一种多光谱图像融合模型的构建方法技术

本发明专利技术公开一种多光谱图像融合模型的构建方法，包括：构建基于多层次深度串联与嵌套连接的自编码器网络；构建基于深度可分离卷积和Leaky

【技术实现步骤摘要】
一种多光谱图像融合模型的构建方法


[0001]本专利技术属于电力设备图像融合
，具体涉及一种多光谱图像融合模型的构建方法。

技术介绍

[0002]图像融合是指将不同的光谱图像进行结合，生成一幅相比源图像信息更加丰富的图像，以便于后续的观测、处理、决策，属于信息融合领域。在某些复杂场景下需要进行成像分析时，需要尽可能多得保留场景信息，以便于对该场景的展开深入研究。单光谱仅能感知目标的单一场景信息，无法对目标进行多模态感知。因此，融合技术在现代化应用和计算机视觉中发挥着越来越重要的作用。由于物理传感器的局限性，红外、紫外与可见光图像所捕获的场景信息有很大不同。多光谱图像融合技术是指将同一场景下的红外、紫外、可见光图像结合起来，利用这几种图像的互补性，生成鲁棒性强、信息量大的融合图像。多光谱图像融合技术在目标检测、图像增强、视频监控和遥感等领域都有着广泛的应用。
[0003]目前，多光谱融合技术已经广泛被应用于电力装备状态监测与检测中，每年至少形成的检测图像不低于356万张，已经呈现大数据特征。但目前光谱成像检测仍然以人工分析为主，且智本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多光谱图像融合模型的构建方法，其特征在于，包括：步骤S1，构建基于多层次深度串联与嵌套连接的自编码器网络；步骤S2，构建基于深度可分离卷积和Leaky
‑
ReLU激活函数的卷积结构块，用于对所述自编码器网络中的编码器网络进行降维、模型压缩和模型轻量化；步骤S3，构建简单卷积结构块，用于所述自编码器网络中的解码器网络进行特征压缩和特征降维，重建复原输入图像；步骤S4，构建基于像素损失和结构相似性损失的损失函数；步骤S5，训练所述自编码器网络；步骤S6，构建基于平均池化算子实现注意力机制的融合策略；步骤S7，将所述融合策略引入已经训练好的所述自编码器网络中，用于对输入的红外光和可见光图像进行融合。2.根据权利要求1所述的方法，其特征在于，所述步骤S1构建的自编码器网络包括编码器网络和解码器网络，所述编码器网络为串联连接结构，所述解码器网络为嵌套连接结构。3.根据权利要求1所述的方法，其特征在于，所述步骤S2构建的基于深度可分离卷积和Leaky
‑
ReLU激活函数的卷积结构块由7层组成，第一层为3
×
3深度逐通道卷积，将单个卷积核应用到每一个输入通道，其中一个输入通道只被一个卷积核进行卷积；第2、3层分别为批量化层和Leaky
‑
ReLU激活函数层，批量化层对神经网络中各个卷积层的参数的量级进行统一，Leaky
‑
ReLU激活函数把线性分量给予负输入来调整负值的零梯度；第4层为1
×
1逐点卷积层，使用单位卷积核进行标准卷积生成特征图；第5、6层为批量化层和Leaky
‑
ReLU激活函数层；第7层为最大值池化层，对特征图所选取领域内取最大值取代该领域内的值，从而达到下采样的目的。4.根据权利要求1所述的方法，其特征在于，所述步骤S3构建的简单卷积结构块由4层组成，第1层为3
×
3卷积层，第2、4层为ReLU层，第3层为1
×
1卷积层。5.根据权利要求1所述的方法，其特征在于，所述步骤S4构建的基于像素损失和结构相似性损失的损失函数，如以下公式所示：L
total
＝L
pixel
+λL
ssim
其中，L
pixel
和L
ssim
表示输入图像和输出图像之间的像素损失和结构相似性损失，λ表示L
pixel<...

【专利技术属性】
技术研发人员：刘子俊，李艳，田杰，杜进桥，怡勇，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：