【技术实现步骤摘要】
本专利技术属于图像处理，尤其涉及一种基于扩散模型的高光谱图像超分和分类联合优化方法。
技术介绍
1、目前，高光谱图像因其包含数百个连续的窄光谱带，使得在观测场景中能够捕捉精细的光谱特征。因此，高光谱图像已广泛应用于农业、海洋保护、森林保护等领域。然而，由于高光谱成像设备的限制，在空间分辨率、光谱分辨率和信噪比之间存在权衡。为了获得更高的光谱分辨率，往往需要牺牲空间分辨率。在实际应用中，低空间分辨率高光谱图像不能满足某些应用场景的需求。为了解决这一问题，超分辨率(也称为超分)技术应运而生，它可以从低分辨率图像重建高分辨率图像，从而提高高光谱图像的空间分辨率。
2、近年来，人们提出了大量的超分方法，大致可以分为两大类:传统的超分方法和基于深度学习的超分方法。传统的超分方法主要包括两类。第一类是基于插值的方法，实现简单，计算效率高，但重建的图像往往无法恢复高频细节。第二类是基于重建的方法，主要利用有效的空间或光谱统计分布来恢复高频细节，如稀疏正则化、低秩和非局部自相似。然而，这些方法需要先验以获得更好的性能，但是通常很难获得适用于...
【技术保护点】
1.一种基于扩散模型的高光谱图像超分和分类联合优化方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于扩散模型的高光谱图像超分和分类联合优化方法，其特征在于，步骤一中，所述目标区域空间分辨率较低的高光谱图像，并对图像进行预处理：
3.如权利要求1所述的基于扩散模型的高光谱图像超分和分类联合优化方法，其特征在于，步骤二中，所述生成样本集，选取一定数量的样本作为训练集Itrain，其余样本作为测试集Itest，包括：
4.如权利要求1所述的基于扩散模型的高光谱图像超分和分类联合优化方法，其特征在于，步骤三：设计协同迭代超分与分类...
【技术特征摘要】
1.一种基于扩散模型的高光谱图像超分和分类联合优化方法，其特征在于，包括以下步骤：
2.如权利要求1所述的基于扩散模型的高光谱图像超分和分类联合优化方法，其特征在于，步骤一中，所述目标区域空间分辨率较低的高光谱图像，并对图像进行预处理：
3.如权利要求1所述的基于扩散模型的高光谱图像超分和分类联合优化方法，其特征在于，步骤二中，所述生成样本集，选取一定数量的样本作为训练集itrain，其余样本作为测试集itest，包括：
4.如权利要求1所述的基于扩散模型的高光谱图像超分和分类联合优化方法，其特征在于，步骤三：设计协同迭代超分与分类扩散模型，在前向过程中，对参考图像逐步加入高斯噪声，使图像退化为纯噪声状态，为后续的反向去噪过程提供基础，包括：
5.如权利要求1所述的基于扩散模型的高光谱图像超分和分类联合优化方法，其特征在于，步骤四中，在反向去噪过程中，构建环状多层优化网络，多个级联的环状多层优化网络构成了多尺度超分网络，获取每个超分任务样本对应的多个尺度的超分图像，包括...
【专利技术属性】
技术研发人员：曲家慧，肖留圣，董文倩，李楠，李云松，
申请(专利权)人：滁州学院，
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。