[发明专利]一种利用深度学习重建高光谱图像的方法

权利要求书

1.一种利用深度学习重建高光谱图像的方法，其特征在于包括如下步骤：

步骤(1)获得高光谱数据集；

首先将需要训练的样本高光谱图像放在指定文件夹内，然后将每张样本高光谱图像都转换成单通道图片，再将单通道图片切割成20像素点*20像素点的小图片，从而获得高光谱数据集；便于接下来的步骤对高光谱数据集中的图像进行操作；

步骤(2)通过稀疏编码的方式进行训练并得到神经网络；

通过稀疏编码的方式对高光谱数据集中的图像进行处理，得到优化后的高光谱字典；将字典D和二维传感器图像同时输入深度卷积网络模型中，从而进行训练并得到神经网络；

步骤(3)将目标场景中原始的高光谱图像，以空间光谱随机编码的方式编码到光学投影上，形成二维传感器图像；

步骤(4)通过深度神经网络对二维传感器图像进行还原重建，得到高光谱图像。

2.根据权利要求1所述的一种利用深度学习重建高光谱图像的方法，其特征在于高光谱字典D的优化过程如下：

通过如下公式对高光谱数据集中的图像进行表示：

$h=Da=\underset{j=1}{\overset{q}{\Σ}}{d}_j{a}_j---\left(1\right)$

其中，h表示向量化的图像，D表示高光谱字典，d_j表示所述高光谱字典的原子，a表示稀疏系数，α_j为矩阵A中的第j个稀疏向量，q为总列数；

利用下述公式(2)进行学习获得优化后的高光谱字典D：

$\underset{\{D,A\}}{min}\left|\right|T-DA|{|}_2^2;s.t.\∀i=1,...,o,|\left|{\mathrm{\α}}_i\right|{|}_o\≤k---\left(2\right)$

其中，为o个图像块所组成的训练集，是每列为k-稀疏向量的矩阵，并且k为指定的稀疏程度，α_i为矩阵A中的第i个稀疏向量；

采用K-SVD算法来求解公式(2)中的优化问题，训练高光谱原子；过完备字典D是从步骤1分割后的大量图像中学习获得的，步骤1分割后的大量图像是三维的空间光谱图像块，每个图像块的分辨率为n＝l_x*l_y*l_λ，其中l_x，l_y，l_λ分别为原子大小；高光谱原子的大小m是在过完备字典训练中的一个重要参数，与训练的图像块大小m＝l_x*l_y相等；设高光谱图像是k-稀疏的，则测量值的数量必须满足条件m>o，其中，o＝(klog(q/k))，q与n成正比关系。