The invention discloses a hyperspectral and panchromatic image fusion method based on AAE to extract spatial features, which solves the problems of serious spectral distortion and insufficient spatial details injection in the existing hyperspectral image fusion. The realization steps are: acquiring image data set for preprocessing; constructing and training hyperspectral image spectral constraint self encoder network; extracting spatial features of hyperspectral image The spatial details of the enhanced panchromatic image are obtained; the spatial information of the hyperspectral image and the enhanced panchromatic image is fused; the gain matrix is constructed; the hyperspectral image with high spatial resolution is obtained. The invention simultaneously considers the spatial information of hyperspectral and panchromatic images, extracts the deep spatial features with AAE, effectively reduces the spectral loss, and effectively improves the spatial resolution. Simulation results show that the fusion index, visual effect space and spectral performance of the invention are better, the spatial details are better, and the spectral information is more perfect, which is used for hyperspectral image fusion processing.
【技术实现步骤摘要】
基于AAE提取空间特征的高光谱和全色图像融合方法
本专利技术属于图像处理
,更进一步涉及高光谱图像融合,具体是一种基于对抗自编码器(AAE)提取空间特征的高光谱图像和全色图像的融合方法。本专利技术可用于得到空间分辨率高、光谱信息丰富的高光谱图像。
技术介绍
空间分辨率高的图像有利于精准定位目标,光谱分辨率高的图像有利于区分不同特征的类别和精确识别目标。高光谱图像在一定的波长范围内具有较多的波段数,光谱分辨率高,其已经应用于许多领域和一些实际应用,例如植被研究,精确农业,区域地质填图像,矿产勘探和环境监测等。受到传感器技术和成本的限制,高光谱图像的空间分辨率较低。而全色成像光谱仪能够获得具有高空间分辨率的全色图像,对高光谱图像和全色图像进行融合就可以实现获得高空间分辨率的高光谱图像,这是一项非常有意义的图像处理方式。常用的高光谱图像融合算法包括多分辨率分析法、成分替换法、矩阵分解法和贝叶斯法等。从它们的处理结果上来看均存在一定程度的不足。多分辨率分析方法包括小波变换、拉普拉斯金字塔(LaplacianPyramid,LP)、亮度调节的平滑滤波法(SmoothingFilterbasedIntensityModulation,SFIM)等,主要思想是将全色图像多尺度分解成低分辨率高光谱图像,获得空间细节,然后将空间细节注入高光谱图像,这些方法能够保持较好的光谱信息,但是此方法易受到空间失真(例如振铃伪像)的影响,同时存在注入空间细节过多的问题;成分替换法包括主成分分析(PrincipalComponentA ...
【技术保护点】
1.一种基于对抗自编码器提取空间特征的高光谱图像和全色图像的融合方法,其特征在于,包括有如下步骤:/n(1)获取图像数据集,对数据进行预处理:/n(1.1)输入原始图像数据:从公开数据集中获取原始高光谱图像H
【技术特征摘要】
1.一种基于对抗自编码器提取空间特征的高光谱图像和全色图像的融合方法,其特征在于,包括有如下步骤:
(1)获取图像数据集,对数据进行预处理:
(1.1)输入原始图像数据:从公开数据集中获取原始高光谱图像HREF,作为参考的高光谱图像;
(1.2)数据预处理:利用给定参考的即原始高光谱图像HREF,根据Wald协议得到合成的高光谱图像和合成的全色图像;利用双三次插值法生成四倍下采样的低空间分辨率高光谱图像H;利用拉普拉斯金字塔超分辨率网络将低空间分辨率的高光谱图像插值为高空间分辨率的高光谱图像,具体操作为将H输入拉普拉斯超分辨率网络,进行四倍上采样,使得空间维度与全色图像大小相同,得到上采样后的高光谱图像,记为H,利用平均融合的方法,将原始高光谱图像HREF进行可见光波段融合,得到全色图P;
(2)构建输入高光谱图像的对抗自编码器:对抗自编码器包括有编码器、判别器和解码器,编码器、解码器和判别器的网络结构的设计都是基于基础网络结构;
基础网络结构为:输入层→隐藏层→输出层;
编码器网络参数设置如下,将输入层的节点总数设置为高光谱图像的波段总数、将隐藏层的节点总数设置为500、将输出层的节点总数设置为高光谱图像特征的波段数;
解码器网络参数设置如下,将输入层的节点总数设置为高光谱图像特征的波段数、将隐藏层的节点总数设置为500、将输出层的节点总数设置为高光谱图像的波段数;
编码器,即生成器,隐藏层由两层全连接层构成,激活函数使用LeakyRelu;解码器由两层全连接层构成,激活函数使用LeakyRelu和Sigmoid;判别器D使用全连接层→LeakyRelu→全连接层的构成形式;
设置学习率为1e-4,训练批次大小为输入网络高光谱图像空间维度大小,损失函数包括自编码器损失函数、生成器损失函数和判别器损失函数,优化过程使用Adam算法优化;
(3)训练对抗自编码器,提取高光谱图像的空间特征:将上采样后的高光谱图像H作为对抗自编码器的输入进行训练,训练过程包括有,生成器和判别器进行的对抗学习以及误差最小化的图像重构,训练优化过程中当损失函数收敛或训练步数大于设定步数时停止训练;从训练完成的网络的编码器输出中,获取提取的高光谱图像的低维度空间特征,作为高光谱图像的空间信息;
(4)对全色图进行增强处理:利用自适应直方均衡和高斯-拉普拉斯算法对全色图像进行增强处理,得到了增强处理后的全色图;
(5)获取增强后的全色图的空间细节:对增强后的全色图像进行高斯滤波,并对滤波前后的图像作差,获得增强后全色图像的空间细节D;
(6)融合高光谱图像和全色图像的空间信息:利用自适应融合方式,融合高光谱图像空间信息和全色图像空间信息,得到原始高光谱图像的总空间信息;
(7)构建增益矩阵:利用增益矩阵公式构造增益矩阵;
(8)得到高空间分辨率的高光谱图像:利用构造得到的增益矩阵和提取的全色图的空间细节D以及上采样得到的高光谱图像共同得到原始高光谱图像的高空间分辨率的高光谱图像。
将上采样后的高光谱图像,与提取的空间细节按照下式相融合,得到高空间和光谱分辨率的图像:
l=1,2,...,n,其中,表示融合后的高光谱图像,是融合图像的第l个波段。
2.根据权利要求1所述的基于对抗自编码器提取空间特征的高光谱图像和全色图像的融合方法,其特征在于,步骤3中所述的训练对抗自编码器,提取高光谱图像的空间特征,过程如下:首先初始化对抗自编码器的网络参数,网络参数包括权重和偏置,然后训练对抗自编码器,训练分为两个过程:
(3.1)输入样本的重构:将上采样后的高光谱图像H作为对抗自编码器的输入进行训练,计算自编码器损失函数;采用随机梯度下降算法进行优化,优化过程就是使损失函数最小化的过程,同时更新对抗自编码器中编码器和解码器的网络权重和偏置,当损失函数最小化时,解码器的输出为重构结果,即解码器能够从编码器生成的编码数据中恢复出原始图像;
(3.2)正则化约束:计算判别器损失函数和生成器损失函数,同样用随机梯度下降算法进行优化,优化过程就是使判别器损失函数和生成器损失函数最小化的过程,首先更新判别器网络参数,训练判别器区分输入的编码向量Z是来自真实分布...
【专利技术属性】
技术研发人员:谢卫莹,钟佳平,李云松,雷杰,刘保珠,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。