申请/专利权人：西安理工大学

申请日：2021-07-28

公开（公告）日：2024-04-12

公开（公告）号：CN113628111B

主分类号：G06T3/4053

分类号：G06T3/4053;G06N3/0464;G06V10/82;G06T3/4046;G06V10/44

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2021.11.26#实质审查的生效;2021.11.09#公开

摘要：本发明公开了一种基于梯度信息约束的高光谱图像超分辨方法，首先选取并使用三个用于高光谱图像超分辨的数据集；将每一个数据集中低分辨率高光谱图像输入到残差密集网络中以求得残差密集网络的最优损失值，其中，残差密集网络包括浅层特征提取模块、局部特征融合模块、全局特征融合模块和上采样模块，然后将最原始的数据集的每一个数据集中低分辨率高光谱梯度图输入到残差网络中以求得残差网络的最优损失值，最后残差密集网络的输出即为每张的超分辨图像，本发明解决了现有技术存在的高光谱图像超分辨过程中细节提取不够，所导致的视觉效果和客观指标受限的问题。

主权项：1.基于梯度信息约束的高光谱图像超分辨方法，其特征在于，具体按照以下步骤实施：步骤1、选取并使用三个用于高光谱图像超分辨的数据集:Cave，PaviaCenter，WashingtonDCMall；所述步骤1具体按照以下步骤实施：步骤1.1、选取三个不同的数据集Cave、PaviaCenter和WashingtonDCMall，三个不同的数据集覆盖室内场景和室外场景，将数据集中的原始高光谱图像作为高光谱参考图，由高光谱参考图进行下采样得到模拟低分辨率的高光谱图像，高光谱梯度参考图是高光谱参考图通过梯度函数得到的，模拟低分辨率的高光谱梯度图像是由高光谱梯度参考图进行下采样得到的；步骤1.2、对步骤1.1选取的三个数据集中的每一个数据集进行训练集、验证集和测试集的划分，其中，每一个数据集中的训练集图像的数量占整个数据集的80％，每一个数据集中的测试集图像的数量占整个数据集的10％，每一个数据集中的验证集图像的数量占整个图像数据集的10％；步骤1.3、在步骤1.2划分数据集之后，进行数据预处理，统一将由步骤1.2得到的每一个数据集中的训练集图像的空间分辨率大小调整为64×64；步骤2、将步骤1选取的Cave，PaviaCenter，WashingtonDCMall数据集的每一个数据集中低分辨率高光谱图像输入到残差密集网络中以求得残差密集网络的最优损失值，其中，残差密集网络包括浅层特征提取模块、局部特征融合模块、全局特征融合模块和上采样模块；所述步骤2具体按照以下步骤实施：步骤2.1、将所述步骤1.1得到的低分辨率高光谱图像即分辨率大小为64×64的图像作为密集残差网络的输入图像，在残差密集网络中，首先在浅层特征提取模块中提取输入图像的浅层特征，其中，浅层特征提取模块由两个卷积层组成，第一个卷积层的浅层特征F-1的计算公式如1所示，第二个卷积层的浅层特征F0的计算公式如2所示：F-1＝ConvILR1F0＝ConvF-12式中：Conv表示卷积运算，ILR表示输入的低分辨率高光谱图像，F-1和F0分别表示低分辨率高光谱图像ILR第一个卷积层和第二个卷积层的浅层特征；步骤2.2、进行局部特征融合模块：先将步骤2.1得到的浅层特征F0输送到T个残差密集块中用来提取低分辨率高光谱图像ILR的局部特征，局部特征提取过程如公式3所示，再把每个残差密集块的局部特征通过一个连接层和一个1×1的卷积层进行特征融合，该过程如公式4所示：FT＝RDBRDB…RDBF03FRO＝σ1ConvConcat[F0,…,Ft,…FT]4式中：RDB表示一个残差密集块的复合函数,F0是由步骤2.1的公式2得到ILR的浅层特征，Ft代表第t个残差密集块提取到的特征信息，t＝0,1,2,…,T，Concat表示多个局部特征是融合函数,Conv表示1×1的卷积层，σ1代表Relu激活函数，FRO表示T个局部特征融合的结果；步骤2.3、进行全局特征融合模块：把步骤2.1得到的浅层特征F-1注入到由步骤2.2得到的局部特征FRO中，得到全局特征，如公式5所示：FRO'＝F-1+FRO5式中：FRO'代表低分辨率高光谱图像ILR的全局特征；步骤2.4、进行上采样模块：对步骤2.3得到的全局特征FRO'进行上采样操作，该过程如公式6所示:ISR＝UPFRO'6式中：UP表示上采样运算，ISR表示高光谱重建图；步骤2.5、低分辨率高光谱图像ILR通过残差密集网络的学习得到的高光谱重建图ISR和相对应的高光谱参考图IHR之间的损失函数如公式7所示： 式中：IHRi和ISRi分别代表高光谱参考图和高光谱重建图的第i个波段，n示高光谱参考图的总波段数，||a||1表示a的1-范数，θ是自定义的一个参数，是不断优化θ使得高光谱参考图和高光谱重建图的误差尽可能小，lconθ表示参数为θ时，高光谱参考图和高光谱重建图的损失值；步骤3、将步骤1选取的Cave，PaviaCenter，WashingtonDCMall数据集的每一个数据集中低分辨率高光谱梯度图输入到残差网络中以求得残差网络的最优损失值；步骤4、将步骤2得到的损失值和步骤3得到的损失值以9比1的比例进行相加运算，得到整体网络的联合损失值以此优化残差密集网络，然后将步骤1选取的Cave，PaviaCenter，WashingtonDCMall数据集的每一个数据集中测试集的图像数据逐张输入到优化后的残差密集网络中，残差密集网络的输出即为每张的超分辨图像。

全文数据：

权利要求：

百度查询： 西安理工大学 基于梯度信息约束的高光谱图像超分辨方法

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