【技术实现步骤摘要】
一种针对MSFA高光谱图像的去马赛克与压缩融合框架
[0001]本专利技术属于图像处理
,具体涉及一种高光谱图像的去马赛克与压缩融合框架。
技术介绍
[0002]高光谱成像作为一种新兴成像系统,随着成像技术的不断成熟,如今已经广泛应用国土测绘、城乡建设、统计调查、农林业资源监测、真假目标识别等多个领域。高光谱成像技术大致可分为两种:一,针对每个光谱生成一张单独的图像;二,使用MSFA使一张包含多个通道信息。前者因需要更换滤光镜等操作,成像速度较慢、相机较为昂贵且无法准确拍摄运动中的物体;而后者则在每个像素点只具有单个光谱通道信息(颜色),如图1所示,当光线通过MSFA阵列时,每个像素点只允许一个光谱通道的信息通过,是以Raw图的每个像素都只能储存一个光谱通道的信息,需要去马赛克算法获取全光谱全解析度图像。去马赛克过程如图2所示,假设Raw图的长高为W和H,具有9个光谱通道,去马赛克算法则把Raw图的W
×
H
×
1扩充至W
×
H
×
9。无论使用哪种方法,高光谱图像相比传统图像都需要更多的储存空间,是以对高光谱图像的压缩与解压缩也是一个重要的步骤。其中,去马赛克是MSFA成像的必要步骤,压缩/解压缩是MSFA图像储存的重要步骤。
技术实现思路
[0003]为了克服现有技术的不足,本专利技术提供了一种针对MSFA高光谱图像的去马赛克与压缩融合框架,包括PPI图生成模块、压缩\解压缩模块和快速去马赛克模块;PPI图生成模块使用DPG ...
【技术保护点】
【技术特征摘要】
1.一种针对MSFA高光谱图像的去马赛克与压缩融合框架,其特征在于,包括PPI图生成模块、压缩\解压缩模块和快速去马赛克模块;所述PPI图生成模块通过以下步骤实现:步骤1
‑
1:从公开多光谱数据集抽取多幅图像,并分别采样每幅图像的H个频谱通道组成原始多光谱图像数据I,再采用MSFA仿真得到对应的Raw图I
MSFA
;对H个频谱通道组成原始多光谱图像数据I进行平均生成真实PPI图I
M
;将I
MSFA
和I
M
组成训练对;所有抽取图像生成的训练对组成数据集;将数据集分为训练集和测试集;步骤1
‑
2:构建DPG
‑
Net网络;DPG
‑
Net网络所述网络输入为Raw图,Raw图同时经过左边路径和右边路径的计算,并对两个结果相加,形成输出PPI图;所述左边路径从输入到输出依次为:卷积层C1,激活层A1,卷积层C2,激活层A2,卷积层C3,激活层A3,卷积层C4;所述激活层皆为ReLU函数;所述卷积层C1包含24个9
×
9的滤波器,步长为1;所述卷积层C2包含24个7
×
7的滤波器,步长为1;所述卷积层C3和C4均包含24个5
×
5的滤波器,步长均为1;所述右边路径为Raw图和M矩阵的卷积;M矩阵针对MSFA的不同而改变,当MSFA为3
×
3时,M为如下所示:当MSFA为4
×
4时,M为如下所示:步骤1
‑
3:所述DPG
‑
Net网络训练时采用的联合损失函数如式(1):其中,表示真实PPI图I
M
和DPG
‑
Net网络生成的PPI图之间的MSE,计算公式如式(2):
其中N是图像中像素数量,p是像素索引;为边缘损失,是将真实PPI图I
M
和DPG
‑
Net网络生成的PPI图转换到小波域并计算高频信息的MSE,表示如式(3):其中和分别是I
M
和的第q个小波分解系数,N
W
是图像分解后高频系数的个数;使用训练集对DPG
‑
Net网络进行训练,当损失函数最小时,完成训练,得到最终的DPG
‑
Net网络;步骤1
‑
4:使用测试集评估DPG
‑
Net网络的图像预测质量,评价指标PSNR采用式(4)计算:其中x是参考图像,是预测图像,H、W、C分别是图像的行、列与通道的个数;SSIM采用式(5)计算:其中μ
x
,分别是参考图像x和预测图像的均值和方差,是相关系数;所述压缩\解压缩模块,包括Raw图的光谱通道分离、分离后Raw图的压缩、分离后Raw图的解压缩、Raw图的重建、PPI图的压缩和PPI图的解压缩;所述Raw图的光谱通道分离、分离后Raw图的压缩、分离后Raw图的解压缩和Raw图的重建通过以下步骤实现:步骤2
‑
1:根据Raw图中每个像素的光谱通道分离Raw图;采用a1倍降采样得到Raw图的一个光谱通道图像,共分离出H个光谱通道图像;步骤2
‑
2:针对分离出的H个光谱通道图片分别进行图像压缩;步骤2
‑
3:针对压缩后的文件分别进行解压缩,获取分离后的H个光谱通道图像;步骤2
‑
4:将H个光谱通道图像进行合并,重建R...
【专利技术属性】
技术研发人员:刘澍民,张语格,陈捷,林庆帆,王逸平,
申请(专利权)人:西北工业大学,
类型:发明
国别省市:
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。