【技术实现步骤摘要】
基于矩阵分解网络的无监督高光谱图像超分辨率方法
[0001]本专利技术涉及基于矩阵分解网络的无监督高光谱图像超分辨率方法，属于高光谱图像处理
技术介绍
[0002]高光谱遥感，即高光谱分辨率遥感，利用成像技术和光谱特征从感兴趣的物体中获取一系列具有高光谱分辨率的连续、窄波段的图像数据。高光谱图像不仅可以提供土地覆盖目标的空间信息，而且还可以提供其丰富的光谱信息。它在地质勘探、气候监测、农作物检测、国防军事等各项领域得到了广泛应用。
[0003]高光谱图像分类是遥感应用领域的一项重要任务，近年来，随着深度学习不断发展，基于深度网络的高光谱分类方法也被证实是分类的有效手段之一。有监督的深度学习方法可以看作是从特征空间到标签空间的非线性映射，它能够从原始的数据中提取到更高层次的抽象语义特征。
[0004]由于入射能量有限，在设计成像传感器时，在光谱分辨率、空间分辨率和图像的信噪比之间总是存在一个权衡。因此，通常会牺牲HSI的空间分辨率，这阻碍了后续的任务。相反，传统的多光谱图像(MSI)在更低的光谱分辨率...
【技术保护点】
【技术特征摘要】
1.一种高光谱图像超分辨率方法，其特征在于，所述高光谱图像超分辨率方法包括：步骤1：对高光谱图像处理，生成模拟的低空间分辨率高光谱图像Y和高空间分辨率的多光谱图像Z，作为训练数据；步骤2：将步骤1生成的数据对(Y，Z)输入自动编码器网络，训练迭代得到点扩散函数B和光谱响应函数R；步骤3：对于目标高空间分辨率高光谱图像X，假设为末端成员矩阵和对应丰度矩阵的线性组合；将初始末端成员矩阵A0和初始丰度矩阵S0作为可训练参数，将步骤2中估计的B和R输入深度CP分解网络，通过深度CP分解网络求解期望末端成员矩阵A；步骤4：结合步骤2中得到的点扩散函数B和光谱响应函数R，并结合退化模型和矩阵分解模型，对目标进行建模，设计正则项，通过网络展开迭代求解末端成员矩阵A和对应丰度矩阵S，最终得到融合的图像。2.根据权利要求1所述的高光谱图像超分辨率方法，其特征在于，所述步骤2具体包括：步骤2.1：所述低空间分辨率高光谱图像Y和高空间分辨率的多光谱图像Z的退化模型被分别建模为：Z＝RX+N
m
，Y＝XB+N
h
其中，N
m
和N
h
分别代表不同的信噪比，X代表目标高空间分辨率高光谱图像；联立上面两个式子建模得到：ZB＝RY，最终目标函数为：min||ZB
‑
RY||；步骤2.2：通过自动编码器网络来求解：输入生成的数据对(Y，Z)，随机初始化点扩散函数B和光谱响应函数R，B的width和height均为(2*ratio)
‑
1，其中ratio为采样率，即两个数据空间分辨率大小之比，R的大小为(C，c)，其中C代表高光谱数据的波段数，c代表多光谱数据的波段数，将B和R作为网络的可训练参数；步骤2.3：将R作为卷积核，通过卷积形式实现张量乘法，同理应用于ZB，最终优化目标函数min||ZB
‑
RY||，迭代求解Z1和Y1，其中，Z1和Y1是通过学习到的B和R二次退化得到的，对得到的Z1和Y1归一化处理，并保存B和R。3.根据权利要求2所述的高光谱图像超分辨率方法，其特征在于，所述步骤3具体包括：步骤3.1：根据矩阵分解模型：X＝AS，建立目标函数：min||X
‑
AS||，其中A代表末端成员矩阵，S代表对应的丰度矩阵；步骤3.2：随机初始化末端成员矩阵A和丰度矩阵S，得到初始末端成员矩阵A0和对应的初始丰度矩阵S0，得到初始目标图像X0＝A0S0；其中，A大小为(1，rank，H，W)，其中rank为设定的CP秩，H和W为多光谱数据的长和宽，S大小为(C，rank，1，1)，C为高光谱数据的波段数，将步骤2中得到的点扩散函数B和光谱响应函数R作为输入；步骤3.3：将初始末端成员矩阵A0输入低秩张量生成模块LRTG，首先通过一个卷积Conv提取浅层特征，然后使用卷积Conv
‑
ReLU
‑
Conv来生成输入的特征图，空间核的大小为3x3，将提取得到的特征图输入深度CP分解模块，先分别在通道，高度和宽度维度上进行全局池化GAP，得到向量C1...
【专利技术属性】
技术研发人员：刘建军，张静怡，金迪一，尚艳丽，杨金龙，
申请(专利权)人：江南大学，
类型：发明
国别省市：
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。