【技术实现步骤摘要】
一种基于卷积神经网络的多光谱图像去马赛克方法
[0001]本专利技术属于多光谱图像
,具体涉及一种基于卷积神经网络的多光谱图像去马赛克方法。
技术介绍
[0002]多光谱图像比起传统RGB彩色图像具有更多的光谱波段,拥有更多的光谱信息,被广泛用于遥感图像处理,医学图像分析,食品质量检测,真伪目标检测等方面。现有的多光谱成像技术主要为空间扫描、光谱扫描以及快照式光谱成像等,均是通过牺牲空间分辨率或时间分辨率以换取光谱分辨率。现有的基于多光谱滤光片阵列(MSFA)(如图1所示)的快照式光谱成像(如图3所示)是以牺牲空间分辨率来提高光谱分辨率,随着光谱分辨率的增加,空间分辨率会相应减小。为获取完整的多光谱图像,需进行去马赛克处理。通常使用插值法进行去马赛克,由于快照式多光谱图像在空间上的稀疏采样,导致去马赛克后的图像存在严重的伪影和棋盘格效应。
[0003]目前基于深度卷积神经网络的快照式多光谱图像去马赛克方法都存在一定不足,这些方法都将快照式多光谱图像各个光谱段分离,通过低空间分辨率的多光谱图像进行重建,这会导致空间信息的损失,限制重建的效果。由于快照式光谱图像各个滤光片采样像素位置不同,各谱段对应空间信息有一定程度偏移,这些方法重建后的多光谱图像会出现伪影。Tewodros Amberbir Habtegebrial等人在其论文Deep Convolutional Networks For Snapshot Hypercpectral Demosaicking中提出了一种基于深度残差网络的的多光谱Raw图 ...
【技术保护点】
【技术特征摘要】
1.一种基于卷积神经网络的多光谱图像去马赛克方法,其特征在于,包括:获取多光谱Raw图像训练集;构建马赛克自适应注意力卷积神经网络;利用所述多光谱Raw图像训练集对所述马赛克自适应注意力卷积神经网络进行训练,得到训练完成的马赛克自适应注意力卷积神经网;将待测的多光谱Raw图像输入至训练完成的马赛克自适应注意力卷积神经网进行去马赛克重建,得到对应的去马赛克重建多光谱图像;其中,所述马赛克自适应注意力卷积神经网络,包括马赛克卷积模块、马赛克特征编码模块、马赛克特征解码模块和多个空间注意力模块,其中,所述马赛克卷积模块、所述马赛克特征编码模块与所述马赛克特征解码模块级联;所述马赛克特征编码模块和所述马赛克特征解码模块均包括多个级联的密集残差注意力模块;所述多个空间注意力模块对应连接在所述马赛克特征编码模块的密集残差注意力模块和所述马赛克特征解码模块的密集残差注意力模块之间。2.根据权利要求1所述的种基于卷积神经网络的多光谱图像去马赛克方法,其特征在于,获取多光谱Raw图像训练集,包括:利用多光谱滤光片阵列对多个原始多光谱图像进行仿真采样,得到多个多光谱Raw图像,作为所述多光谱Raw图像训练集;其中,所述多光谱滤光片阵列包括c个空间排布方式为m*n的光谱滤光片,c为多光谱滤光片阵列的光谱波段数,m和n均为大于零的整数。3.根据权利要求1所述的种基于卷积神经网络的多光谱图像去马赛克方法,其特征在于,在所述马赛克特征编码模块中,每个密集残差注意力模块的输入输出特征图通道数不同;在所述马赛克特征解码模块中,每个密集残差注意力模块的输入输出特征图通道数不同。4.根据权利要求3所述的种基于卷积神经网络的多光谱图像去马赛克方法,其特征在于,所述密集残差注意力模块包括依次级联的第一卷积单元、第一concatenate拼接层、第二卷积单元、第二concatenate拼接层、第三卷积单元、马赛克通道注意力层和融合层,其中,所述第一卷积单元、所述第二卷积单元和所述第三卷积单元均包括级联的卷积层和第一激活函数层,其中,所述卷积层的卷积核大小为3
×
3,所述第一卷积单元和所述第二卷积单元的卷积层的卷积核个数为该密集残差注意力模块的输入通道数四分之一,所述第三卷积单元的卷积层的卷积核个数与该密集残差注意力模块的输出通道数一致;所述第一激活函数层的激活函数为PReLU激活函数;所述第一concatenate拼接层,用于将所述密集残差注意力模块的输入特征与所述第一卷积单元的输出特征进行拼接;所述第二concatenate拼接层,用于将所述密集残差注意力模块的输入特征、所述第一卷积单元的输出特征、所述第二卷积单元的输出特征进行拼接;所述马赛克通道注意力层,用于将所述第三卷积单元的输出特征中的各光谱滤光片对
应位置处光谱进行聚合,并对聚合后特征各像素计算权值,利...
【专利技术属性】
技术研发人员:高大化,石劢,刘丹华,牛毅,石光明,
申请(专利权)人:西安电子科技大学,
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。