖像的成像模型，并通過建立的成像模型從待融合圖像中生成訓練數據，解決訓練數據不足的問題，并把卷積神經網絡和子空間表示模型相結合，降低網絡的參數，提升學習效率，具有模型輕量化、計算效率高、融合精度高等優點。

為了解決上述技術問題，本發明采用的技術方案為：

一種高光譜融合計算成像方法，包括：將低分辨率高光譜圖像X_lr進行子空間表示得到低秩光譜基S和低分辨率子空間系數A_lr；將低分辨率子空間系數A_lr上采樣至與多光譜圖像Y相同尺寸后與多光譜圖像Y堆疊，將堆疊結果輸入預先訓練好的卷積神經網絡，得到對應的高分辨率子空間系數A；將高分辨率子空間系數A、低秩光譜基S進行融合，得到高分辨率高光譜圖像X；且所述卷積神經網絡的訓練步驟包括：

1）估計空間模糊核B；