[发明专利]一种图像锐化方法、电子设备及计算机可读存储介质

说明书

本申请涉及图像处理技术领域，具体而言，涉及一种图像锐化方法、电子设备及计算机可读存储介质。本申请提供一种图像锐化方法，主要包括以下步骤：获取原始图像数据，所述的原始图像数据包括多光谱图像以及与其完全配准的全色图像；对所述原始图像数据进行预处理，构建训练集和测试集；构建高低频信息分离整合卷积神经网络模型；训练神经网络模型。所述损失误差大于等于所述损失误差阈值时，重复步骤S5至步骤S6；当所述损失误差小于所述损失误差阈值时，得到最优神经网络模型。

技术领域

本申请涉及图像处理技术领域，具体而言，涉及一种图像锐化方法、电子设备及计算机可读存储介质。

背景技术

遥感图像越来越多地被应用于气象预测、植被分析、地质勘探、海洋遥感、环境检测以及城市规划等领域。与此同时，随着商用遥感图像产品的大量推广，对兼具高空间分辨率和高光谱分辨率的遥感图像的需求日益增长。然而，由于光学成像设备物理结构的限制，遥感系统往往需要在图像的空间分辨率和光谱分辨率之间做出权衡，难以通过单个传感器获取同时具有高空间分辨率和高光谱分辨率的遥感图像，而是生成具有高光谱分辨率但空间分辨率较低的多光谱图像，或具有高空间分辨率但只有单个光谱通道的全色图像。在保留多光谱图像光谱信息的前提下，通过充分利用全色图像的空间信息对多光谱图像进行锐化处理，就能得到高空间分辨率的多光谱图像，这一过程称为全色锐化。

遥感图像全色锐化方法可以分为三大类，包括成分替代法、多分辨率分析法以及基于神经网络模型的方法。成分替代法从光谱的角度来研究全色锐化问题，通过光谱变换将多光谱图像变换到另一个空间域以分离光谱成分和空间成分，并用全色图像代替其空间成分，再反变换回原来的空间域，从而得到锐化图像。常见的成分替代法包括有主成分分析变换法(PCA)、施密特正交变换法和光强(GS)、色调、饱和度变换法(IHS)等。这一类方法能够较好地修复空间细节，但容易在结果中出现光谱失真。多分辨率分析法通过对全色图像进行多分辨率分解以获取空间细节信息，并将其注入到多光谱图像中从而获得锐化图像。典型的多分辨率分析法包括小波变换(DWT)、拉普拉斯金字塔(LP)等，这一类方法的锐化结果具有较高的光谱保真度，但同时也容易出现空间振铃现象。近年来，神经网络模型在多个图像处理领域展示出了优越的性能，将神经网络模型应用于全色锐化成为了一个极具潜力的研究方向。然而，由于高频和低频的空间信息分别包含在全色图像以及多光谱图像中，直接将两者在光谱维度进行拼接并一起输入神经网络模型学习与高分辨率多光谱图像的映射关系容易造成空间信息的损失，使锐化效果变差。

因此，如何有效分离并分别处理低频信息和高频信息，减少了全色锐化过程中空间细节信息的损失，增强了锐化效果成为了一个有待解决的问题。

发明内容

本申请的目的在于提供一种图像锐化方法、电子设备及计算机可读存储介质，通过将网络模型分为低频信息整合以及高频信息整合两个过程对多光谱图像的空间信息进行修复，能够有效地增强锐化效果，提高锐化效率，同时减少预测图像的光谱失真。

本申请的实施例是这样实现的：

本申请实施例的第一方面提供一种图像锐化方法，包括以下步骤：

S1、获取原始图像数据，所述的原始图像数据包括多光谱图像以及与其完全配准的全色图像

其中h₁和w₁表示多光谱图像的高和宽，

h₂和w₂表示全色图像的高和宽，b表示光谱通道数；

S2、对所述原始图像数据进行预处理，基于所述多光谱图像和所述全色图像构建训练集和测试集；

S3、构建高低频信息分离整合卷积神经网络模型，包括低频信息整合和高频信息整合，所述高低频信息分离整合卷积神经网络模型采用线性整流函数作为激活函数；