【技术实现步骤摘要】
基于光谱相关信息和空间高低频信息的超分辨率图像重建方法
[0001]本专利技术属于图像处理
,更进一步涉及图像重建
中的一种基于光谱相关性和空间高低频信息的超分辨率图像重建方法。本专利技术可以用于对高光谱图像进行超分辨率重建,以不失细节的放大目标图像。
技术介绍
[0002]随着人工智能与硬件设备的发展与迭代,深度学习模型已经在计算机视觉领域中取得了很大的成功,它们能够学习到复杂的图像特征和模式,从而更好地推断图像中隐含的信息。而针对高光谱图像而言,高光谱图像可以获取更加丰富的光谱信息,每个像素点不仅包含RGB三个波段的信息,还包含了其他波段的信息,从而可以更好地反映出物体的材质、组成和结构等特征,同时每个光谱波段之间也存在相关性。
[0003]中国人民解放军火箭军工程大学在其申请的专利文献“一种用于高光谱超分辨率重建的超像素稀疏表示方法”(申请号:2020106816377申请日:2020.07.15申请公布号:CN 111861885 A)中公开了一种用于高光谱超分辨率重建的超像素稀疏表示方法。该方法的实现步骤是:(1)利用分割算法聚类MSI像素生成超像素,其中,超像素为同质像素的集合。(2)分别从HSI和MSI学习光谱特征及比例信息。(3)采用联合稀疏正则化在学习的光谱特征上分解MSI超像素获取系数信息。(4)利用学习的光谱特征及系数信息生成高分辨率的高光谱图像,完成用于高光谱超分辨率重建的超像素稀疏表示。但是,该方法仍然存在的不足之处在于,该方法忽略了不同阶段的特征,由于不同阶段的特征携带 ...
【技术保护点】
【技术特征摘要】
1.一种基于光谱相关信息和空间高低频信息特征融合的超分辨率网络,其特征在于,构建空谱联合特征提取子网络,构建空间高低频信息的多级特征融合子网络;该重建方法的步骤包括如下:步骤1,构建空谱联合特征提取子网络:搭建空谱联合特征提取子网络包括第一空谱联合注意力层、第二空谱联合注意力层、第三空谱联合注意力层、第四空谱联合注意力层、第一卷积层、第一激活层、第二卷积层、第二激活层;其中,第一至第四空谱联合注意力层结构相同;将第一、第二卷积层的大小均设置为1
×1×
1,步长设置为1,输出的填充补零设置为[0,0,0],空洞值设置为[1,1,1];第一、第二激活层均采用LeakyReLu函数实现,函数在负数部分的斜率均设置为0.01;步骤2,构建空间高低频信息的多级特征融合子网络:搭建由空间高低频分离层、融合层、第一卷积层、第二卷积层、第一激活层、第三卷积层、第二激活层依次串联组成的空间高低频信息的多级特征融合子网络;所述融合层由空间高频融合层与空间低频融合层并联组成;设置空间高低频信息的多级特征融合子网络的参数如下:将第一至第三卷积层的大小均设置为1
×1×
1,步长均设置为1,输出的填充补零均设置为[0,0,0],空洞值均设置为[1,1,1];第一激活层采用sigmoid函数实现;第二激活层采用LeakyReLu函数实现,函数在负数部分的斜率设置为0.01;步骤3.构建基于光谱相关信息和空间高低频信息特征融合的超分辨率网络:搭建由浅层特征提取层、映射重建层串联组成的光谱相关性信息和空间高低频信息特征融合的超分辨率网络;所述映射重建层由空谱联合特征提取子网络与空间高低频信息的多级特征融合子网络并联组成;步骤4.生成训练集:选取至少25张高光谱图像,每张高光谱图像分辨率的光谱波段数C、长度H、宽度W分别为大于或等于10、32、32;对每张高光谱图像进行数据预处理后得到该张图像的图像对,将所有的图像对组成训练集;步骤5.训练超分辨率网络:将训练集输入到基于光谱相关信息和空间高低频信息特征融合的超分辨率网络中,采用Adam优化算法迭代更新网络参数,直到损失函数收敛为止,得到训练好的基于光谱相关信息和空间高低频信息特征融合的超分辨率网络;步骤6.对高光谱图像进行超分辨率重建:采用与步骤5相同的方法,对待重建的低空间分辨率高光谱图像进行预处理后输入到训练好的网络中,进行超分辨率重建,输出重建后的高分辨率的高光谱图像。2.根据权利要求1所述的基于光谱相关信息和空间高低频信息特征融合的超分辨率网络,其特征在于,步骤1中所述空谱联合注意力层的结构依次串联为:第一卷积层,第一激活层,第一并联层,第六卷积层,第六激活层,第七卷积层,第七激活层,第二并联层,第八卷积层,第九卷积层,第八激活层;所述第一并联层由第一支路与第二支路并联组成,第二卷积层与第二激活层串联构成第一支路,第四卷积层与第四激活层串联构成第二支路;所述第二并联层由第三支路与第四支路并联组成,第三卷积层与第三激活层串联成第三支路,第五卷积层与第五激活层串联构成第四支路。
3.根据权利要求1所述的基于光谱相关信息和空间高低频信息特征融合的超分辨率网络,其特征在于,步骤1中所述空谱联合注意力层的各层参数设置如下:将第一、第二、第三、第六卷积层的大小均设置为3
×1×
1,步长均设置为1,输出的填充补零均设置为[1,0,0],空洞值均设置为[1,1,1];将第四、第五、第七卷积层的大小均设置为3
×1×
1,步长均设置为1,输出的填充补零均设置为[2,0,0],空洞值均设置为[2,1,1],将第八、第九卷积层的大小均设置为1
×1×
1,步长均设置为1,输出的填充补零均设置为[0,0,0],空洞值均设置为[1,1,1];第一至第五激活层均采用LeakyReLu函数实现,函数在负数部分的斜率均设置为0.01;第六至第九激活层采用sigmoid函数实现。4.根据权利要求1所述的基于光谱相关信息和空间高低频信息特征融合的超分辨率网络,其特征在于,步骤2中所述空间高低频分离层是由第一卷积层,第一激活层,第一组合层,下采样层依次串联组成;所述第一组合层由两条支路并联组成,第二卷积层与第二激活层串联组成第一支路,第三卷积层与第三激活层串联组成第二支路;设置空间高低频分离层的参数如下,将第一至第三卷积层...
【专利技术属性】
技术研发人员:张静,郑任杰,陈旭,洪兆龙,李云松,
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。