【技术实现步骤摘要】
一种基于低秩张量网络的光谱超分重建方法及系统
[0001]本专利技术涉及高分辨高光谱成像技术，具体涉及一种基于低秩张量网络的光谱超分重建方法及系统。
技术介绍
[0002]高光谱成像技术能够获得所成像场景在同一时刻下数十个至数百个光谱波段的信息，相较于RGB成像，高光谱成像能够提供更多的光谱信息，为计算机视觉任务提供了更多的场景信息，因此高光谱成像技术被应用于各个领域，如军事目标检测、环境监测和医学检查等。但是由于光谱成像原理，成像系统的光谱分辨率与空间分辨率相互制约，且成像设备的元器件价格昂贵，在有限的成本条件下难以通过现有的高光谱成像设备直接获取高分辨率高光谱图像，且一般的高光谱成像设备为了每次获取图像数据的曝光时间较长，所获取图像数据的时间分辨率也受到了限制。因此光谱超分技术应运而生，通过价格相对低廉的RGB成像设备获取高分辨率的RGB图像，再通过RGB图像获得高分辨率的高光谱图像。
[0003]目前比较常见的光谱超分方法有：将RGB图像到高光谱图像的变换视为线性变换，通过一些稀疏编码的方式加入人工的稀疏先验信...
【技术保护点】
【技术特征摘要】
1.一种基于低秩张量网络的光谱超分重建方法，其特征在于，包括：S1，对输入的RGB图像M提取浅层次特征K0和深层次特征K；S2，将深层次特征K进行低秩张量学习以获得低秩特征张量K
lr
；S3，将低秩特征张量K
lr
与深层次特征K进行Hadamard乘积得到细化特征K'；S4，将浅层次特征K0和细化特征K'叠加得到低秩张量，再将低秩张量输入预先训练好的低秩张量网络进行光谱超分重建，从而获得与RGB图像M对应、且比RGB图像M的分辨率更高的重建高光谱图像X。2.根据权利要求1所述的基于低秩张量网络的光谱超分重建方法，其特征在于，步骤S1包括：对输入的RGB图像M通过卷积操作以实现预编码以获得浅层次特征K0，将浅层次特征K0依次经过卷积操作、PReLU激活层以及卷积操作得到深层次特征K。3.根据权利要求2所述的基于低秩张量网络的光谱超分重建方法，其特征在于，步骤S2中进行低秩张量学习为采用低秩张量学习网络实现，所述低秩张量学习网络由一个秩一张量学习模块ROTL和一层卷积模块构成，所述秩一张量学习模块ROTL包括多层秩一张量生成模块ROTG，第一层秩一张量生成模块ROTG直接对深层次特征K提取第一层秩一张量O1，后续任意第i层秩一张量生成模块ROTG分别将上一层秩一张量生成模块ROTG的输入、输出的差作为输入以提取第i层秩一张量O
i
，最后通过卷积模块将多层秩一张量沿着光谱通道的维度进行堆叠后再进行卷积操作得到低秩特征张量K
lr
。4.根据权利要求3所述的基于低秩张量网络的光谱超分重建方法，其特征在于，所述秩一张量生成模块ROTG包括三个并行编码通道和和一个Kronecker乘积层，每个并行编码通道均包括依次相连的行全局平均池化模块、卷积核为1
×
1的卷积模块以及Sigmod激活模块，且三个并行编码通道的输出端与Kronecker乘积层的输入端相连，以通Kronecker乘积层将三个并行编码通道的输出特征进行Kronecker乘积得到对应的秩一张量。5.根据权利要求4所述的基于低秩张量网络的光谱超分重建方法，其特征在于，所述Kronecker乘积的函数表达式为：，上式中，XY表示矩阵X和矩阵Y两者的Kronecker乘积，X∈R
m
×
n
、Y∈R
p
×
q
分别为进行Kronecker乘积的两个矩阵，x
11
～x
mn
分别为矩阵X中的m
×
n个元素，R<...
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。