[发明专利]基于卷积网络的高光谱图像超分辨处理方法

说明书

本发明公开了一种基于卷积网络的高光谱图像超分辨处理方法，主要解决现有技术生成的高分辨高光谱图像分辨率较低的问题，其实现方案是：首先将采集到的低分辨高光谱图像与高分辨多光谱图像构成训练样本和测试样本；然后构建由推理子网络和生成子网络组成的卷积网络；用训练样本去训练卷积网络，并通过最大化低分辨高光谱图像与高分辨多光谱图像的联合似然函数，得到近似分布和真实分布相似度最高的卷积网络；最后将测试样本输入到训练后的卷积网络中，对生成的高分辨高光谱图像进行优化处理，得到最终的高分辨高光谱图像。本发明通过利用深层的卷积神经网络，提高了生成高分辨高光谱图像的分辨率，可用于医疗诊断、遥感、计算机视觉和监视。

技术领域

本发明属于图像处理技术领域，更进一步涉及图像超分辨处理方法，可用于医疗诊断、遥感、计算机视觉和监视。

背景技术

超分辨光学图像可以克服低分辨光学图像的限制，并且在诸如医疗诊断、遥感、计算机视觉和监视等许多应用中显示出良好的结果。要获得高分辨率的光学图像，最直接的办法是采用高分辨率图像传感器，但由于传感器和光学器件制造工艺和成本的限制，在很多场合和大规模部署中很难实现。因此，利用现有的设备，通过超分辨率技术获取高分辨图像具有重要的现实意义。为了打破成像系统固有分辨率的限制，从算法角度提高光学图像分辨率的技术就应运而生。现有的图像超分辨算法主要有这几种：基于传统插值理论的方法、基于模型/重建的方法和基于机器学习的方法。

K.Zeng,J.Yu,R.Wang,C.Li,D.Tao等人在其发表的论文“Coupled deepautoencoder for single image super-resolution.”(IEEE Transactions onCybernetics,2015，pages 1–11.)中公开了一种基于深度学习网络的单幅光学图像超分辨处理方法。该方法使用耦合深度自编码模型来学习高分辨/低分辨图像块对的内在表示，同时得到低分辨图像块到高分辨图像块的映射，最后生成高分辨图像块，并生成原低分辨图像对应的高分辨图像。该方法在重构中表现出了比较好的性能，且在前向网络测试时有较快的速度。但是，仍然存在的不足之处是：该方法没有考虑到模型中隐变量隐含的不确定因素，因此影响了生成的高分辨图像的分辨率。

清华大学深圳研究生院在其申请的专利文献“一种图像超分辨方法”(专利申请专利号：201510338958.6，公开号：CN10499240A)中提出了一种基于聚类和协同表示的图像超分辨方法。该方法在组织聚类中心近邻时，又对搜索空间聚类，利用了数据的局部几何特性，从而更准确地恢复高分辨率图像的高频信息，得到更高质量的高分辨率图像，该方法能够在聚类时不仅能够确定聚类中心，而且可以得到各个聚类中心的统计特性，为进一步加快超分辨速度提供可能。但是，仍然存在的不足之处是：该方法由于是利用一个浅层的概率模型，且只利用了低分辨图像表面的信息，没有考虑到高分辨/低分辨图像块对中隐含的信息，因而无法生成更多的信息来完善图像的分辨率，影响了最后生成的高分辨图像的分辨率。

发明内容

本发明的目的在于克服上述现有技术的缺陷，提出了一种基于卷积网络的高光谱图像超分辨处理方法，利用深层的卷积网络结构，提高最终得到的高分辨图像的分辨率。

为实现上述目的，包括如下：

(1)从Harvard图像集中获取低分辨高光谱图像L和高分辨多光谱图像H；

(2)将低分辨高光谱图像L和高分辨多光谱图像H作为训练样本，将与训练样本不同的低分辨高光谱图像L和高分辨多光谱图像H作为测试样本；

(3)构建卷积网络；

(3a)设置推理子网络，该网络是由输入为隐变量为的两个卷积神经网络CNN组成的变分自编码网络，其中表示低分辨高光谱图像L的第i个像素点，表示低分辨高光谱图像L的第i个隐变量；