申请/专利权人:电子科技大学
申请日:2023-12-15
公开(公告)日:2024-04-26
公开(公告)号:CN117934300A
主分类号:G06T5/50
分类号:G06T5/50;G06T3/4007;G06F17/16;G06N3/0464;G06N3/088;G06N3/084
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.05.14#实质审查的生效;2024.04.26#公开
摘要:本发明公开了一种轻量无监督学习高光谱图像盲融合方法,包括如下步骤:S1、对高光谱图像进行预处理和仿真;S2、构建并优化观测网络;观测网络表示X与其退化后生成的Y以及Z之间的物理关系;观测网络包含两个子网络,分别用来学习观测网络中X到Y的空间退化矩阵和X到Z的光谱退化矩阵;S3、构建并优化融合网络,融合网络包括三个卷积层和6个带有跳跃连接的压缩激活模块。本发明提出了轻量无监督高光谱图像盲融合网络,可以在有效的将深度学习方法应用于解决真实的高光谱图像融合问题。本发明建立在深度学习的基础上,具有实用性强,网络轻量,不依赖大量数据等优点,有一定的鲁棒性和可解释性。
主权项:1.一种轻量无监督学习高光谱图像盲融合方法,其特征在于,包括如下步骤:S1、对高光谱图像进行预处理和仿真;具体步骤为:S11、对原始高光谱图像进行归一化: 其中,为原始高光谱图像,图像的长、宽、和波段数分别为H、W、和C,归一化后的高光谱图像X的数值范围在0到1之间;将三维张量X展开为二维矩阵:其中N=H×W;S12、进行数据仿真:对X分别进行空间退化和光谱退化,获得LRHSI和HRMSI,分别记为和其中nN,cC;S2、构建并优化观测网络;具体步骤为:S21、构建观测网络,观测网络表示X与其退化后生成的Y以及Z之间的物理关系;观测网络包含两个子网络,分别用来学习观测网络中X到Y的空间退化矩阵和X到Z的光谱退化矩阵;X与其退化后生成的Y以及Z之间的物理关系表示为:Y=XBSZ=RX其中,矩阵是模糊矩阵,是预先设定的下采样矩阵,是光谱响应矩阵,估计观测网络的参数总结为估计矩阵B和矩阵R;为了精确的学习光谱响应矩阵,构建学习光谱响应矩阵的子网络,该子网络包含两个全连接层,全连接层利用随机向量来生成谱响应矩阵,然后输入Softmax非线性激活函数进行归一化,再采用沿通道卷积方式将归一化的谱响应矩阵和Y进行卷积,从而生成多光谱图像;为了精确的学习模糊核,构建学习模糊核的子网络,该子网络包含两个全连接层,全连接层利用输入的随机向量来生成模糊核,再采用Softmax非线性激活函数对模糊核进行归一化,然后将归一化的模糊核与Z进行卷积,最后进行8倍下采样,得到多光谱图像;S22、通过优化如下公式所示的目标函数,得到估计矩阵和 其中,表示观测网络学到的光谱退化矩阵,表示观测网络学到的空间退化矩阵,θR和θB分别表示观测网络中用来学习空间退化和光谱退化矩阵的子网络参数,符号‖·‖表示一范数;S3、构建并优化融合网络,首先通过上采样将Y插值到和X相同的空间分辨率;对于Z,采用7x7卷积对其进行空间滤波,提取其低频成分;同时另外用一个1x1卷积将Z映射到特征空间,得到高分辨率多光谱图像的特征;7x7卷积的输出与上采样的输出经过一个1x1卷积生成低频特征,然后计算高分辨率多光谱图像的特征与低频特征的残差来获取高频特征;将高频特征输入多个级联的压缩激活模块,最后一个压缩激活模块后连接一个1x1卷积,通过多个级联的压缩激活模块与最后一层卷积来进一步提取高频图像,再将获取的高频图像与上采样后的低分辨率高光谱图像相加获得融合图像
全文数据:
权利要求:
百度查询: 电子科技大学 一种轻量无监督学习高光谱图像盲融合方法
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。