申请/专利权人：华南理工大学

申请日：2022-03-24

公开（公告）日：2024-05-24

公开（公告）号：CN114638762B

主分类号：G06T5/73

分类号：G06T5/73;G06N3/0464;G06T5/60

优先权：

专利状态码：有效-授权

法律状态：2024.05.24#授权;2022.07.05#实质审查的生效;2022.06.17#公开

摘要：本发明公开了一种可模块化的高光谱图像场景自适应全色锐化方法，包括：读取高光谱图像和与其匹配的全色图像，并进行预处理；构建训练数据集和测试数据集；构建多尺度特征提取模块，进一步获得场景自适应锐化模块，构建模块化场景自适应卷积神经网络模型；初始化模块化场景自适应卷积神经网络模型各卷积层的权重和偏置，训练数据集输入模块化场景自适应卷积神经网络模型，经过网络前向传播得到预测图像，完成训练；测试数据集输入经过训练后的模块化场景自适应卷积神经网络模型，得到高空间分辨率的高光谱图像。本发明有效地减少了锐化结果中的局部失真，增强了全色锐化效果。

主权项：1.一种可模块化的高光谱图像场景自适应全色锐化方法，其特征在于，包括：读取高光谱图像和与其匹配的全色图像，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；构建多尺度特征提取模块，进一步获得场景自适应锐化模块，根据场景自适应锐化模块构建模块化场景自适应卷积神经网络模型；具体为：所述多尺度特征提取模块包括三层卷积层，所述三层卷积层输入一个聚合卷积层，每一层卷积层包括第一空洞卷积层、第二空洞卷积层及第三空洞卷积层；所述场景自适应锐化模块包括多尺度特征提取模块、膨胀卷积层、空谱转换层、两个场景微调卷积层及场景自适应卷积层；初始化模块化场景自适应卷积神经网络模型各卷积层的权重和偏置，训练数据集输入模块化场景自适应卷积神经网络模型，经过网络前向传播得到预测图像，完成训练；测试数据集输入经过训练后的模块化场景自适应卷积神经网络模型，得到高空间分辨率的高光谱图像；所述场景自适应锐化模块包括：多尺度特征提取模块，输入特征图输出64个特征图实现多尺度空间特征信息的提取；膨胀卷积层，包含576个感受野为3×3的标准卷积核，输入特征图输出576个特征图Ei；空谱转换层，输入特征图Ei，输出64×h2×w2组感受野为3×3的场景自适应卷积核Ki；第一场景微调卷积层，包括64个感受野为3×3的标准卷积核，输入特征图输出64个特征图第二场景微调卷积层，包括64个感受野为3×3的标准卷积核，输入特征图输出64个特征图场景自适应卷积层，输入特征图和场景自适应卷积核Ki，输出64个特征图根据场景自适应锐化模块构建模块化场景自适应卷积神经网络模型，具体为：第一光谱压缩卷积层，包括64个感受野为1×1的标准卷积核，输入高光谱图像训练样本输出64个特征图第二光谱压缩卷积层，包含64个感受野为1×1的标准卷积核，输入特征图输出64个特征图拼接层，输入全色图像训练样本和特征图输出65个特征图Ci；第一场景自适应锐化模块，输入特征图Ci，实现第一级场景自适应调制；第二场景自适应锐化模块，输入第一级场景自适应调制的输出，实现第二级场景自适应调制；第三场景自适应锐化模块，输入第二级场景自适应调制的输出，输出64个特征图实现第三级场景自适应调制；第一光谱重建卷积层，包含64个感受野为1×1的标准卷积核，输入特征图输出64个特征图第二光谱重建卷积层，包含64个感受野为1×1的标准卷积核，输入特征图输出b个特征图光谱补偿层，输入高光谱图像训练样本和特征图输出预测图像Oi；所述初始化模块化场景自适应卷积神经网络模型各卷积层的权重和偏置，训练数据集输入模块化场景自适应卷积神经网络模型，经过网络前向传播得到预测图像，完成训练，具体为：预先设定固定值参数，所述固定值参数包括学习率、迭代次数及输入样本数量，初始化模块化场景自适应卷积神经网络模型各卷积层的权重和偏置；由训练数据集获取低空间分辨率的训练样本输入模块化场景自适应卷积神经网络模型，经过网络前向传播得到预测图像；选择平均绝对误差作为损失函数，计算预测图像与高空间分辨率参考图像之间的误差值，并使用基于梯度的优化算法最小化该误差值，迭代更新模块化场景自适应卷积神经网络的权重和偏置；误差值收敛至最小值时，得到模块化场景自适应卷积神经网络的最优权重和偏置并保存，得到训练后的模块化场景自适应卷积神经网络模型；所述平均绝对误差作为损失函数的表达式为： 其中Φ表示模块化场景自适应卷积神经网络的输入输出映射关系，θ表示网络的权重和偏置，Np表示每一轮迭代优化时输入的训练样本数，||·||F表示Frobenius范数，为高光谱图像训练样本。

全文数据：

权利要求：

百度查询： 华南理工大学 一种可模块化的高光谱图像场景自适应全色锐化方法

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