[發明專利]一種基于SwinIR的高光譜遙感圖像去噪方法

有效

• 申請號: 202310762260.1
• 申請日: 2023-06-27
• 公開（公告）號: CN116503292B
• 公開（公告）日: 2023-09-12
• 發明（設計）人: 豐碩;陸振宇
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06N3/0464;G06N3/048;G06N3/08;G06T7/10
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 楊欣怡

本發明公開了一種基于SwinIR的高光譜遙感圖像去噪方法，本發明將SwinIR基礎網絡中單一二維空間尺度的卷積改進為二維與三維卷積拼接，并通過協調注意力機制融合空間特征與光譜特征，以此來充分獲得高光譜圖像的不同維度信息；采用三維光譜圖像編碼，并添加自適應池化層將空間編碼與光譜編碼結合得到整體編碼，以確保重構高光譜圖像的光譜連續性；采用空間重構殘差，將空間重構圖像與整體編碼重構圖像結合來防止最終去噪后的高光譜圖像的失真。本發明充分利用了高光譜圖像不同維度的信息，并提高了含噪聲高光譜圖像的圖像質量。

技術領域

本發明涉及人工智能高光譜遙感圖像處理領域，具體涉及一種基于SwinIR的高光譜遙感圖像去噪方法。

背景技術

隨著遙感成像技術和智能解譯算法的快速發展，遙感圖像已成為各種應用中不可或缺的資源，如土地資源調查、農林監測、城市規劃和軍事預警。與其他類型的遙感數據相比，高光譜圖像以其豐富的空間和光譜信息具有巨大的優勢。然而，由于在高光譜圖像的采集、存儲和傳輸過程中，真實的高光譜圖像通常會不可避免地受到各種噪聲的影響，噪聲會嚴重降低高光譜圖像的質量，從而影響后續特征提取和理解任務的性能，例如高光譜圖像分解、特征學習、分類和目標檢測。因此，消除噪聲引起的退化是其他任務之前的首要和關鍵問題。

為了解決這個問題，現有的方法主要可以分為三類：基于濾波器的方法、基于優化的方法和基于深度學習的方法。但是前兩種方式嚴重依賴于先驗知識及手動設計的特性，需要通過多次人工優化迭代，非常耗時。

近年來，深度學習方法在許多計算機領域得到了應用，并取得了革命性的成就。相比之下，基于深度學習的去噪方法可以更靈活、更有效地利用深度學習的能力解決高光譜圖像去噪問題。雖然基于深度學習的方法在高光譜圖像去噪方面取得了令人印象深刻的性能，但目前利用深度學習進行高光譜圖像去噪方法主要基于卷積神經網絡（CNN），它們仍然沒有充分挖掘光譜維度信息矯正。

SwinIR?網絡解決了計算機視覺（ComputerVision，CV）領域的兩個問題：分辨率不足和計算復雜度過大，但其應用場景為單通道灰度圖像或三通道RGB圖像超分辨率任務，無法提取更高維度圖像特征信息，因此對于除空間信息外還含有多個光譜維度的高光譜圖像去噪任務并不適用。

發明內容

本發明目的：在于提供一種基于SwinIR的高光譜遙感圖像去噪方法，該方法能夠更充分地提取高光譜圖像空間維度與光譜維度的特征，使網絡適用于各種高光譜圖像，并提高了噪聲高光譜圖像質量。

為實現以上功能，本發明設計一種基于SwinIR的高光譜遙感圖像去噪方法，針對高光譜圖像，執行如下步驟S1-步驟S4，完成高光譜圖像的去噪：

步驟S1：采集預設數量的高光譜圖像，其中包括純凈高光譜圖像和噪聲高光譜圖像，對所采集的所有高光譜圖像進行預處理，預處理后的各高光譜圖像均包含噪聲，并根據預設比例將預處理后的高光譜圖像劃分為訓練集和測試集；

步驟S2：構建高光譜圖像去噪網絡模型，該模型以預處理后的高光譜圖像為輸入，以重構的純凈高光譜圖像為輸出，高光譜圖像去噪網絡模型包括改進后的SwinIR網絡、空間信息與光譜信息提取模塊、協調注意力模塊、空間信息編碼與光譜信息編碼融合模塊、殘差圖像重構模塊；

步驟S3：針對高光譜圖像去噪網絡模型，以訓練集中的各高光譜圖像為輸入，以重構的純凈高光譜圖像為輸出，應用損失函數對高光譜圖像去噪網絡模型進行預設次數的訓練，獲得訓練完成的高光譜圖像去噪網絡模型；

步驟S4：將測試集中的各高光譜圖像輸入訓練完成的高光譜圖像去噪網絡模型，獲得測試集中的各高光譜圖像對應的重構的純凈高光譜圖像，并針對去噪結果進行評價。

作為本發明的一種優選技術方案：步驟S1中所述的預處理包括以下步驟S11-步驟S12：