高光谱图像去雾方法、装置、计算机产品及存储介质制造方法及图纸

本发明专利技术公开了一种高光谱图像去雾方法、装置、计算机产品及存储介质，结合通道融合的方式提取高光谱图像深层信息，从而获取更为准确的混合像元分解模型。使用混合像元分解模型获取高质量的雾端元丰度值，使用雾端元丰度值调整剩余端元丰度，使用剩余端元进行反卷积重建去雾高光谱图像，为了保证重建后的高光谱图像保留原高光谱图像信息，引入重建损失与对抗损失，实现了高光谱图像的快速去雾，消除了图像块效应、像素过度饱、图像失真的现象，降低了对先验知识的依赖性、提高了模型的鲁棒性。提高了模型的鲁棒性。提高了模型的鲁棒性。

【技术实现步骤摘要】
高光谱图像去雾方法、装置、计算机产品及存储介质


[0001]本专利技术涉及高光谱图像处理领域，特别是一种高光谱图像去雾方法、装置、计算机产品及存储介质。

技术介绍

[0002]高光谱影像是感知水体动态演变与水质参数浓度的重要数据来源。但环境中水雾、蒸汽、云雾会使遥测高光谱图像采集过程中引入大量噪声信息，导致高光谱图像出现边缘模糊、细节信息丢失、对比度下降和色彩失真等问题。
[0003]目前传统算法应用在水域高光谱图像去雾中存在以下问题：
[0004]1)传统方法仅能在薄雾且雾分布均匀的图片中获得较好的处理效果，应用在水雾浓度高的图像中容易出现像素过度饱和以及图像失真的情况，其算法鲁棒性较差；
[0005]2)基于暗通道去雾算法，利用暗原色统计规律识别雾气浓度，所处理图像自然，颜色失真小，清晰度高，但其只适用于RGB图像，而且对于低对比度的天空或者水面背景的去雾效果会产生块效应，难以通过调参进行优化；
[0006]3)现有水雾去除算法局限于在RGB三通道图片上的应用，不适用于非线性光谱数据，对于拥有上百个通道的高光本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高光谱图像去雾方法，其特征在于，包括以下步骤：S1、对水环境区域成像，获取包括高光谱图像像素的全部波段以及高光谱图像像素对应的真实地物丰度值高光谱图像；S2、将同一区域的高光谱图像分为有水雾数据和无水雾数据，使用无水雾数据训练第一卷积神经网络模型，得到可分类M类高光谱图像的第一解混模型，将所述第一解混模型的拟合函数设为f
m
(x)＝max(softmax(W
L
a
L
‑1+b
L
))，其中W
L
为第一卷积神经网络模型第L层的权重参数，b
L
为第一卷积神经网络第L层的偏置系数，a
L
‑1为第一卷积神经网络第L
‑
1层的输出；设同一区域有水雾数据为x
fog
，无水雾数据为x，则得到第i个高光谱图像的雾端元丰度值y
i
＝f
m
(x
fog
)
‑
f
m
(x)，对n个区域的雾端元丰度值y1，y2…
，y
n
进行核密度估计，拟合得到概率密度函数f(x)；利用公式得到雾端元丰度值分布函数F(x)；S3、根据雾端元丰度值分布函数F(x)对采集的高光谱数据进行随机加雾，并标注对应雾端元丰度值作为训练标签，完成数据扩增；S4、从完成数据扩增的高光谱丰度样本中获取训练集，并对所述训练集人工加雾；S5、采用训练集训练第一卷积神经网络模型结构，得到可分类M+1类高光谱图像的第二解混模型；S6、将有雾高光谱图像作为第二解混模型的输入，得到高光谱数据中包含雾端元的所有地物丰度值；S7、去除所有地物丰度值中的雾端元丰度值，利用去除雾端元丰度值的剩余地物丰度特征训练第二卷积神经网络模型，得到高光谱图像重建模型。2.根据权利要求1所述的高光谱图像去雾方法，其特征在于，步骤S5中，所述第一卷积神经网络模型结...

【专利技术属性】
技术研发人员：刘昊，高毓欣，谭可成，刘玮欣，刘承照，
申请(专利权)人：中国电建集团中南勘测设计研究院有限公司，
类型：发明
国别省市：