一种基于混合监督模型的高光谱图像恢复方法和系统技术方案

本发明专利技术涉及一种基于混合监督模型的高光谱图像恢复方法和系统，属于计算摄像技术领域。首先根据高光谱图像退化模型和参数，构造有监督高光谱图像数据集。然后构造高光谱恢复网络，使用有监督高光谱图像数据集对网络进行训练。之后建立基于噪声估计的无监督损失函数。最后使用监督学习得到的网络参数作为网络初值，将退化高光谱图像输入到网络中，利用无监督损失函数进行优化。本方法通过深度网络对退化高光谱图像进行恢复，得到清晰的完整高光谱图像，能够有效解决网络在训练数据与测试数据上表现不一致的问题。本发明专利技术通过斯坦无偏估计对高光谱退化过程中的噪声进行评估，使得网络对噪声输入具有鲁棒性，实现了退化高光谱图像的高质量恢复。像的高质量恢复。像的高质量恢复。

【技术实现步骤摘要】
一种基于混合监督模型的高光谱图像恢复方法和系统


[0001]本专利技术涉及一种基于混合监督模型的高光谱图像恢复方法和系统，属于计算摄像


技术介绍

[0002]高光谱图像包含丰富的空间信息和光谱信息，被广泛应用于植被生态、大气环境、地质矿产、海洋、军事等领域。然而，受外界环境的影响和仪器自身设备的限制，高光谱图像往往会遭遇各种退化问题，如噪声、欠采样或者数据缺失。这些退化问题严重影响到高光谱图像的后续利用。
[0003]高光谱恢复方法可以从低质量的高光谱图像中恢复出高质量高光谱图像，成为了高光谱图像应用的必要预处理手段。
[0004]高光谱图像恢复方法总体包括两类，一类是传统的图像恢复方法，另一类是基于深度学习的图像恢复方法。其中，传统的高光谱图像恢复方法利用各种的先验知识来优化求解高质量高光谱图像。例如Yongyong Chen等人使用低秩矩阵来对高光谱去噪问题进行求解；Lizhi Wang等人利用非局部稀疏表示从压缩感知图像中恢复出高光谱图像；Xiaolin Han等人使用非因式分解稀疏表示和字典学习，从低分辨率高光本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合监督模型的高光谱图像恢复方法，其特征在于，包括以下步骤：步骤1：根据高光谱图像退化模型和参数，构造有监督高光谱图像数据集；针对不同高光谱退化任务，根据高光谱退化模型参数和噪声参数来构造高光谱图像训练数据集；高光谱图像训练数据集包括：带噪退化高光谱图像和无噪声原始高光谱图像构成的成对数据集；高光谱退化模型统一表示为：y＝Φx+η(1)其中，y为退化后的高光谱图像，x为原始高光谱图像，Φ为退化矩阵，η为加性高斯噪声；步骤2：构造高光谱恢复网络，使用有监督高光谱图像数据集对网络进行训练；使用成对高光谱数据集对网络进行训练，使网络学习到外部先验知识；训练函数如下所示：其中，下标ex表示数据信息来自非恢复目标的高光谱；表示第i个成对高光谱数据，表示第i个原始高光谱图像，表示通过加噪声得到的第i个退化高光谱图像；N表示高光谱数据集总数；表示高光谱恢复网络，其参数为w
ex
；步骤3：建立基于噪声估计的无监督损失函数；无监督损失函数使用基于斯坦无偏风险估计SURE和全变分TV的损失函数，通过斯坦无偏风险估计对高光谱退化过程中受到的噪声进行评估；其中，斯坦无偏估计表示为：其中，表示对高光谱退化图像y的估计函数，σ表示为噪声强度；N表示高光谱数据集总数；表示位置第i个退化高光谱像素的估计值，y
i
表示第i个退...

【专利技术属性】
技术研发人员：付莹，李妙宇，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：