申请/专利权人：西北工业大学

申请日：2022-03-05

公开（公告）日：2024-03-08

公开（公告）号：CN114663301B

主分类号：G06T5/73

分类号：G06T5/73;G06T5/10;G06N3/0464;G06N3/082

优先权：

专利状态码：有效-授权

法律状态：2024.03.08#授权;2022.07.12#实质审查的生效;2022.06.24#公开

摘要：本发明公开了一种基于小波层的卷积神经网络全色锐化方法，以离散小波变换层和其逆变换层取代CNNs中上采样、下采样层。将MS与PAN分别送入不同的分支网络，先经过DWT层分解为低频、高频部分，再通过卷积层进行特征提取，重复两次，将得到的低频部分加权融合之后，经过卷积层得到的低频部分特征图，与相应高频部分经卷积层所得的特征图，一起输入IDWT层，再重复两次，最后一次反小波层输入的低频部分是上一层卷积的结果加上MS第一次通过小波层所得低频部分，如此可充分融合MS与PAN的高低频部分信息，最后经过一次卷积后得到融合结果。本发明的网络模型具有体积小、信息损失少的特点；同时提高了融合效率，保证了最终融合图像的高质量。

主权项：1.一种基于小波层的卷积神经网络全色锐化方法，其特征在于，包括如下步骤：步骤1：数据集准备；对卫星采集数据集中的MS图像和PAN图像按照从左到右、从上到下的顺序无重叠地截取图像块，将截取的图像块分成三部分，分别作为训练集、验证集和测试集；对训练集、验证集和测试集中的MS图像块和PAN图像块按照Wald协议进行下采样，然后将这些图像作为网络的输入，将原始MS图像作为参考图像；步骤2：网络模型构建；所述网络模型分为两个部分：分解部分和融合部分；所述分解部分包含两个分支网络，分别分解MS图像块和PAN图像块的信息并提取特征；所述融合部分进行MS图像块和PAN图像块的信息整合和特征加权融合，最终获得融合结果高分辨率多光谱图像；具体各个部分的构建过程如下：步骤2-1：分解部分之PAN分支网络；将下采样后的PAN图像块作为PAN分支网络的输入，经过小波层1，得到：低频信息部分L1、高频信息部分H1；L1经过卷积层1得到低频特征LC1；LC1经过小波层2，得到低频特征的低频信息部分LL1与高频信息部分LH1；LL1经过卷积层2得到低频信息特征LLC1；LH1经过卷积层2_2得到低频的高频特征LHC1；H1经过卷积层1_2得到高频特征HC1；综上：PAN分支网络输入下采样后的PAN图像块，输出高频特征HC1、低频信息特征LLC1、低频的高频特征LHC1；步骤2-2：分解部分之MS分支网络；将下采样后的MS图像块进行双三次插值上采样，此上采样MS图像块作为MS分支网络的输入，经过小波层1_1，得到：低频信息部分L2、高频信息部分H2；L2经过卷积层1_3得到低频特征LC2；LC2经过小波层2_1，得到低频特征的低频信息部分LL2与高频信息部分LH2；LL2经过卷积层2_3得到低频信息特征LLC2；LH2经过卷积层2_4得到低频的高频特征LHC2；H2经过卷积层1_4得到高频特征HC2；综上：MS分支网络输入上采样MS图像块，输出高频特征HC2、低频信息特征LLC2、低频的高频特征LHC2；步骤2-3：融合部分之权重；在进行MS图像块和PAN图像块的信息整合和特征加权融合时增加权重项w1、w2、w3，其计算公式如下： w1＝CCreshapedLLC1,reshapedLLC22w2＝CCreshapedLHC1,reshapedLHC23w3＝CCreshapedHC1,reshapedHC24其中，X、Y代表尺寸为M×N的两张图像，Xi,j与Yi,j分别代表X、Y两张图像在i,j像素位置的像素灰度值，与分别代表X、Y两张图像的像素平均灰度值，CC用于计算相同比例特征之间的相关性，reshaped*代表将尺寸为C×H×W的特征变为尺寸为C×HW特征的操作；步骤2-4：融合部分之网络结构；将PAN分支网络得到的低频信息特征LLC1与MS分支网络得到的低频信息特征LLC2进行加权融合，即：LL＝w1×LLC1+1-w1×LLC25LL经过卷积层3得到LLC；将LLC作为反小波层2的低频输入，LHC1与LHC2通过式6加权融合结果LHC作为反小波层2的高频输入，经过反小波层2得到第一次整合结果L；L经过卷积层4得到LC，LC与L2经卷积层4_1得到的L2C融合得到LC2；LC2作为反小波层1的低频输入，HC1与HC2通过式7加权融合结果HC作为反小波层1的高频输入，经过反小波层1得到第二次整合结果F；F经卷积层5得到最终融合结果HRMS；LHC＝w2×LHC1+1-w2×LHC26HC＝w3×HC1+1-w3×HC27步骤3：损失函数由式8的MSE损失变为式9损失函数Lm：Lmse＝||Zfusion-XUp_MS||28Lm＝|BZfusion-XUp_MS|+|GZfusion-GY|+|Zfusion-Zref|9其中，B*代表高斯模糊，G*代表梯度计算；Zfusion表示最终融合结果图，XUp_MS表示上采样MS图像块，Y表示PAN图像块，Zref表示参考图；步骤4：采用损失函数Lm，使用训练集对网络模型进行训练，得到最终的网络模型，并采用验证集和测试集进行验证和测试。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于小波层的卷积神经网络全色锐化方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD