CN114638761A - 一种高光谱图像全色锐化方法、设备及介质 - Google Patents
一种高光谱图像全色锐化方法、设备及介质 Download PDFInfo
- Publication number
- CN114638761A CN114638761A CN202210293370.3A CN202210293370A CN114638761A CN 114638761 A CN114638761 A CN 114638761A CN 202210293370 A CN202210293370 A CN 202210293370A CN 114638761 A CN114638761 A CN 114638761A
- Authority
- CN
- China
- Prior art keywords
- image
- hyperspectral image
- panchromatic
- sharpening
- adaptive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000003044 adaptive effect Effects 0.000 claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000002776 aggregation Effects 0.000 claims abstract description 21
- 238000004220 aggregation Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 30
- 230000008447 perception Effects 0.000 claims description 20
- 230000003595 spectral effect Effects 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 14
- 230000004913 activation Effects 0.000 description 24
- 230000000694 effects Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 102100023706 Steroid receptor RNA activator 1 Human genes 0.000 description 2
- 101710187693 Steroid receptor RNA activator 1 Proteins 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- HOWHQWFXSLOJEF-MGZLOUMQSA-N systemin Chemical compound NCCCC[C@H](N)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(O)=O)C(=O)OC(=O)[C@@H]1CCCN1C(=O)[C@H]1N(C(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCCN=C(N)N)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H]2N(CCC2)C(=O)[C@H]2N(CCC2)C(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)N)C(C)C)CCC1 HOWHQWFXSLOJEF-MGZLOUMQSA-N 0.000 description 1
- 108010050014 systemin Proteins 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G06T5/73—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种高光谱图像全色锐化方法、设备及介质,包括读取高光谱图像和对应匹配的全色图像,并进行预处理;构建训练数据集和测试数据集;构建多尺度特征聚合模块,进一步获得显著性区域自适应感知模块,根据显著性自适应感知模块构建显著性区域自适应锐化卷积神经网络;基于训练数据集训练显著性区域自适应锐化卷积神经网络;测试数据集输入经过训练后的显著性区域自适应锐化卷积神经网络,得到高空间分辨率的高光谱图像。本发明显著性区域自适应锐化卷积神经网络能够有效地提升全局的锐化性能。
Description
技术领域
本发明涉及遥感图像处理领域,具体涉及一种高光谱图像全色锐化方法、设备及介质。
背景技术
随着遥感技术的发展以及算法理论的不断完善,许多遥感图像处理任务对遥感图像的空间分辨率和光谱分辨率提出了更高的要求。然而,受到传感器物理结构的限制,光谱成像系统往往难以直接获取到具有高空间分辨率的高光谱图像。为了解决这一问题,通常的做法是采集空间分辨率相对较低的高光谱图像以及具有高空间分辨率的单波段全色图像,然后通过全色锐化技术对这两类图像进行融合,生成具有高空间分辨率的高光谱图像。传统的高光谱图像全色锐化方法可以分为三个类别,包括成分替代法、多分辨率分析法以及基于模型优化的方法。成分替代法主要包括主成分分析法和施密特正交变换法等一系列基于域变换技术的锐化方法;多分辨率分析法则以小波变换法及其变种、拉普拉斯金字塔变换法以及基于亮度平滑滤波调节算法等为代表;而基于模型优化的方法则主要包括基于稀疏表示的方法和贝叶斯算法等。
近年来,卷积神经网络在全色锐化领域得到了广泛的应用,许多基于卷积神经网络的高光谱图像全色锐化方法展现出了显著优于传统方法的锐化效果。这些方法一般借助卷积神经网络的特征表示能力,按照同一范式对输入的不同高光谱图像和全色图像进行处理。然而,遥感图像包含丰富的地物类型,显著性区域的地物(如居民区、人造标志物等)与非显著性区域的地物(如草地、林地等)相比,具有不尽相同的全色锐化需求。显著性区域对空间细节重建提出了更高的要求,而非显著性区域则对光谱保真具有更高的要求。但由于卷积核的权值共享和归纳偏置特性,现有的方法往往对上述显著性区域和非显著性区域采用同一处理方式,缺乏根据不同区域特性和锐化需求进行自适应调整的手段,导致锐化结果出现一定程度的局部失真。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种高光谱图像全色锐化方法、设备及介质。
本发明采用如下技术内容:
一种高光谱图像全色锐化方法,包括:
读取高光谱图像和对应匹配的全色图像,并进行预处理;
基于预处理后的高光谱图像和全色图像,构建训练数据集和测试数据集;
构建多尺度特征聚合模块,进一步获得显著性区域自适应感知模块,根据显著性自适应感知模块构建显著性区域自适应锐化卷积神经网络;
基于训练数据集训练显著性区域自适应锐化卷积神经网络;
测试数据集输入经过训练后的显著性区域自适应锐化卷积神经网络,得到高空间分辨率的高光谱图像。
进一步,所述读取高光谱图像和对应匹配的全色图像,其中高光谱图像和全色图像在空间尺寸上存在如下关系:
其中r表示所述全色图像与高光谱图像的空间分辨率之比,h1和w1分别表示所述高光谱图像的高和宽,h2和w2分别表示所述全色图像的高和宽,b表示所述高光谱图像的光谱通道数。
进一步,所述预处理包括如下:
使用频率响应适配的平滑滤波器对高光谱图像和全色图像进行低通滤波得到第一高光谱图像和第一全色图像;
对第一高光谱图像和第一全色图像进行下采样,得到空间分辨率退化r倍的第二高光谱图像和第二全色图像;
使用多项式插值法对第二高光谱图像进行上采样,得到空间分辨率提升r倍的第三高光谱图像。
进一步,所述构建训练数据集和测试数据集的过程为:
选择第三高光谱图像的部分区域及第二全色图像的相对应位置;
按照设定的采样间隔无重叠的从该区域裁剪多个高光谱子图像和全色子图像作为训练样本,顺序随机打乱后构成训练数据集;
选择第三高光谱图像的剩余区域以及第二全色图像的对应位置,进行裁剪得到测试样本,构成测试数据集。
进一步,所述多尺度特征聚合模块包括:尺度卷积层SConv1、尺度卷积层SConv2、尺度卷积层SConv3、反卷积层TConv1、反卷积层TConv2、反卷积层TConv3、反卷积层TConv4、反卷积层TConv5、反卷积层TConv6、聚合卷积层AConv4、聚合卷积层AConv5、聚合卷积层AConv6、反卷积层TConv7、反卷积层TConv8及聚合卷积层AConv7。
进一步,所述显著性区域自适应感知模块包括:
进一步,所述显著性区域自适应锐化卷积神经网络模型包括:
第一显著性区域自适应感知模块:输入特征图C(i),实现第一阶段显著性区域自适应锐化;
第二显著性区域自适应感知模块:输入第一阶段显著性区域自适应锐化,输出第二阶段显著性区域自适应锐化;
进一步,显著性区域自适应锐化卷积神经网络模型的损失函数为平均绝对误差损失函数,表达式为:
其中Ω表示显著性区域自适应锐化卷积神经网络的输入输出映射关系,θ表示网络的参数,Nb表示每一轮迭代输入的训练样本数,||·||F表示Frobenius范数。
一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述高光谱图像全色锐化方法。
一种设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的所述高光谱图像全色锐化方法。
本发明的有益效果:
1、本发明提供的基于显著性区域自适应感知的高光谱图像全色锐化方法设计了一个多尺度特征聚合模块,该模块结合步长卷积和反卷积,将输入特征图映射至多个尺度分支,对各个尺度分支分别进行特征提取,并交叉聚合不同尺度的特征,从而能够有效提取和整合输入特征图中的多尺度空间细节信息。
2、本发明提供的基于显著性区域自适应感知的高光谱图像全色锐化方法设计了一个显著性区域自适应感知模块,该模块能够有效感知输入特征图中的显著性区域和非显著性区域,并生成表征其各部分区域显著性程度的注意力掩膜,从而通过该注意力掩膜自适应地对输入特征图进行差异化处理,满足其各部分区域的不同锐化需求,增强锐化效果。
3、本发明提供的基于显著性区域自适应感知的高光谱图像全色锐化方法基于所述多尺度特征聚合模块和所述显著性区域自适应感知模块构建了一个显著性区域自适应锐化卷积神经网络,该网络能够根据输入图像中不同区域的特性和锐化需求,阶段性地对输入图像中的显著性区域和非显著性区域进行有区分的自适应调整,增强显著性区域的空间细节重建效果和非显著性区域的光谱保真效果,从而有效地提升全局的锐化性能。
附图说明
图1为本发明基于显著性区域自适应感知的高光谱图像全色锐化方法的流程图。
图2为本发明多尺度特征聚合模块的结构图。
图3为本发明显著性区域自适应感知模块的结构图。
图4为本发明显著性区域自适应锐化卷积神经网络模型的结构图。
图5(a)、图5(b)及图5(c)分别为输入Rin特征图,注意力掩膜的特征图及输出Rout特征图。
图6(a)为PaviaU高光谱参考图像,图6(b)为使用双三次插值法处理后的第三高光谱图像,图6(c)为使用基于导向滤波的主成分分析算法处理后的图像,图6(d)为使用基于亮度平滑滤波调节算法处理后的图像,图6(e)为使用本实施例所述方法处理后的图像。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例1
如图1-图4所示,本实施例提供一种基于显著性区域自适应感知的高光谱图像全色锐化方法,包括以下步骤:
S1读取高光谱图像和对应匹配的全色图像,并进行预处理;
其中r表示所述原始全色图像与高光谱图像的空间分辨率之比,1和w1分别表示所述原始高光谱图像的高和宽,h2和w2分别表示所述原始全色图像的高和宽。b表示所述原始高光谱图像的光谱通道数。
进一步,所述S1中预处理包括如下步骤:
使用频率响应适配的平滑滤波器对所述的原始高光谱图像和全色图像进行低通滤波得到第一高光谱图像和第一全色图像,随后对第一高光谱图像和第一全色图像进行下采样,得到空间分辨率退化r倍的第二高光谱图像 和第二全色图像再使用多项式插值法对第二高光谱图像进行上采样,得到空间分辨率提升r倍的第三高光谱图像
S2基于预处理后的高光谱图像和全色图像,构建训练数据集和测试数据集;
具体的过程:
选择所述第三高光谱图像的部分区域以及所述第二全色图像的对应位置,按照固定的采样间隔无重叠地从该区域裁剪出部分小尺寸子图像和作为训练样本,将和的顺序随机打乱构成训练数据集;选择所述第三高光谱图像的剩余区域以及所述第二全色图像的对应位置,从该区域裁剪出部分子图像作为测试样本,相应地,使用这些子图像构成测试数据集。
一般认为,训练集要求尽可能囊括所有地物的特性,具有代表性,所以部分区域必须是选择在地物类型比较丰富的图像区域。
本实施例中训练集选择图像块的数量为12800,尺寸大小为20×20。
S3设计多尺度特征聚合模块和显著性区域自适应感知模块,并基于所述模块构建显著性区域自适应锐化卷积神经网络;
进一步,首先设计多尺度特征聚合模块,主要包括如下结构:
尺度卷积层SConv1,该层包含64个感受野为3×3的卷积核,卷积步长s=1。输入特征图输出64个第一尺度特征图运算过程可表示为 其中和分别表示该层卷积核的权重和偏置, 表示非线性Leaky Relu激活函数。
尺度卷积层SConv2,该层包含64个感受野为3×3的卷积核,卷积步长s=2。输入特征图输出64个经过两倍下采样的第二尺度特征图运算过程可表示为其中和分别表示该层卷积核的权重和偏置,同样表示非线性Leaky Relu激活函数。
尺度卷积层SConv3,该层包含64个感受野为3×3的卷积核,卷积步长s=4。输入特征图输出64个经过四倍下采样的第三尺度特征图运算过程可表示为其中和分别表示该层卷积核的权重和偏置,同样表示非线性Leaky Relu激活函数。
反卷积层TConv1,该层包含64个感受野为3×3的卷积核,卷积步长s=1/2。输入第二尺度特征图输出64个经过两倍上采样的第一尺度特征图运算过程可表示为其中和分别表示该层卷积核的权重和偏置,同样表示非线性Leaky Relu激活函数。
反卷积层TConv2,该层包含64个感受野为3×3的卷积核,卷积步长s=1/4。输入第三尺度特征图输出64个经过四倍上采样的第一尺度特征图运算过程可表示为其中和分别表示该层卷积核的权重和偏置,同样表示非线性Leaky Relu激活函数。
反卷积层TConv3,该层包含64个感受野为3×3的卷积核,卷积步长s=1/2。输入第三尺度特征图输出64个经过两倍上采样的第二尺度特征图运算过程可表示为其中和分别表示该层卷积核的权重和偏置,同样表示非线性Leaky Relu激活函数。
聚合卷积层AConv1,该层包含64个感受野为3×3的卷积核。输入第一尺度特征图和输出64个第一尺度特征图运算过程可表示为其中和分别表示该层卷积核的权重和偏置,表示将多个特征图在通道维度进行拼接,同样表示非线性Leaky Relu激活函数;
聚合卷积层AConv2,该层包含64个感受野为3×3的卷积核。输入第二尺度特征图和输出64个第二尺度特征图运算过程可表示为 其中和分别表示该层卷积核的权重和偏置,同样表示非线性Leaky Relu激活函数。
聚合卷积层AConv3,该层包含64个感受野为3×3的卷积核。输入第三尺度特征图输出64个第三尺度特征图运算过程可表示为 其中和分别表示该层卷积核的权重和偏置,同样表示非线性Leaky Relu激活函数。
反卷积层TConv4,该层包含64个感受野为3×3的卷积核,卷积步长s=1/2。输入第二尺度特征图输出64个经过两倍上采样的第一尺度特征图运算过程可表示为其中和分别表示该层卷积核的权重和偏置,同样表示非线性Leaky Relu激活函数。
反卷积层TConv5,该层包含64个感受野为3×3的卷积核,卷积步长s=1/4。输入第三尺度特征图输出64个经过四倍上采样的第一尺度特征图运算过程可表示为其中和分别表示该层卷积核的权重和偏置,同样表示非线性Leaky Relu激活函数。
反卷积层TConv6,该层包含64个感受野为3×3的卷积核,卷积步长s=1/2。输入第三尺度特征图输出64个经过两倍上采样的第二尺度特征图运算过程可表示为其中和分别表示该层卷积核的权重和偏置,同样表示非线性Leaky Relu激活函数。
聚合卷积层AConv4,该层包含64个感受野为3×3的卷积核。输入第一尺度特征图和输出64个第一尺度特征图运算过程可表示为其中和分别表示该层卷积核的权重和偏置,同样表示非线性Leaky Relu激活函数。
聚合卷积层AConv5,该层包含64个感受野为3×3的卷积核。输入第二尺度特征图和输出64个第二尺度特征图运算过程可表示为 其中和分别表示该层卷积核的权重和偏置,同样表示非线性Leaky Relu激活函数;
聚合卷积层AConv6,该层包含64个感受野为3×3的卷积核。输入第三尺度特征图输出64个第三尺度特征图运算过程可表示为 其中和分别表示该层卷积核的权重和偏置,同样表示非线性Leaky Relu激活函数;
反卷积层TConv7,该层包含64个感受野为3×3的卷积核,卷积步长s=1/2。输入第二尺度特征图输出64个经过两倍上采样的第一尺度特征图运算过程可表示为其中和分别表示该层卷积核的权重和偏置,同样表示非线性Leaky Relu激活函数;
反卷积层TConv8,该层包含64个感受野为3×3的卷积核,卷积步长s=1/4。输入第三尺度特征图输出64个经过四倍上采样的第一尺度特征图运算过程可表示为其中和分别表示该层卷积核的权重和偏置,同样表示非线性Leaky Relu激活函数;
由于遥感图像中不同地物的大小存在差异,因此需要结合多个尺度的空间信息以充分捕获不同尺寸的地物目标。本申请多尺度特征聚合模块结合步长卷积和反卷积,首先通过步长为1、2和4的步长卷积对输入特征图进行下采样形成三个不同的尺度分支,再对各个尺度分支分别进行特征提取,随后通过步长为1/2和1/4的反卷积对各个分支的特征图进行上采样并传递至上行分支与对应尺度的特征图相结合实现特征聚合。通过不同尺度分支之间特征的交叉传递和再组合,所述多尺度特征聚合模块能够捕获到多个尺度的信息表征,从而有效提取和整合输入特征图中的多尺度空间细节特性。
进一步,根据构建好的多尺度特征聚合模块,设计显著性区域自适应感知模块,主要包括:
本方法显著性区域自适应感知模块首先通过所述多尺度特征聚合模块在不同尺度下充分提取输入特征图中所含地物的空间信息,并将其转化为表征输入特征图各部分区域显著性程度的注意力掩膜,随后通过该注意力掩膜与输入特征图的逐像素乘积操作,突出输入特征图的显著性区域,并抑制其非显著性区域,实现差异化处理。通过结合所述多尺度特征聚合模块和注意力掩膜,所述显著性区域自适应感知模块能够有效感知输入特征图中的显著性区域和非显著性区域,并根据各部分区域的不同锐化需求进行自适应调制,增强锐化效果。
进一步,基于显著性区域自适应感知模块构建显著性区域自适应锐化卷积神经网络模型,其主要包括如下结构:
第一显著性区域自适应感知模块:输入特征图C(i)。实现第一阶段显著性区域自适应锐化;
第二显著性区域自适应感知模块:输入第一阶段显著性区域自适应锐化的输出。实现第二阶段显著性区域自适应锐化;
所述该网络在对输入图像进行光谱压缩降低数据维度的基础上,分为三个阶段对降维后的特征进行处理,每一阶段通过所述显著性区域自适应感知模块,根据输入特征中不同区域的特性和锐化需求有区分地自适应调整其显著性区域和非显著性区域,增强显著性区域的空间细节重建效果和非显著性区域的光谱保真效果。在实现自适应调制之后,通过光谱重建恢复数据的光谱维度,并通过光谱补偿融合输入的第三高光谱图像中的光谱信息,增强锐化效果。
S4设置超参数,并初始化所述显著性区域自适应锐化卷积神经网络的参数。
S5基于训练数据集训练显著性区域自适应锐化卷积神经网络;选择合适的损失函数和优化算法,对所述显著性区域自适应锐化卷积神经网络进行训练。
所述超参数具体是指预先设定好的固定值参数,包括学习率,迭代次数,每次迭代输入的样本数量等。
本实施例中学习率设置为0.00005,迭代次数为250000,每次输入的样本数是64。
本神经网络模型的损失函数为平均绝对误差损失函数,其表达式为:
其中Ω表示显著性区域自适应锐化卷积神经网络的输入输出映射关系,θ表示网络的参数,Nb表示每一轮迭代输入的训练样本数,||·||F表示Frobenius范数。
S6基于所述测试数据集,使用所述经过训练后的显著性区域自适应锐化卷积神经网络获取高空间分辨率的高光谱图像。
具体地,本实施例选用来自ROSIS成像光谱仪的PaviaU高光谱图像和全色图像验证锐化效果。所述的高光谱图像具有103个光谱通道,空间分辨率为32×32,全色图像的空间分辨率为160×160,两者的空间分辨率之比为1:5。
图6(a)为PaviaU高光谱参考图像,图6(b)为使用双三次插值法处理后的第三高光谱图像,图6(c)为使用基于导向滤波的主成分分析算法处理后的图像,图6(d)为使用基于亮度平滑滤波调节算法处理后的图像,图6(e)为使用本实施例所述方法处理后的图像。从图中可以明显观察到,使用双三次插值法处理后的图像与参考图像相比丢失了大量的空间细节信息,出现了严重的空间失真;使用基于导向滤波的主成分分析算法处理后的图像实现了一定程度的锐化,但仍然有多个区域存在空间模糊和光谱失真;使用基于亮度平滑滤波调节算法处理后的图像则取得了较好的全局锐化效果,具有较高的光谱保真度,但在部分区域仍存在空间细节丢失的问题;而使用本实施例所述方法处理后的图像实现了最好的锐化效果,不仅在建筑等显著性区域呈现出了出色的空间细节重建效果,同时在植被等非显著性区域也保持了突出的光谱保真效果,从而在全局锐化效果取得了显著的提升。
实施例2
一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的高光谱图像全色锐化方法。
所述高光谱图像全色锐化方法,包括:
读取高光谱图像和对应匹配的全色图像,并进行预处理;
基于预处理后的高光谱图像和全色图像,构建训练数据集和测试数据集;
构建多尺度特征聚合模块,进一步获得显著性区域自适应感知模块,根据显著性自适应感知模块构建显著性区域自适应锐化卷积神经网络;
基于训练数据集训练显著性区域自适应锐化卷积神经网络;
测试数据集输入经过训练后的显著性区域自适应锐化卷积神经网络,得到高空间分辨率的高光谱图像。
实施例3
一种设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的所述的高光谱图像全色锐化方法。
所述高光谱图像全色锐化方法,包括:
读取高光谱图像和对应匹配的全色图像,并进行预处理;
基于预处理后的高光谱图像和全色图像,构建训练数据集和测试数据集;
构建多尺度特征聚合模块,进一步获得显著性区域自适应感知模块,根据显著性自适应感知模块构建显著性区域自适应锐化卷积神经网络;
基于训练数据集训练显著性区域自适应锐化卷积神经网络;
测试数据集输入经过训练后的显著性区域自适应锐化卷积神经网络,得到高空间分辨率的高光谱图像。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种高光谱图像全色锐化方法,其特征在于,包括:
读取高光谱图像和对应匹配的全色图像,并进行预处理;
基于预处理后的高光谱图像和全色图像,构建训练数据集和测试数据集;
构建多尺度特征聚合模块,进一步获得显著性区域自适应感知模块,根据显著性自适应感知模块构建显著性区域自适应锐化卷积神经网络;
基于训练数据集训练显著性区域自适应锐化卷积神经网络;
测试数据集输入经过训练后的显著性区域自适应锐化卷积神经网络,得到高空间分辨率的高光谱图像。
3.根据权利要求1所述的高光谱图像全色锐化方法,其特征在于,所述预处理包括如下:
使用频率响应适配的平滑滤波器对高光谱图像和全色图像进行低通滤波得到第一高光谱图像和第一全色图像;
对第一高光谱图像和第一全色图像进行下采样,得到空间分辨率退化r倍的第二高光谱图像和第二全色图像;
使用多项式插值法对第二高光谱图像进行上采样,得到空间分辨率提升r倍的第三高光谱图像。
4.根据权利要求3所述的高光谱图像全色锐化方法,其特征在于,所述构建训练数据集和测试数据集的过程为:
选择第三高光谱图像的部分区域及第二全色图像的相对应位置;
按照设定的采样间隔无重叠的从该区域裁剪多个高光谱子图像和全色子图像作为训练样本,顺序随机打乱后构成训练数据集;
选择第三高光谱图像的剩余区域以及第二全色图像的对应位置,进行裁剪得到测试样本,构成测试数据集。
5.根据权利要求1所述的高光谱图像全色锐化方法,其特征在于,所述多尺度特征聚合模块包括:尺度卷积层SConv1、尺度卷积层SConv2、尺度卷积层SConv3、反卷积层TConv1、反卷积层TConv2、反卷积层TConv3、反卷积层TConv4、反卷积层TConv5、反卷积层TConv6、聚合卷积层AConv4、聚合卷积层AConv5、聚合卷积层AConv6、反卷积层TConv7、反卷积层TConv8及聚合卷积层AConv7。
7.根据权利要求6所述的高光谱图像全色锐化方法,其特征在于,所述显著性区域自适应锐化卷积神经网络模型包括:
第一显著性区域自适应感知模块:输入特征图C(i),实现第一阶段显著性区域自适应锐化;
第二显著性区域自适应感知模块:输入第一阶段显著性区域自适应锐化,输出第二阶段显著性区域自适应锐化;
9.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-8任一项所述的高光谱图像全色锐化方法。
10.一种设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的如权利要求1-8任一项所述的高光谱图像全色锐化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210293370.3A CN114638761A (zh) | 2022-03-24 | 2022-03-24 | 一种高光谱图像全色锐化方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210293370.3A CN114638761A (zh) | 2022-03-24 | 2022-03-24 | 一种高光谱图像全色锐化方法、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114638761A true CN114638761A (zh) | 2022-06-17 |
Family
ID=81950115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210293370.3A Pending CN114638761A (zh) | 2022-03-24 | 2022-03-24 | 一种高光谱图像全色锐化方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114638761A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564692A (zh) * | 2022-09-07 | 2023-01-03 | 宁波大学 | 顾及幅宽差异下的全色-多光谱-高光谱一体化融合方法 |
-
2022
- 2022-03-24 CN CN202210293370.3A patent/CN114638761A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115564692A (zh) * | 2022-09-07 | 2023-01-03 | 宁波大学 | 顾及幅宽差异下的全色-多光谱-高光谱一体化融合方法 |
CN115564692B (zh) * | 2022-09-07 | 2023-12-05 | 宁波大学 | 顾及幅宽差异下的全色-多光谱-高光谱一体化融合方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Pansharpening via unsupervised convolutional neural networks | |
CN104112263B (zh) | 基于深度神经网络的全色图像与多光谱图像融合的方法 | |
Song et al. | Spatiotemporal satellite image fusion through one-pair image learning | |
CN110415199B (zh) | 基于残差学习的多光谱遥感图像融合方法及装置 | |
CN109102469B (zh) | 一种基于卷积神经网络的遥感图像全色锐化方法 | |
CN111784582B (zh) | 一种基于dec_se的低照度图像超分辨率重建方法 | |
CN111008936B (zh) | 一种多光谱图像全色锐化方法 | |
CN110544212B (zh) | 基于层级特征融合的卷积神经网络高光谱图像锐化方法 | |
CN114266957B (zh) | 一种基于多降质方式数据增广的高光谱图像超分辨率复原方法 | |
CN113673590A (zh) | 基于多尺度沙漏密集连接网络的去雨方法、系统和介质 | |
CN116309070A (zh) | 一种高光谱遥感图像超分辨率重建方法、装置及计算机设备 | |
Liu et al. | Research on super-resolution reconstruction of remote sensing images: A comprehensive review | |
CN111951164A (zh) | 一种图像超分辨率重建网络结构及图像重建效果分析方法 | |
CN113793289A (zh) | 基于cnn和nsct的多光谱图像和全色图像模糊融合方法 | |
CN115311184A (zh) | 基于半监督深度神经网络的遥感图像融合方法及系统 | |
Deng et al. | Multiple frame splicing and degradation learning for hyperspectral imagery super-resolution | |
CN114638761A (zh) | 一种高光谱图像全色锐化方法、设备及介质 | |
CN111899166A (zh) | 一种基于深度学习的医学高光谱显微图像超分辨重构方法 | |
Qian et al. | Selfs2: Self-supervised transfer learning for sentinel-2 multispectral image super-resolution | |
CN114511470B (zh) | 一种基于注意力机制的双分支全色锐化方法 | |
CN110807746B (zh) | 一种基于细节内嵌注入卷积神经网络高光谱图像锐化方法 | |
CN113066030B (zh) | 一种基于空谱融合网络的多光谱图像全色锐化方法及系统 | |
CN115100075A (zh) | 基于光谱约束和残差注意力网络的高光谱全色锐化方法 | |
Yehia et al. | An improved integrated intensity-hue-saturation with stationary wavelet transform multi-sensor image fusion approach | |
CN109785253B (zh) | 一种基于增强反投影的全色锐化后处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |