【技术实现步骤摘要】
一种高光谱图像去模糊方法、系统及存储介质
[0001]本专利技术涉及图像处理领域,具体涉及一种高光谱图像去模糊方法、系统及存储介质。
技术介绍
[0002]高光谱成像技术能够获取包含数百个波段狭窄且光谱连续的图像数据,由于携带了丰富的空间和光谱信息,高光谱图像能够用于分辨传统的灰度和彩色图像无法识别的目标,因此被成功地应用于地球遥感、军事侦察、精准农业、工业分选等诸多领域。高光谱图像在获取过程中受到各种因素影响,在空间和光谱维度上存在多种类型的模糊退化,对其进行解模糊复原处理非常重要。然而,高光谱图像的三维结构加大了数据的规模,使得复原处理十分具有挑战性。
[0003]目前最先进的主流高光谱解模糊技术可以大致分为传统优化方法和深度学习方法两种。传统的优化方法可以根据图像退化的物理模型,灵活地处理不同的问题,但通常需人工定义恰当的图像先验知识,才能够保证较好的效果,然而构建人工先验通常会增大问题求解的复杂度,且没有充分利用现存数据内含的丰富信息。深度学习方法采用数据驱动的方式,能较好地挖掘图像特性,当训练和测试数据特性匹配时能够获得优异的处理结果,但是当前深度神经网络参数多、可解释性低,以及较少考虑数据产生的物理机制,导致这类方法泛化能力有限,故应用范围也受到限制。
技术实现思路
[0004]本专利技术的目的在于针对上述现有技术中的问题,提供一种高光谱图像去模糊方法、系统及存储介质,能够最大程度地复原光谱和空间信息,有效避免或减少重建过程中产生的图像失真和畸变,从而得到高质量的清晰高光谱图像,而 ...
【技术保护点】
【技术特征摘要】
1.一种高光谱图像去模糊方法,其特征在于,包括:从图像库中获取同一场景的第一高光谱图像Y和第二高光谱图像X,所述第二高光谱图像X的清晰度高于第一高光谱图像Y;对第一高光谱图像Y和第二高光谱图像X进行归一化处理;在第二高光谱图像X加上噪声,得到第三高光谱图像Z,构建深度降噪神经网络并采用配对图像集(Z;X)训练深度降噪神经网络,获得深度降噪先验网络;构造带正则项的目标函数,将目标函数解耦为最小平方子问题、高光谱图像降噪子问题和对偶变量更新子问题,迭代求解以上三个子问题,直至达到终止条件,所述高光谱图像降噪子问题通过深度降噪先验网络求解,完成第一高光谱图像Y的解模糊。2.根据权利要求1所述的高光谱图像去模糊方法,其特征在于,所述构建深度降噪神经网络并采用配对图像集(Z;X)训练深度降噪神经网络的步骤包括:构建三维网络模块:从输入到输出依次为三维卷积层a1、批标准化层b、激活层c1;构建深度降噪神经网络:从输入到输出依次为三维卷积层a2、激活层c2、B个三维网络模块和三维卷积层a3,网络输入通过跳跃连接与三维卷积层a3的输出一起输入叠层d1;三维卷积层a3包含1个3
×3×
3的滤波器,步长为1;选用图像集(Z;X)中三分之二的图像对作为训练集,其余三分之一作为测试集;在训练集的每幅图像中随机选取图像自身尺寸1/h大小的M个图像块,再将每幅图像中的M个图像块进行随机翻转和镜像;将经过上述处理的第一高光谱图像Y中的图像块作为网络的输入,将经过上述处理的第二高光谱图像X中的图像块作为标签图像;损失函数定义如下:||F(Z;Θ)
‑
X||1其中,F(*)代表深度降噪网络映射,Θ代表深度降噪网络模型参数;利用Adam优化算法,初始学习率为e,每次向前传播时随机取f个样本,算法迭代g代;训练完成得到深度降噪先验网络模型参数,进而获得深度降噪先验网络。3.根据权利要求2所述的高光谱图像去模糊方法,其特征在于:所述三维卷积层a1以及三维卷积层a2均包含32个3
×3×
3的滤波器,步长均为1;所述激活层c1以及激活层c2均为ReLU函数;三维网络模块个数B=8;在训练集的每幅图像中随机选取图像自身尺寸1/h大小的M个图像块中,h=4,M=100;初始学习率e=0.0002,样本数f=16,算法迭代次数g=500。4.根据权利要求1所述的高光谱图像去模糊方法,其特征在于,在所述构造带正则项的目标函数的步骤中,构造出的目标函数为:其中,H表示模糊矩阵,表示数据保真项,φ(X)表示正则项,λ表示正则项参数。5.根据权利要求1所述的高光谱图像去模糊方法,其特征在于,所述将目标函数解耦为最小平方子问题、高光谱图像降噪子问题和对偶变量更新子问题利用基于交叉方向乘子法的即插即用算法完成;所述的终止条件为t=T,t代表迭代次数,T代...
【专利技术属性】
技术研发人员:王修珩,陈捷,
申请(专利权)人:声耕智能科技西安研究院有限公司,
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。