[发明专利]一种深度学习解色散模糊的高光谱成像方法

权利要求书

1.一种深度学习解色散模糊的高光谱成像方法，其特征在于，包括如下步骤：

S1，采集高精度光谱数据和色散RGB数据；

S2，制备卷积神经网络训练数据集；

S3，构建解色散模糊的卷积神经网络，卷积神经网络采用三维卷积核，且多个尺度的卷积核并列；所述卷积神经网络的输入是色散RGB数据，其输出是重建高光谱数据；

S4，利用步骤S2的训练数据集和步骤S3构建的卷积神经网络，通过反向传播算法训练所述卷积神经网络从色散RGB数据重建出高精度光谱数据的能力；

S5，经多次迭代，选择训练得到的最优模型对测试集中的色散RGB数据直接解色散模糊得到高光谱数据。

2.根据权利要求1所述的一种深度学习解色散模糊的高光谱成像方法，其特征在于，所述步骤S1中，仅使用一个色散元器件和一个图像传感器采集色散RGB数据；高光谱信号通过所述色散元器件后在其对应色散方向形成色散，即每个通道的二维数据在二维空间上发生位移，再由所述图像传感器采集色散模糊的RGB数据。

3.根据权利要求1所述的一种深度学习解色散模糊的高光谱成像方法，其特征在于，所述步骤S2中，卷积神经网络训练数据集为成对的高精度光谱数据和对应的色散模糊的RGB数据，其中高精度光谱数据的大小为h×w×c，h、w分别表示图像的横向尺寸和纵向尺寸，c为光谱通道数，色散RGB数据的大小为h×w×3。

4.根据权利要求1所述的一种深度学习解色散模糊的高光谱成像方法，其特征在于，所述步骤S3中，卷积神经网络以采集的真实高光谱数据作为网络监督学习所需的参考数据即训练标签。

5.根据权利要求1所述的一种深度学习解色散模糊的高光谱成像方法，其特征在于，所述步骤S3中，卷积神经网络的输入和输出层均使用卷积核尺寸为3×3×3的卷积层；网络的每一个中间层均包含并行的四个不同尺寸的三维卷积核。

6.根据权利要求5所述的一种深度学习解色散模糊的高光谱成像方法，其特征在于，所述中间层使用三个以上层相连构成，每一个中间层包含的三维卷积核尺寸为：1×1×1、3×1×1、5×1×1和7×1×1。

7.根据权利要求1所述的一种深度学习解色散模糊的高光谱成像方法，其特征在于，所述步骤S4中，卷积神经网络的优化目标为使网络输出的重建高光谱图像逼近参照标签的真实高光谱图像，即最小化两者之间的损失值，表示为：

Loss＝min‖θD-S‖

＝min‖S′-S‖

其中S′表示网络输出的重建高光谱图像，S为参照的真实高光谱图像，θ表示网络实现的映射关系，D为网络输入的色散RGB图像。

8.根据权利要求1所述的一种深度学习解色散模糊的高光谱成像方法，其特征在于，所述步骤S5中，对于不包含在训练集中的测试集数据，直接用获得的最优模型快速解色散，从色散模糊的RGB数据中重建出高光谱数据。