[发明专利]一种高光谱真实下采样模糊核估计方法

说明书

本发明属于图像处理技术领域，公开了一种高光谱真实下采样模糊核估计方法，所述高光谱真实下采样模糊核估计方法包括：对待处理高光谱图像4倍下采样；在得到的两个尺度的高光谱图像中以同样大小的搜索框遍历计算图像块对空谱相似度；根据相似度调整遍历步长完成搜索；构建高光谱下采样真实模糊核生成器和判别器；在生成器和判别器交叉训练完成后即可通过生成器模拟生成高光谱图像经过真实核下采样的低分辨率图像。本发明能够模拟高光谱图像真实下采样模糊核，生成真实的高光谱图像超分或融合数据集来突破数据源的瓶颈问题；利用真实图像中存在的共现性，可以从普通的高光谱数据中提取出用于真实高光谱下采样模糊核估计的训练集。

技术领域

本发明属于图像处理技术领域，尤其涉及一种高光谱真实下采样模糊核估计方法。

背景技术

目前，相对于普通的RGB图像，高光谱图像包含丰富的光谱信息，但是由于辐射传输过程和传感器工艺的限制，导致拍摄的高光谱图像的空间分辨率较低。低空间分辨率无法较好地获取地物细节，极大地限制了高光谱影像后续的地物分类、目标检测等方面的性能。因此提高高光谱图像的空间分辨率是提高遥感图像后续处理性能的必要前提。

目前，将高光谱图像与全色或者RGB图像融合是提高高光谱图像空间分辨率的常用方法，多传感器融合技术可以打破单个传感器在物理上的限制，从而获取高空间和光谱分辨率的遥感图像。作为遥感图像处理领域的研究热点，高光谱图像融合技术已经发展出了许多经典算法。其中具有代表性的方法主要包括：成分替换法、多分辨分析法、贝叶斯法、和矩阵分解法等。近年来，基于深度学习的方法广泛应用于图像处理的各个领域，如目标检测、异常检测、图像分类等，利用深度学习的方法来实现高光谱图像融合也成为了一种新的趋势。

但是这些方法都有其存在的缺陷，对于经典算法，大都无法同时满足空间和光谱平衡从而造成信息丢失；对于现有的深度学习方法，它们大都是在根据wald’s协议生成的理想下采样数据集下完成训练和测试的。在这种情况下，模糊核已知(如双线性插值)且固定，下采样图像几乎不包含噪声，而现实世界图像往往包含大量噪声，也就是说：这种模糊核难以精确模拟降质过程。基于深度学习的真实图像的超分问题在于如何引入精确的降质模型以确保下采样的跌低分图像与原始图像具有同域属性(比如噪声分布，模糊等)。

通过上述分析，现有技术存在的问题及缺陷为：

(1)对于经典算法，大都无法同时满足空间和光谱平衡从而造成信息丢失。

(2)对于现有的深度学习方法，大都是在根据wald’s协议生成的理想下采样数据集下完成训练和测试的，这种模糊核难以精确模拟降质过程。

(3)基于深度学习的真实图像的超分问题在于如何引入精确的降质模型以确保下采样的跌低分图像与原始图像具有同域属性。

解决以上问题及缺陷的难度为：一是图像的降质模型包含真实世界的噪声，需要实验寻找真实降质模型的规律。二是在寻找相似图像块的时候对于尺寸的选择和相似度函数的构建，需要充实的先验知识和大量的实验。

解决以上问题及缺陷的意义为：由于传感器技术和成本的限制，直接获取的低分辨率高光谱影像在后续处理如地物分类，目标检测中无法获得较好的效果。模拟生成的真实数据集可以使超分或者融合算法的效果更加具有真实性，因为在这个数据集训练的过程中涵盖了相机抖动、光学畸变、大气变化等噪声干扰。如果直接通过遥感器获取同一目标区域的两个分辨率的图像，为了减少外界环境的影响，需要两个传感器在相近的时间拍摄，而且需要对图像进行后续的像素对齐工作，这里会消耗大量的资源。所以通过合适的算法有效地模拟生成高光谱真实数据集十分必要。

发明内容

针对现有技术存在的问题，本发明提供了一种高光谱真实下采样模糊核估计方法，尤其涉及一种基于跨尺度共现性的高光谱真实下采样模糊核估计方法。

本发明是这样实现的，一种高光谱真实下采样模糊核估计方法，所述高光谱真实下采样模糊核估计方法，包括：