[发明专利]基于谱空结合和梯度域损失的高光谱图像超分辨重构方法

权利要求书

1.一种基于谱空结合和梯度域损失的高光谱图像超分辨重构方法，其特征在于，该方法包括以下步骤：

S1：得到高光谱图像；

S2：将高光谱图像分成训练集和测试集；

S3：将训练集输入谱空结合的神经网络中，并利用空域和梯度域的联合损失来训练；所述的谱空结合的神经网络SSRNet是基于深度学习的卷积神经网络，将HR图像重构任务转化成对HR图像与LR图像间残差的拟合，并使用伪三维卷积来提取谱空特征，实现对空间分辨率、谱分辨率的提高；SSRNet使用了像素域Charbonnier损失函数和梯度域损失相结合的损失函数，提高重构图像质量，并采用了多尺度训练方式，完成多种采样因子下的图像重构任务；

所述SSRNet结构包括：

1)深度残差学习：在网络输入与输出之间添加跳跃连接，使网络学习的是高/低分辨率图像间的残差；

2)引入伪三维卷积(Pseudo-3D Convolution,P3D)残差块；其中，CONV_2为瓶颈层，卷积核大小为1x1x1，卷积核个数为16；CONV_3采用一个一维谱卷积核3x1x1，CONV_4采用一个二维空域卷积核1x3x3；CONV_5为瓶颈层，卷积核大小为1x1x1；

所述残差块的数量根据计算资源的不同而修改；

3)在伪三维卷积残差模块中去掉BN层，提升网络性能；

4)网络中的激活函数都采用Relu激活函数，加快收敛速度，防止梯度爆炸和梯度消失；

S4：将测试集通过神经网络，得到最后重构结果。

2.根据权利要求1所述的基于谱空结合和梯度域损失的高光谱图像超分辨重构方法，其特征在于，步骤S3中，所述损失函数是神经网络优化的目标函数，用于评价预测值和真实值之间的差别，优秀的损失函数可以提高网络收敛速度，提升预测值的质量，反之，会降低网络整体性能；

1)Charbonnier损失函数

其中，m为样本个数，表示预测结果第i个像素的像素值，X⁽ⁱ⁾表示真实值第i个像素的像素值，ε为使得每个LR图像与HR图像的像素点对间差值均大于一定阈值，从而减少异常值的干扰；

2)梯度域损失函数

首先，需要通过求图像梯度的算法将LR和HR图像转到梯度域，采用如下公式计算图像梯度：

水平方向：

d_x(i,j)＝I(i+1,j)-I(i,j)

垂直方向：

d_y(i,j)＝I(i,j+1)-I(i,j)

其中，I是图像像素值，(i,j)为像素的坐标；对得到的梯度域特征图计算上述Charbonnier损失，最后得到联合损失函数如下：

其中，表示预测值，X表示真实值，α₁、α₂分别为水平方向和垂直方向梯度损失的加权系数，表示预测值第i个像素在x方向上的梯度值，表示预测值第i个像素在y方向上的梯度值，d_x⁽ⁱ⁾表示真实值第i个像素在x方向上的梯度值，d_y⁽ⁱ⁾表示真实值第i个像素在y方向上的梯度值。