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() 一种偏振高光谱图像融合系统和方法技术方案_技高网

一种偏振高光谱图像融合系统和方法技术方案

技术编号:41687025 阅读:3 留言:0更新日期:2024-06-14 15:37
本发明专利技术涉及一种偏振高光谱图像融合系统和方法,系统包括:图像采集模块1,用于获取高光谱图像和若干个不同偏振角对应的偏振图像;降维模块2,用于在高光谱图像内提取至少两张具有不同中心波长的波段图像,并将若干个不同偏振角对应的偏振图像进行信息提取,获得线偏振度图像;编码模块3,用于对至少两张具有不同中心波长的光谱图像和线偏振度图像分别进行图像特征提取,获得各自对应的深层特征向量;融合模块4,用于将编码模块输出的所有特征向量进行特征融合,获得融合后的融合特征向量;解码模块5,用于将融合后的融合特征向量进行图像显影,获得高光谱偏振融合图像。本发明专利技术可以避免在融合图像过程中出现图像信息丢失。

【技术实现步骤摘要】

本专利技术涉及高光谱图像处理领域,具体而言,涉及一种偏振高光谱图像融合系统和方法


技术介绍

1、目前高光谱成像技术已经被多个领域成功应用,但偏振成像还是一个相对较新、有待开发的领域。偏振成像的目标检测目前大多还是以异常检测算法为主,利用偏振数据从自然背景中分离人造材料已经取得了一定程度的应用验证,但在大部分背景是人为的城市环境中或者复杂背景中,异常检测的效能将大幅降低。此外,偏振传感已被证明对光照条件和观察几何形状高度敏感。为了克服特定的感知模态的局限性,可以通过组合或融合互补的数据集,以提供对特定场景的额外理解。将一个高光谱数据集与在不同波长或不同时间下获得的其他数据集进行融合,可以提高分类性能。数据融合也被成功应用于不同的传感器模式,从激光雷达和合成孔径雷达(synthetic aperture radar,sar)到高分辨率全色传感器、高光谱传感器和偏振传感器,这些融合工作的应用从土地覆盖分类和表面热特性提取到异常目标检测都表现出了良好的性能。过去利用光谱和偏振数据取得的成功表明:融合这两种电磁波维度,能够大幅度提高目标检测性能。此外,融合实验表明:可以通过检查像素的异常程度和目标的特征来获得额外的洞察力。前面讨论的多模态数据融合应用依赖于两种模式同时获得的数据,但受限于偏振光谱成像技术硬件发展,数据稀缺,针对偏振光谱图像融合目前多为传统融合方法,结合最先进的深度学习技术研究较少。

2、现有的传统图像信息融合研究主要集中于像素级图像融合领域中,因为像素级图像融合算法通用性更强,保留的信息也更加完备。但这些图像融合方法中存在着局限性,如方法实现困难、计算复杂度较高、普适性不强等。近些年来,基于深度学习的图像融合方法已成为了一个热门研究领域。基于深度学习的融合方法通过大量的训练数据和损失函数的约束在源图像和融合图像之间建立一个复杂的数据关系,相对于传统图像融合方法更具优势。基于深度学习的方法通过设计各种不同的网络结构和损失函数来保留更多有效信息至融合图像中。在深度学习图像融合中,相关学者提出了许多新颖的融合方法,并取得了比较理想的融合结果。但应用于偏振光谱成像中仍然存在许多问题:首先,传统图像融合方法融合步骤设计复杂,计算量大且鲁棒性差;其次,现有基于深度学习的图像融合方法中,无针对性地设计网络结构和损失函数,容易导致源图像中关键信息丢失;最后,现有的基于深度学习的图像融合方法中,使用固定的网络结构提取多模态图像的特征信息,易导致图像信息的丢失。


技术实现思路

1、本专利技术的目的在于克服现有技术缺陷,提供了一种偏振高光谱图像融合系统和方法。

2、本专利技术提供的一种偏振高光谱图像融合系统,其技术方案如下:

3、一种偏振高光谱图像融合系统,包括建立通信关系的:

4、图像采集模块,用于获取高光谱图像和若干个不同偏振角对应的偏振图像;

5、降维模块,用于在所述高光谱图像内提取至少两张具有不同中心波长的光谱图像,并将所述若干个不同偏振角对应的偏振图像进行信息提取,获得线偏振度图像;

6、编码模块,用于对所述至少两张具有不同中心波长的光谱图像和所述线偏振度图像分别进行图像特征提取,获得各自对应的深层特征向量;

7、融合模块,用于将所述编码模块输出的所有深层特征向量进行特征融合,获得融合后的融合特征向量;

8、解码模块,用于将所述融合后的融合特征向量进行图像显影,获得高光谱偏振融合图像。

9、本专利技术所提出的一种偏振高光谱图像融合系统,可通过图像采集模块获取高光谱图像和若干个不同偏振角对应的偏振图像,这些图像首先由降维模块进行分别处理,获得至少两张具有不同中心波长的光谱图像和线偏振度图像,之后由编码模块分别进行特征提取,获得各自对应的深层特征向量,随后被融合模块进行特征融合,最终被解码模块将融合后的融合特征向量进行图像显影,获得高光谱偏振融合图像,这一系列过程为智能化运行,克服了传统图像融合方法所存在的融合步骤设计复杂,计算量大且鲁棒性差的技术问题。而且,由于在编码模块与解码模块配合的同时,引入了降维模块和融合模块,从而减小了冗余信息,同时避免了图像关键信息丢失,创新性的实现了高光谱和偏振图像的高质量融合。

10、作为优选,所述图像采集模块1包括:

11、高光谱图像采集单元,用于获取所述高光谱图像;

12、偏振图像采集单元,用于获取所述若干个不同偏振角对应的偏振图像。

13、其中,所述高光谱图像采集单元101、所述偏振图像采集单元均与所述降维模块通信;所述若干个不同偏振角包含的偏振角度为0°、45°、90°、135°。进而有助于实现对于特定对象的高光谱图像和偏振图像的同时分别获取,为后续的高光谱图像与偏振图像的融合提高效率。

14、作为优选,所述降维模块包括:

15、多光谱图像获取单元,用于在所述高光谱图像内提取至少两张具有不同中心波长的波段图像;

16、线偏振度图像获取单元,用于将所述若干个不同偏振角对应的偏振图像进行信息提取,获得线偏振度图像;

17、其中,所述多光谱图像获取单元与所述高光谱图像采集单元通信,所述线偏振度图像获取单元与所述偏振图像采集单元通信;

18、进而确保同时且高效的进行高光谱图像内提取至少两张具有不同中心波长的波段图像与获得线偏振度图像。

19、作为优选,所述多光谱图像获取单元多光谱图像降维方式为谱聚类方法,谱聚类算法更加适用于高维数据的聚类,只需要数据之间的相似度矩阵,因此对于处理稀疏数据的聚类很有效。与传统的聚类算法相比,它具有能在任意形状的样本空间上聚类且收敛于全局最优解。

20、作为优选,所述线偏振度图像获取单元嵌有线偏振度图像构建模型,所述线偏振度图像构建模型表述如下:

21、s0=p0+p90,

22、s1=p0-p90,

23、s2=p45-p135,

24、

25、其中,p0、p45、p90、p135分别代表偏振角度为0°、45°、90°、135°所对应的偏振图像,dolp为线偏振度图像;

26、进而,通过线偏振度图像获取单元嵌入此类线偏振度图像构建模型,确保了所需要的偏振图像信息的融合,而且算法简便,不至损失偏振信息。

27、作为优选,所述编码模块包括建立通信关系的:

28、卷积单元c1,用于对所述至少两张具有不同中心波长的波段图像和所述线偏振度图像分别进行图像局部特征提取,获得各自对应的特征图像;

29、若干个稠密块体,用于对所述卷积单元c1的所有输出进行特征提取、批量归一化和高斯误差线性激活处理,获得各自对应的编码图像;

30、其中,所述卷积单元c1与所述多光谱图像获取单元、所述线偏振度图像获取单元通信,所述若干个稠密块体均与所述融合模块通信;

31、进而确保编码模块实现对至少两张具有不同中心波长的波段图像和线偏振度本文档来自技高网...

【技术保护点】

1.一种偏振高光谱图像融合系统,其特征在于:包括建立通信关系的:

2.根据权利要求1所述的偏振高光谱图像融合系统,其特征在于:所述图像采集模块包括:

3.根据权利要求2所述的偏振高光谱图像融合系统,其特征在于:所述降维模块包括:

4.根据权利要求3所述的偏振高光谱图像融合系统,其特征在于:所述线偏振度图像提取单元嵌有线偏振度图像构建模型,所述线偏振度图像构建模型表述如下:

5.根据权利要求4所述的偏振高光谱图像融合系统,其特征在于:所述编码模块包括建立通信关系的:

6.根据权利要求5所述的偏振高光谱图像融合系统,其特征在于:所述融合模块嵌有图像融合模型,所述图像融合模型表述如下;

7.根据权利要求6所述的偏振高光谱图像融合系统,其特征在于:所述解码模块包含若干个建立通信关系的卷积单元。

8.一种偏振高光谱图像融合网络获取方法,其特征在于:用于权利要求1-7中任意一项所述的偏振高光谱图像融合系统,包括如下步骤:

【技术特征摘要】

1.一种偏振高光谱图像融合系统,其特征在于:包括建立通信关系的:

2.根据权利要求1所述的偏振高光谱图像融合系统,其特征在于:所述图像采集模块包括:

3.根据权利要求2所述的偏振高光谱图像融合系统,其特征在于:所述降维模块包括:

4.根据权利要求3所述的偏振高光谱图像融合系统,其特征在于:所述线偏振度图像提取单元嵌有线偏振度图像构建模型,所述线偏振度图像构建模型表述如下:

5.根据权利要求4所述的偏振...

【专利技术属性】
技术研发人员:虞益挺仝赓王燕历奔姚鑫玲
申请(专利权)人:西北工业大学宁波研究院
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1