基于光谱预测残差卷积神经网络的高光谱图像锐化方法技术

本发明专利技术公开了一种基于光谱预测残差卷积神经网络的高光谱图像锐化方法，包括读取原始高光谱图像；利用高光谱图像的可见光波段合成相应的全色图像；对图像数据进行预处理，获取训练样本对；构造光谱预测残差卷积神经网络结构；将训练样本对输入光谱预测残差卷积神经网络，利用自适应矩估计算法，使训练误差降低至最小值，从而得到最优的网络结构参数；将经过相同预处理的测试样本对输入至最优光谱预测残差卷积神经网络结构中，输出高分辨率的高光谱图像。本发明专利技术能有效地缓解光谱失真的现象，增强其锐化效果。

Hyperspectral Image Sharpening Based on Spectral Prediction Residual Convolution Neural Network

【技术实现步骤摘要】
基于光谱预测残差卷积神经网络的高光谱图像锐化方法
本专利技术涉及遥感图像领域，具体涉及一种基于光谱预测残差卷积神经网络的高光谱图像锐化方法。
技术介绍
随着成像光谱技术日益成熟，遥感图像处理领域从多光谱图像时代逐渐过渡至高光谱图像时代。与多光谱图像相比，高光谱图像不仅包含更加丰富的地物信息，而且能对更加细致的光谱分析提供数据支持。虽然高光谱图像在诸多遥感应用领域拥有不可或缺的地位，但是其较低的空间分辨率一直为人所诟病。为了提高其空间分辨率，其中一种策略是将高光谱图像和与其配准的高空间分辨率的全色图像进行融合，利用全色图像中的丰富的空间细节信息锐化高光谱图像，从而得到高空间分辨率的高光谱图像。常用的高光谱图像锐化算法包括有主成分分析、导向滤波法、矩阵分解和贝叶斯法等。从它们的处理结果上来看，均存在或多或少的不足。例如，主成分分析虽然能较好地修复高光谱图像所丢失地空间细节信息，但是处理结果存在明显的光谱失真现象；另外，贝叶斯法在空间细节修复和光谱维护上处理得相对较好，但它的运算量大，而且需要依靠极强的先验信息才能达到最佳效果，故在实际应用中存在一定的限制。近年来，卷积神经网络在各种图像处本文档来自技高网...

【技术保护点】
1.一种基于光谱预测残差卷积神经网络的高光谱图像锐化方法，其特征在于，包括如下步骤：S1获取训练样本集：获取高光谱图像

【技术特征摘要】
1.一种基于光谱预测残差卷积神经网络的高光谱图像锐化方法，其特征在于，包括如下步骤：S1获取训练样本集：获取高光谱图像合成全色图像全色图像进行预处理，得到训练样本对；S2搭建光谱预测残差卷积神经网络模型：模型包括光谱预测和空间细节修复两部分，两部分均由卷积层构成，网络的激活函数采用线性整流函数；S3训练光谱预测残差卷积神经网络模型：利用零均值的高斯分布初始化网络各层的卷积核的权重和偏置，采用自适应矩估计算法对网络模型进行迭代优化得到最优光谱预测残卷积神经网络模型；S4利用训练好的光谱预测残差卷积神经网络模型，锐化处理低分辨率的高光谱图像。2.根据权利要求1所述的高光谱图像锐化方法，其特征在于，所述获取高光谱图像，合成全色图像，具体为：对获取的高光谱图像的前n个连续波段进行加权求和，得到相应的全色图像，此n个波段所覆盖的光谱范围对应可见光谱。3.根据权利要求1所述的高光谱图像锐化方法，其特征在于，所述全色图像进行预处理，得到训练样本对，具体包括：预处理步骤：选取高光谱图像的部分区域先用与相应传感器的调制传递函数相匹配的高斯滤波器进行平滑处理，再进行s倍的下采样，得到低分辨率的高光谱图像训练样本其中满足表达式：L＝sl，W＝sw，接着对进行s倍的线性插值，得到与部分区域对应的全色图像具有相同空间大小的高光谱图像训练样本其中L，W表示高光谱图像的长和宽，b表示波段数；分块采样步骤：以一定的间隔对训练对训练样本和同时进行采样，即可将它们分别分割为多个具有较少像素点的样本块和4.根据权利要求1所述的高光谱图像锐化方法，其特征在于，所述搭建光谱预测残差卷积神经网络模型，具体为：S2.1光谱预测卷积层Conv1，输入训练数据与64个空间大小为1×1的卷积核进行卷积运算，并经过线性整流函数激活处理，输出得到64个特征图Y1(i)，可表示为：其中Y1(i)表示第一层光谱预测卷积层输出的特征图，W1，B1分别表示第一层光谱预测卷积核的权重矩阵和偏置矩阵，表示线性整流函数；S2.2光谱预测卷积层Conv2，输入上一层的输出，与64个空间大小为1×1的卷积核进行卷积运算，并经过线性整流函数激活处理，输出得到64个特征图Y2(...

【专利技术属性】
技术研发人员：贺霖，朱嘉炜，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44