基于深度图像先验的高光谱图像超分辨率重建方法技术

本发明专利技术提供的一种基于深度图像先验的高光谱图像超分辨率重建方法，通过在现有的主体学习网络中加入不基于训练的自动处理网络，通过设计输入处理模块来充分根据网络主体结构调整网络输入，使输入与网络结构产生共鸣，从而充分利用图像先验信息，利用DCNN的内在特征先捕获图像，然后再恢复图像。本发明专利技术所提出的网络结构充分利用了高光谱图像的空间信息和光谱波段之间的相关性学习图像特征，并且此本发明专利技术的自动处理网络中的输入处理模块可以自动调整输入结构，可以大大扩展DIP算法的应用，使DIP方法更适合于高光谱超分任务，可以进一步提高了构图像的质量。步提高了构图像的质量。步提高了构图像的质量。

【技术实现步骤摘要】
基于深度图像先验的高光谱图像超分辨率重建方法


[0001]本专利技术属于人工智能和图像处理
，具体涉及一种基于深度图像先验的高光谱图像超分辨率重建方法。

技术介绍

[0002]高光谱图像具有丰富的光谱和空间信息，在捕捉目标物体的细节方面具有优势。它们有着非常广泛的应用，如陆地、大气、海洋等领域的观测。然而，由于入射能量的限制，在光学遥感系统的设计中，如果其他因素保持不变，并保证高信号色噪比(SNR)，空间分辨率随着频谱特征的增加而降低。而高光谱图像超分辨率重建技术旨在通过一张低分辨率高光谱图像重建一张高分辨率高光谱图像。
[0003]现有技术提出高光谱图像超分辨率的学习方法只要包括经典的基于插值的方法、基于融合的方法和最新的基于深度学习的方法。基于插值的方法直接使用邻域像素信息，不能带来更多的信息，因此不能产生满意的结果。而基于贝叶斯推理和稀疏表示的融合方法将观测到的低分辨率超光谱图像与辅助图像(如全色图像、RGB图像和多光谱图像)进行融合，以提高低分辨率图像的质量。在这些方法中都需要良好的图像配准，这严重制约了基于融合的方法在现本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度图像先验的高光谱图像超分辨率重建方法，其特征在于，包括：步骤1：获取待超分的图像以及主体学习网络；步骤2：对所述待超分的图像进行边缘裁剪，得到中心区域图像；步骤3：在所述中心区域图像的第一位置区域进行均匀划分，获得非重叠的测试图像样本以及在第二位置区域进行提取，获得待超分的子图像块；其中，所述第一位置区域与所述第二位置区域不存在重叠；步骤4：将已构建的自动处理网络的输出连接所述主体学习网络的输入，以组成超分辨率重建网络；其中，所述自动处理网络包括：输入处理模块以及主体恢复模块，所述输入处理模块内部按照输入在前输出在后，依次包括与输入图像像素数相同的第一卷积层、三个第二卷积层以及一个上采样层，所述主体恢复模块内部按照输入在前输出在后，依次包括一个第二卷积层、一个上采样层、一个注意力模块以及四个第二卷积层，所述自动处理网络包括主干道、参差跳跃通道以及组合通道，主干道由所述输入处理模块的输出连接所述主体恢复模块输入直至所述主体恢复模块输出组成，所述组合通道由输入处理模块的第一卷积层输出直接连接主体恢复模块的输入组成，所述参差跳跃通道由输入处理模块的第一卷积层直接连接所述主体恢复模块的最后一个第二卷积层的输出组成；步骤5：将与所述待超分的子图像块大小相同的白噪声输入超分辨率重建网络中，通过反向传播调整所述超分辨率重建网络的参数降低损失函数直至最佳迭代次数，以使超分辨率重建网络根据所述待超分的子图像块的空间信息与光谱波段的相关性学习所述待超分的子图像块的特征，得到重构后的高光谱图像。2.根据权利要求1所述的基于深度图像先验的高光谱图像超分辨率重建方法，其特征在于，所述第一位置区域为所述中心区域图像中左半侧区域，所述第二位置区域为所述中心区域图像中右半侧区域。3.根据权利要求1所述的基于深度图像先验的高光谱图像超分辨率重建算法，其特征在于，所述中心区域图像的大小为1096
×
715
×
102，所述测试图像样本以及所述待超分的子图像块大小为223
×
223，所述第一卷积层的大小为223
×
223，所述第二卷积层的大小为3
×
3。4.根据权利要求1所述的基于深度图像先验的高光谱图像超分辨率重建方法，其特征在于，在所述自动处理网络中每个卷积层后都连接一个激活层，所述激活层的激活函数为：其中，x表示上一...

【专利技术属性】
技术研发人员：王楠楠，宫朝日，辛经纬，程德，姜馨蕊，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：