[发明专利]一种多光谱图像全色锐化方法

权利要求书

1.一种多光谱图像全色锐化方法，其特征在于，包括步骤：

读取原始的多光谱图像和全色图像，对读取的图像数据进行预处理；

从预处理后的图像中划分出不同的区域并按照特定的原则从所述区域中截取出小的图像块作为训练样本和测试样本；

设计空间特征传输卷积模块；

设计空间特征传输串级卷积神经网络：

使用零均值的高斯分布对空间特征传输串级卷积神经网络模型各卷积层的权重和偏置进行随机初始化；

输入训练样本，经过网络前向传播得到预测图像，选择均方误差作为损失函数，计算预测图像与参照图像之间的损失函数值；

判断损失函数值是否小于设定的阈值：

若损失函数值小于设定的阈值，则其达到最小，得到权重W和偏置B的最优解并进行保存；

否则使用自适应矩估计算法对模型进行迭代优化，更新权重W和偏置B；重复迭代过程直至损失函数值小于设定的阈值；

将权重和偏置的最优解加载至空间特征传输串级卷积神经网络模型中，输入测试样本进行全色锐化处理；

构建空间特征传输串级卷积神经网络模型的步骤中，包括：

拼接层Concat，表示为其中/为输入的多光谱训练样本，为输入的全色图像训练样本，/表示将两者在光谱维度进行拼接，C⁽ⁱ⁾表示该层输出的b+1个特征图；

二维卷积层S-Conv1，包含64个感受野为7×7的卷积核，用于执行二维卷积操作：输入拼接层Concat的输出C⁽ⁱ⁾，输出64个特征图整个过程可以表示为其中/和/分别表示该层卷积核的权重矩阵和偏置矩阵，选择线性整流函数作为激活函数；

二维卷积层S-Conv2，包含32个感受野为7×7的卷积核，用于执行二维卷积操作：输入二维卷积层S-Conv1的输出输出32个特征图/整个过程可以表示为其中/和/分别表示该层卷积核的权重矩阵和偏置矩阵，同样选择线性整流函数作为激活函数；

二维卷积层S-Conv3，包含8个感受野为7×7的卷积核，用于执行二维卷积操作：输入二维卷积层S-Conv2的输出输出8个特征图/整个过程可以表示为其中/和/分别表示该层卷积核的权重矩阵和偏置矩阵，同样选择线性整流函数作为激活函数；/

空间特征传输卷积模块SFTConv Block-64，输入二维卷积层S-Conv1的输出和多光谱训练样本/输出64个特征图/实现第一级全色锐化过程；

空间特征传输卷积模块SFTConv Block-32，输入二维卷积层S-Conv2的输出和空间特征传输卷积模块SFTConv Block-64的输出/输出32个特征图/实现第二级全色锐化过程；

空间特征传输卷积模块SFTConv Block-8，输入二维卷积层S-Conv3的输出和空间特征传输卷积模块SFTConv Block-32的输出/输出8个特征图/实现第三级全色锐化过程；

三维卷积层M-Conv4，包含1个感受野为1×1×1的卷积核，用于执行三维卷积操作，输入空间特征传输卷积模块SFTConv Block-8的输出输出预测图像O⁽ⁱ⁾，整个过程可以表示为/其中/和/分别表示该层卷积核的权重矩阵和偏置矩阵，该层不使用激活函数。

2.根据权利要求1所述的全色锐化方法，其特征在于，所述读取原始的多光谱图像和全色图像的步骤中，读取的原始的多光谱图像和全色图像满足以下关系：

h₂＝rh₁

w₂＝rw₁

其中，r表示全色图像与多光谱图像的空间分辨率之比，₁和w₁分别表示原始多光谱图像的高和宽，h₂和w₂分别表示全色图像的高和宽。

3.根据权利要求2所述的全色锐化方法，其特征在于，对读取的图像数据进行预处理为：使用具有特定频率响应的滤波器对原始的多光谱图像和全色图像进行平滑滤波，对滤波结果进行下采样，使其空间分辨率降低r倍，得到退化的多光谱图像和全色图像，再根据多项式插值法对退化的多光谱图像进行尺度为r的上采样，恢复其空间分辨率。