结合光谱解混先验和可学习退化约束的高光谱图像融合方法技术

本发明专利技术公开了一种结合光谱解混先验和可学习退化约束的高光谱图像融合方法，该方法包括：对高光谱图像应用解混模型，建立高分辨丰度与低分辨丰度间的退化关系；结合高光谱图像解混过程，优化低分辨率丰度以及高分辨率丰度；构建空间退化网络以及光谱退化网络学习图像间退化关系，空间退化网络能够同时适应丰度以及高光谱图像的输入；构建残差块优化中间图像，学习更加精细的特征；网络损失函数为L1范数。本发明专利技术方法应用于全色图像与高光谱图像融合或多光谱图像与高光谱图像融合有优异性能。合或多光谱图像与高光谱图像融合有优异性能。合或多光谱图像与高光谱图像融合有优异性能。

【技术实现步骤摘要】
结合光谱解混先验和可学习退化约束的高光谱图像融合方法


[0001]本专利技术涉及高光谱图像融合技术，特别是一种结合光谱解混先验和可学习退化约束的高光谱图像融合方法。

技术介绍

[0002]低分辨率高光谱图像(LRHS)具有数十个甚至数千个光谱波段，可以捕获物体的详细光谱信息，具有较大的光谱范围和丰富的光谱信息。高分辨率多光谱图像(HRMS)具有的光谱信息少于高光谱图像，但具有较高的空间分辨率，可以为高光谱图像提供空间信息，生成高分辨率高光谱(HRHS)图像，具有良好的空间和光谱分辨率。
[0003]深度学习网络利用多层神经网络的结构，对原始信号进行多次线性、非线性变换，从而提取出丰富的信号特征，并将其应用到实际问题的分类和识别中。深度学习利用更多的隐层权值和训练数据，使训练出的模型接近于更好的分类和预测模型。在图像融合方面，与传统的图像融合方法相比，基于深度学习的算法不需要恢复HRHS很多的先验知识，可以通过匹配的训练数据来训练一组模拟网络的输入(LRHS和HRHS图像)和输出(HRHS图像)。
[0004]基于深度学习的高光谱本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合光谱解混先验和可学习退化约束的高光谱图像融合方法，其特征在于，包括以下步骤：第一步，对高光谱图像应用解混模型，建立高分辨丰度与低分辨丰度间的退化关系；第二步，结合高光谱图像解混过程，得到初始高分辨丰度，经过空间退化生成低分辨丰度，优化低分辨丰度以及高分辨丰度；第三步，构建残差块优化中间图像，学习更加精细的特征，加快网络训练速度；第四步，构建空间退化网络以及光谱退化网络学习图像间退化关系，空间退化网络能够同时适应丰度以及高光谱图像的输入，构建的退化网络使整体网络能够在一个闭环中训练；第五步，网络损失函数为L1范数，建立的损失包含空间损失，光谱损失以及正则化项。2.根据权利要求1所述的结合光谱解混先验和可学习退化约束的高光谱图像融合方法，其特征在于，第一步，对高光谱图像应用解混模型，得到待优化的初始高分辨丰度，并建立高分辨丰度与低分辨丰度间的退化关系；假设为原始参考图像，H、W、C分别为其高度、宽度和通道数；图像为多光谱图像，H、W、c分别为其高度、宽度和通道数，c＜C；图像为低空间分辨率的高光谱图像，h、w、C分别为其高度、宽度和通道数，h＜H，w＜W；对图像Z和图像X应用解混模型，则有：Z≈W
h
H
m
X≈W
h
H
h
其中为光谱特征矩阵，对应图像X的端元值；为空间特征矩阵，对应图像Z的丰度值；为空间特征矩阵，对应图像X的丰度值；假设空间退化矩阵为丰度H
m
在空间维退化为丰度H
h
，则有：H
h
≈H
m
S。3.根据权利要求1所述的结合光谱解混先验和可学习退化约束的高光谱图像融合方法，其特征在于，第二步，结合高光谱图像解混过程，得到初始高分辨丰度，经过空间退化生成低分辨丰度，优化低分辨丰度以及高分辨丰度；端元可利用解混算法求解，再利用代价函数求解丰度；丰度H
h
可由以下模型求得：其中，F3()表示VCA算法；设i次迭代时该网络第k个卷积块的输出为Con
k
()，输出的中间高分辨丰度为输出的中间低分辨丰度为输出的中间融合图像为输出的中间高光谱图像为则有：则有：则有：则有：其中，
↑
表示插值操作，运算符表示卷积运算，表示第k个卷积块第p层的卷积核参数，W
i
为卷积核参数，[
…
]为拼接操作，表示经过第k个卷积块优化的丰度，G()表示激
活函数，F1()表示空间退化网络，n为卷积块数，L为卷积块包含的卷积层数。4.根据权利要求1所述的结合光谱解混先验和可学习退化约束的高光谱图像融合方法，第三步，构建残差块优化中间图像，学习更加精细的特征，加快网络训练速度；设i次迭...

【专利技术属性】
技术研发人员：肖亮，郑可欣，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：