【技术实现步骤摘要】
一种高光谱图像的任意分辨率全色锐化方法及系统
[0001]本专利技术涉及遥感图像领域,具体涉及一种高光谱图像的任意分辨率全色锐化方法及系统。
技术介绍
[0002]高光谱图像因其精细的光谱分辨率(可达10nm以内)能够反映出一般被观测地物的固有光谱特征,其被广泛应用于土地覆盖分类、农业管理、目标检测等。但实际高光谱成像过程受成像传感器物理限制,其空间分辨率往往较差,限制了其后续的应用范围。为获取具有高空间分辨率的高光谱图像,一种可行的方案是进行高光谱图像全色锐化,将具有高空间分辨率的单波段全色图像与高光谱图像进行融合,运用全色图像的空间细节来增强高光谱图像的空间质量。传统的全色锐化方法可以分为成分替换、多尺度分析、贝叶斯估计、矩阵分解等。随着深度学习的广泛应用,基于深度卷积神经网络的全色锐化方法逐渐成为研究热点,通过端到端的学习来拟合输入输出高光谱数据的映射关系,并将此映射关系在预测阶段对给定的观测图像进行估计以得到最终的锐化结果。
[0003]高光谱图像全色锐化也常常被用作遥感专题图增强、变化检测等的预处理步骤。然而在这些应用中,其期望的目标空间分辨率可能并不恰好是全色图像的空间分辨率。现有的大多数全色锐化方法仅关注将高光谱图像的分辨率提升到其对应的全色图像空间分辨率上,难以满足上述应用的需求。对此,任意分辨率高光谱全色锐化提供了一种将高光谱图像锐化到任何所需空间分辨率的新方案,能够灵活地满足实际应用中任何可能的用户定制化的分辨率要求。高光谱图像任意分辨率全色锐化,旨在以用户自定义的空间分辨率为目标,通过低 ...
【技术保护点】
【技术特征摘要】
1.一种高光谱图像的任意分辨率全色锐化方法,其特征在于,包括:读取原始高光谱图像H∈R
M
×
N
×
C
,并合成相对应的全色图像P∈R
M
×
N
,其中M,N表示高光谱图像的高和宽,C表示波段数,R表示全体实数集合;将原始高光谱图像及对应的全色图像进行预处理,根据所选训练尺度集合S={s1,s2,
…
,s
k
}生成多尺度图像对,获得训练数据集、验证数据集及测试样本;构建基于扩展亚像素卷积的任意分辨率全色锐化网络;初始化网络参数,随机选取训练数据集中任一尺度数据进行训练,获取网络损失稳定时的最小值,其对应的网络为训练好的扩展亚像素卷积的任意分辨率全色锐化网络;输入测试样本,获取锐化后的目标分辨率高光谱图像。2.根据权利要求1所述的任意分辨率全色锐化方法,其特征在于,所述基于扩展亚像素卷积的任意分辨率全色锐化网络,包括N个级联的尺度注意力残差模块、任意尺度注意力上采样模块及光重构模块。3.根据权利要求2所述的任意分辨率全色锐化方法,其特征在于,所述尺度注意力残差模块,具体为:输入特征图F
N
‑1,采用两层3
×
3卷积,得到中间特征图F
′
;将中间特征图F
′
输入空间注意力模块,沿通道维度分别进行最大池化与平均池化,然后与中间尺度s
′
i
生成的2维矩阵拼接;将拼接结果输入两层7
×
7卷积,最后使用Sigmoid函数获取尺度空间注意力图M;通过堆叠N个尺度注意力残差模块,得到高光谱与全色融合特征F
N
。4.根据权利要求3所述的任意分辨率全色锐化方法,其特征在于,所述任意尺度注意力上采样模块,具体为:输入融合特征F
N
与中间尺度s
′
i
,通过一层3
×
3扩展亚像素卷积与一层3
×
3卷积,再与经过双三次插值的F
N
相加获得F
′
N
,再通过与空间注意力模块,获得具有目标分辨率的特征图F
s
。5.根据权利要求3所述的任意分辨率全色锐化方法,其特征在于,所述光谱重构模块,具体是采用两层1
×
1卷积获取预测目标分辨率高光谱图像。6.根据权利要求1所述的任意分辨率全色锐化方法,其特征在于,所述全色图像是通过对对应的高光谱图像所包含的所有可见光波段进行平均得到。7.根据权利要求1所述的任意分辨率全色锐化方法,其特征在于,所述预处理包括:首先根据所选尺度集合S={s1,s2,
…
,s
k
}及全色图像与低分辨率高光谱图像的...
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。