System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及高光谱和多光谱图像的生成,尤其涉及一种基于多模型深度先验的融合方法与系统、存储介质和设备。
技术介绍
1、高光谱图像是指在很多不同波段下获取的图像,它相比于传统的数字摄影或者彩色图像能够捕捉物体更加细微的变化,获得更多细节和特征信息,因此高光谱图像被广泛应用于农业,医学,遥感等领域,存在很大的应用价值;但是相比于彩色图像,高光谱图像需要更窄的光谱窗口来维持光谱通道上的多样性,在不提升硬件成本的前提下,这会导致系统在相同时间中,系统难以获得足够的光子来保证良好的信噪比,产生的图像空间分辨率降低,丢失了大量的空间细节,无法得到高质量的高光谱图像;为了在不增加硬件成本的基础上解决该问题,大量的图像超分辨算法相继被提出,但这些算法在不同数据集中效果表现并不一致。
技术实现思路
1、为此,本专利技术所要解决的技术问题在于克服现有技术中高光谱图像无法保证良好的信噪比、空间分辨率低和丢失大量的空间细节的问题;为解决上述技术问题,本专利技术提供了一种基于多模型深度先验的融合方法与系统、存储介质和设备,在不增加硬件成本的基础上提高高光谱图像的质量和提升网络模型输出图像的精度。
2、为了达到上述目的,本专利技术采用的主要技术方案包括:
3、第一方面,本专利技术提供一种基于多模型深度先验的融合方法,包括:获取样本集;根据所述样本集,建立可变残差混合注意力网络模型;根据所述样本集,通过所述可变残差混合注意力网络模型,生成多模型输出图像;根据所述多模型输出图像,通过光谱
4、在本专利技术的一个实施例中,获取数据集;所述数据集包括高分辨率高光谱图像;根据所述数据集,通过归一化处理、退化处理,得到样本集;所述样本集包括高分辨率多光谱图像和低分辨率高光谱图像。
5、在本专利技术的一个实施例中,
6、所述退化处理为:
7、y=xbs
8、z=rx
9、b=fdfh
10、其中,y为所述高分辨率多光谱图像;z为所述低分辨率高光谱图像;x为所述高分辨率高光谱图像;b为模糊矩阵;f为离散傅里叶变换矩阵;r为光谱响应矩阵;s为下采样矩阵;fh为快速傅里叶变换的逆变换;d为对角矩阵。
11、在本专利技术的一个实施例中,根据所述样本集,建立可变残差混合注意力网络模型;根据所述样本集,通过所述可变残差混合注意力网络模型,生成多模型输出图像的具体步骤包括:根据所述样本集,通过随机分配的方式,生成训练集和数据集;根据所述训练集、所述数据集、可变残差结构和外圈注意力方式,建立初始可变残差混合注意力网络模型;所述初始可变残差混合注意力网络模型包括:第一可变残差混合注意力网络模型、第二可变残差混合注意力网络模型和第三可变残差混合注意力网络模型;通过l1损失函数训练所述初始可变残差混合注意力网络模型,得到所述可变残差混合注意力网络模型;根据所述数据集和所述样本集,通过所述可变残差混合注意力网络模型,生成所述多模型输出图像。
12、在本专利技术的一个实施例中,所述遗传算法为:
13、
14、
15、
16、其中,为所述遗传算法的适应度函数;
17、为所述遗传算法的第一变异迭代步骤;
18、为所述遗传算法的第二变异迭代步骤;t为当前代数;t为最大代数;r为随机数,r∈[0,1];ran为变异进行的方向;为第t代中需要寻优的第i个超参。
19、在本专利技术的一个实施例中,所述根据所述融合方程,通过快速求解方法,生成高光谱图像的具体步骤包括:根据所述融合方程,生成西尔维斯特方程;根据所述西尔维斯特方程,通过所述西尔维斯特方程的快速求解方法,生成高光谱图像。
20、在本专利技术的一个实施例中,所述融合方程为:
21、
22、其中,j(x)为所述融合方程;α为多模型正则化项的系数;为多模型输出的网络先验;
23、所述西尔维斯特方程为:
24、h1x+xh2=h3
25、h1=bs(bs)t
26、h2=rtr+αic
27、
28、其中,h1为第一西尔维斯特方程项;h2为第二西尔维斯特方程项;h3为第三西尔维斯特方程项;c为所述高光谱图像的通道数;ic为c×c大小的单位阵。
29、第二方面,本专利技术提供一种基于多模型深度先验的融合系统,包括:获取数据模块,用于获取样本集;第一图像生成模块,用于根据所述样本集,建立可变残差混合注意力网络模型;根据所述样本集,通过所述可变残差混合注意力网络模型,生成多模型输出图像;获取系数模块,用于根据所述多模型输出图像,通过光谱重构,建立多模型正则化项;根据所述多模型正则化项,通过遗传算法,生成最优正则化系数;第二图像生成模块,用于根据所述最优正则化系数和所述多模型正则化项,建立融合方程;根据所述融合方程,通过快速求解方法,生成高光谱图像。
30、第三方面,本专利技术提供一种计算机可读存储介质,其上存储有计算机程序,所述程序执行时实现上述第一方面中任一项所述基于多模型深度先验的融合方法。
31、第四方面,本专利技术提供一种存储设备,包括存储介质和处理器,所述存储介质存储有计算机程序,所述程序被处理器执行时实现上述第一方面中任一项所述基于多模型深度先验的融合方法。
32、本专利技术的上述技术方案相比现有技术具有以下优点:
33、本专利技术所述的一种基于多模型深度先验的融合方法,在设计可变残差混合注意力网络的过程中,加入了可变残差的结构,使得模型能够适应任务的特征,复原出高精度的高分辨率高光谱图像;通过改变可变残差混合注意力网络的外圈空间注意力和通道注意力的方式,以低分辨率高光谱图像和高分辨率多光谱图像为可变残差混合注意力网络的输入,获得三个不同的模型输出的深度先验结果;然后,将可变残差混合注意力网络输出的先验结果在光谱维度上进行重构,使用重构结果作为正则化项加入到机理模型之中;将寻找模型最优解的问题转换为求解西尔维斯特方程的问题,使用西尔维斯特方程的快速解法重建出高光谱超分辨率图片,并且通过遗传算法确定不同深度先验结果的最优超参数,从而得到高质量的高光谱图像;本申请运用机理知识将多种超分辨结果融合至一个算法之中,使得在不增加硬件成本的基础上,得到高质量的高光谱图像,有效降低高光谱图像采集设备的硬件成本,显著提升超分辨图像的修复质量。
本文档来自技高网...【技术保护点】
1.一种基于多模型深度先验的融合方法,其特征在于,包括:
2.根据权利要求1所述的基于多模型深度先验的融合方法,其特征在于,获取样本集的具体步骤包括:
3.根据权利要求2所述的基于多模型深度先验的融合方法,其特征在于:
4.根据权利要求1所述的基于多模型深度先验的融合方法,其特征在于,根据所述样本集,建立可变残差混合注意力网络模型;根据所述样本集,通过所述可变残差混合注意力网络模型,生成多模型输出图像的具体步骤包括:
5.根据权利要求1所述的基于多模型深度先验的融合方法,其特征在于:
6.根据权利要求1所述的基于多模型深度先验的融合方法,其特征在于:
7.根据权利要求6所述的基于多模型深度先验的融合方法,其特征在于:
8.一种基于多模型深度先验的融合系统,其特征在于,包括:
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述基于多模型深度先验的融合方法。
10.一种存储设备,包括存储介质和处理器,所述存储
...【技术特征摘要】
1.一种基于多模型深度先验的融合方法,其特征在于,包括:
2.根据权利要求1所述的基于多模型深度先验的融合方法,其特征在于,获取样本集的具体步骤包括:
3.根据权利要求2所述的基于多模型深度先验的融合方法,其特征在于:
4.根据权利要求1所述的基于多模型深度先验的融合方法,其特征在于,根据所述样本集,建立可变残差混合注意力网络模型;根据所述样本集,通过所述可变残差混合注意力网络模型,生成多模型输出图像的具体步骤包括:
5.根据权利要求1所述的基于多模型深度先验的融合方法,其特征在于:
6.根据权...
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。