[发明专利]基于深度细节注入网络的高光谱全色锐化方法

说明书

本发明公开了一种基于深度细节注入网络的高光谱全色锐化方法，首先选取两种分别覆盖室内场景和室外场景的高光谱图像数据集，分别是Cave和PaviaCenter数据集；把低分辨率的高光谱图像进行上采样并与全色图像进行联合，输入到卷积层中提取浅层特征；提取的浅层特征再次送到卷积层中进一步的提取浅层特征；然后将第二次提取的浅层特征输入到残差密集块网络中；最后对所有的残差密集块进行全局特征融合得到联合图像的层次特征；将浅层特征和层次特征进行残差运算；最后进行卷积得到基于深度细节注入网络的高光谱全色锐化方法的融合结果。本发明解决了现有技术中存在的高光谱融合过程中细节提取不够，所导致的融合效果受限的问题。

技术领域

本发明属于遥感影像技术领域，具体涉及一种基于深度细节注入网络的高光谱全色锐化方法。

背景技术

高光谱图像是一种包含空间信息和光谱信息的三维立方体数据。在空间域中，每个波段都可以表示为对应波长的场景描述。在光谱上，任何像素在数百个不同波长的响应下形成了一条高分辨率的光谱曲线，可以用来区分不同的物质属性，即光谱识别性。这种高光谱遥感影像特有的光谱识别性使得其在军事救援、环境监测等领域得到了广泛的应用。但是受硬件的限制，光谱成像仪很难获得同时具有高空间分辨率和高光谱分辨率的遥感影像。在实际应用过程中，遥感平台上更多的是通过不同的载荷获取对应的数据。成像光谱仪获取的高光谱图像含有丰富的光谱信息，但是空间分辨率较低，而全色相机获取的遥感图像空间分辨率较高，但波段数少。高光谱全色锐化是指通过融合高光谱图像和全色图像，以得到同时具有高空间分辨率和高光谱分辨率的高光谱图像。

目前高光谱全色融合方法可以分为成分替换、多分辨率分析、基于矩阵分解和基于深度学习的方法。成分替换方法是利用全色图像用替代高光谱图像逆变换后的一个分量。多分辨率分析方法是将全色图像的空间细节信息注入到上采样的高光谱图像中。基于矩阵分解的方法则是通过将目标高光谱图像分解成光谱基和相应的子空间系数，并将生成全色图像和输入的高光谱图像的过程进行建模。为了求解建模函数，需要给定图像的先验知识，而这些预先给定的图像先验知识往往并不能完整的描述影像的特性，造成融合图像的细节失真。

基于深度学习的高光谱全色锐化方法则是通过将高光谱图像和全色图像同时输入网络，并学习输入与输出，即理想的高光谱影像之间的映射关系。利用这种学习到的关系泛化到其余影像中以得到高空间分辨率的高光谱图像。

发明内容

本发明的目的是提供一种基于深度细节注入网络的高光谱全色锐化方法，解决了现有技术中存在的高光谱融合过程中细节提取不够，所导致的融合效果受限的问题。

本发明所采用的技术方案是，基于深度细节注入网络的高光谱全色锐化方法，具体按照以下步骤实施：

步骤1、选取两种高光谱图像的数据集，两种高光谱图像的数据集分别覆盖室内场景和室外场景，室内场景用Cave数据集，室外场景用PaviaCenter数据集代表；

步骤2、把步骤1数据集中低分辨率的高光谱图像先进行上采样，然后和全色图像进行联合，输入到卷积层中提取联合图像的浅层特征；

步骤3、步骤2提取到的浅层特征再次送到卷积层中，进一步的提取浅层特征；然后将第二次提取到的浅层特征输入到残差密集块网络中；最后对所有的残差密集块进行一次全局特征融合得到联合图像的层次特征；

步骤4、将步骤2得到的浅层特征和步骤3得到的层次特征进行残差运算；最后进行一次卷积运算得到基于深度细节注入网络的高光谱全色锐化方法的融合结果。

本发明的特点还在于，

步骤1具体如下：

步骤1.1、采用Cave数据集代表室内场景，Pavia Center数据集代表室外场景；数据集中的原始高光谱作为参考图，模拟低分辨率的高光谱图像是由参考图进行下采样得到的，模拟高分辨率的全色图像是对参考图的第三维进行求均值得到的；