【技术实现步骤摘要】
一种基于多传感器光谱重构网络的高光谱遥感图像生成方法
[0001]本专利技术属于卫星遥感
,涉及深度神经网络和光谱超分辨技术,具体涉及一种高光谱图像生成方法。
技术介绍
[0002]高光谱图像通常具有从红外光谱到紫外光谱的多种光谱带,高光谱图像的丰富光谱信息使得在局部波段相似的物体分离更容易,丰富的光谱特征已被广泛应用于各种任务。
[0003]然而,由于成像技术的局限性,获取包含丰富光谱波段的高光谱图像是一项获取成本相对较高的工作。与高光谱图像相比,多光谱图像通常具有较少的光谱波段(一般少于20个),相伴随的是低获取成本、丰富的空间信息和连续的时间信息,使得在图像细节上进行区分更加便利。同时远多于高光谱卫星的多光谱卫星数也带来了大量可使用的多光谱图像。
技术实现思路
[0004]本专利技术的目的是为了解决现有成像技术中获取包含丰富光谱波段的高光谱图像是一项获取成本相对较高的工作的问题,而提出一种基于多传感器光谱重构网络的高光谱遥感图像生成方法。
[0005]一种基于多传感器光谱重构网络的高光谱遥感图像生成方法具体过程为:
[0006]步骤一、利用多光谱传感器光谱响应函数和高光谱图像构建对应的理想多光谱图像;
[0007]选定一个传感器作为主传感器,将主传感器的理想多光谱数据和一个其他传感器的真实多光谱数据作为训练数据集,通过训练数据集对传感器理想映射网络的网络参数进行优化得到训练完成的传感器理想映射网络;
[0008]步骤二、利用多个不同的多光谱传感器光谱 ...
【技术保护点】
【技术特征摘要】
1.一种基于多传感器光谱重构网络的高光谱遥感图像生成方法,其特征在于:所述方法具体过程为:步骤一、利用多光谱传感器光谱响应函数和高光谱图像构建对应的理想多光谱图像;选定一个传感器作为主传感器,将主传感器的理想多光谱数据和一个其他传感器的真实多光谱数据作为训练数据集,通过训练数据集对传感器理想映射网络的网络参数进行优化得到训练完成的传感器理想映射网络;步骤二、利用多个不同的多光谱传感器光谱响应函数和高光谱图像构建对应的多光谱图像,构建多传感器多光谱
‑
高光谱数据对,并以之作为训练样本,构建并训练理想多传感器光谱重构网络;步骤三、通过传感器获取待测区域的多光谱图像,将待测区域的多光谱图像输入训练完成的传感器理想映射网络,获得待测区域的多光谱图像对应的理想多光谱图像;将理想多光谱图像输入训练完成的理想多传感器光谱重构网络,获得理想多光谱图像对应的高光谱图像;步骤四、对步骤三获得的高光谱图像进行修正,得到修正后的高光谱图像。2.根据权利要求1所述的一种基于多传感器光谱重构网络的高光谱遥感图像生成方法,其特征在于:所述步骤一中利用多光谱传感器光谱响应函数和高光谱图像构建对应的理想多光谱图像;具体过程为:1)、以L和L
M
分别作为连续光谱曲线和多光谱曲线,以R作为多光谱传感器的光谱响应函数,则L
M
的第i个波段与L和R之间的关系可以表示为:L
Mi
=∫L(λ)R
i
(λ)dλ其中,L
Mi
为多光谱曲线的第i个波段,L(λ)为连续光谱曲线,R
i
(λ)为多光谱曲线第i个波段对应的光谱响应函数,λ为波长;2)、基于线性插值的原理将多光谱传感器的光谱响应函数调整为高光谱到多光谱的归一化光谱响应函数R
H
,光谱响应函数R
H
表示高光谱图像到多光谱图像的映射关系,其中,L
H
表示高光谱曲线,h是高光谱波段数,λ
n
为高光谱传感器所拥有的第n个波段的波长,R
Hi
(λ
n
)为归一化光谱响应函数R
H
在对应多光谱曲线第i个波段在波长为λ
n
时的具体取值;3)、将高光谱图像与高光谱到多光谱的归一化光谱响应函数相乘得到对应的理想多光谱图像L
M
=L
H
R
H
,L
M
、L
H
和R
H
分别为用矩阵形式表示的L
M
、L
H
和R
H
。3.根据权利要求2所述的一种基于多传感器光谱重构网络的高光谱遥感图像生成方法,其特征在于:所述步骤一中传感器理想映射网络包括特征提取层和特征融合层;传感器理想映射网络可以表示为I
Map
=H
Fus
(H
QS
(I
M
‑
S
)
×
H
QR
(I
M
‑
R
))其中H
QS
、H
QR
和H
Fus
分别表示针对参考数据的特征提取层、针对真实数据的特征提取层、特征融合层各自的系统响应,I
M
‑
S
和I
M
‑
R
分别表为输入的参考多光谱数据和真实多光谱数据,I
Map
为传感器理想映射网络输出的理想投影多光谱数据;针对参考数据的特征提取层与针对真实数据的特征提取层结构一致;
特征提取层依次包括1个全连接层和3个全连接Res层,用于参考数据和真实数据的特征提取,特征提取层可以表示为:I
QS
=H
QS
‑3(H
QS
‑2(H
QS
‑1(H
QS
‑0(I
M
‑
S
))))I
QR
=H
QR
‑3(H
QR
‑2(H
QR
‑1(H
QR
‑0(I
M
‑
R
))))其中H
QS
‑0、H
QR
‑0分别为针对参考数据的特征提取层与针对真实数据的特征提取层的第1个全连接层;H
QS
‑1、H
QS
‑2、H
QS
‑3、H
QR
‑1、H
QR
‑2和H
QR
‑3分别为针对参考数据的特征提取层与针对真实数据的特征提取层的第1
‑
3个全连接Res层;I
QS
为对参考数据提取的特征,I
QR
为对真实数据提取的特征;其中每个全连接Res层依次由全连接层、激活层、全连接层、激活层组成;特征融合层可以表示为:I
Map
=H
Fus1
(I
QS
×
I
QR
)
×
H
Fus2
(I
QR
)其中H
Fus1
和H
Fus2
分别表示融合特征处理真实特征处理的系统响应,I
Map
为特征融合层输出特征;所述融合特征处理依次由2个全连接层组成;所述真实特征处理依次由2个全连接层组成。4.根据权利要求3所述的一种基于多传感器光谱重构网络的高光谱遥感图像生成方法,其特征在于:所述步骤二中理想多传感器光谱重构网络包括特征提取层和特征融合层;其中特征提取层包括2D空间特征提取网络、3D空谱特征提取网络;特征融合层包括多传感器信息融合网络和一个光谱特征处理模块;理想多传感器光谱重构网络可以表示为:I
MSSR
=H
SE
(H
S3D
(I
M
)+H
MSR
(H
S2D
(I
M
),H
S2D1
(I
M1
),H
S2D2
(I
M2
)))其中H
S2D
表示主传感器特征提取层对应的2D空间特征提取网络;H
S3D
表示主传感器特征提取层对应的3D空谱特征提取网络;H
S2D1
表示传感器1特征提取层对应的2D空间特征提取网络;H
S2D2
表示传感器2特征提取层对应的2D空间特征提取网络;H
MSR
和H
SE
分别表示特征融合层中的多传感器信息融合网络和一个光谱特征处理模块;I
M
表示输入主传感器的理想多光谱数据,I
M1
表示输入传感器1的理想多光谱数据,I
M2
表示输入传感器2的理想多光谱数据,I
MSSR
表示理想多传感器光谱重构网络输出。5.根据权利要求4所述的一种基于多传感器光谱重构网络的高光谱遥感图像生成方法,其特征在于:所述2D空间特征提取网络包括:升维层、特征提取层、特征堆叠层和特征压缩层;升维层依次由单个3
×
3卷积层和单个激活层组成;I
2D
‑
DA
=H
2D
‑
DA
(I
M
)I
M
为输入数据,I
2D
‑
DA
为经过升维层后的输出;H
2D
‑
DA
为升维层处理;特征提取层由5个压缩与激励残差块组成;每个压缩与激励残差块依次由单个残差块和单个压缩与激励块组成;每个残差块依次包含一个3
×
3卷积层,一个激活层、一个1
×
1卷积层和一个激活层;每个压缩与激励块依次包括一个全局池化层、一个全连接层、一个Relu激活层、一个全连接层和一个Sigmoid激活层;
每个压缩与激励残差块的连接关系为:输入特征依次输入一个3
×
3卷积层,一个激活层、一个1
×
1卷积层,一个激活层,获得残差块输出特征,将残差块输出特征与输入特征相加后的结果依次输入一个全局池化层、一个全连接层、一个Relu激活层、一个全连接层和一个Sigmoid激活层,得到压缩与激励块输出特征,将残差块输出特征与压缩与激励块输出特征相乘,得到压缩与激励残差块输出结果;对于第1层到第N层的压缩与激励残差块的输出可以表示为:I
2D
‑1=H
2D
‑1(I
2D
‑
DA
)I
2D
‑
N
=H
2D
‑
N
(...(H
2D
‑1(I
2D
‑
DA
)))其中H表示压缩与激励残差块的系统响应,H
2D
‑1表示第1层压缩与激励残差块的系统响应,H
2D
‑
N
表示第N层压缩与激励残差块的系统响应,I
2D
‑
N
表示第N层压缩与激励残差块输出的特征;特征堆叠层可表示为:I
2D
‑
C
=[I
2D
‑
DA
,I
2D
‑1,I
2D
‑2,...,I
2D
‑
N
]其中[]表示光谱维的堆叠,I
2D
‑
C
表示最终输出的特征;特征压缩层依次由单个3
×
3卷积层和单个激活层组成;表示为:I
2D
=H
2D
‑
D
(I
2D
‑
C
)其中H
2D
‑
D
表示特征压缩层处理,特征压缩层依次由单个3
×
3卷积层和单个激活层组成。6.根据权利要求5所述的一种基于多传感器光谱重构网络的高光谱遥感图像生成方法,其特征在于:所述3D空谱特征提取网络包括4组3D特征处理模块和一个3D特征压缩模块;每个叠加式3D特征处理模块包括:升维层、特征提取层、特征扩展层、3D特征堆叠层、求和模块和3D光谱特征放大层;升维层依次由单个3
×
3卷积层和单个激活层组成;表示为:I
3D
‑
DA
=H
3D
‑
DA
(I
M
)I
M
为输入数据;H
3D...
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。