[发明专利]基于光谱解混卷积神经网络的高光谱图像超分辨方法

权利要求书

1.一种基于光谱解混卷积神经网络的高光谱图像超分辨方法，其特征在于，具体包括以下步骤：

1)对原始高光谱图像进行预处理，裁剪生成一幅子像素空间图像；

2)对步骤1)中生成的图像进行退化处理，然后，对退化后的图像进行双三次插值上采样，得到与步骤1)中子像素空间图像同样尺寸大小的低分辨率高光谱图像；

3)对步骤2)中获取的低分辨率高光谱图像进行顶点成分处理，获取对应的端元矩阵；同时，结合步骤1)子像素空间图像，通过矩阵变换生成空间尺度变换矩阵；

4)构建基于分支卷积神经网络的回归模型；

5)构造训练样本集；

6)训练网络；

7)构造测试样本集，从原始高光谱图像中裁剪出新的子像素空间图像，该图像尺寸与步骤1)中的子像素空间图像一致；再以步骤2)，步骤3)与步骤5)中相同的方式，生成测试样本集；

8)评估算法性能，将步骤7)中测试样本集送入步骤6)中训练好的模型中，将生成的结果通过相关评价指标来衡量算法的有效性；

步骤4)中所述回归模型包含一个特征提取阶段与一个丰度矩阵生成阶段，这两个阶段以串行的方式进行构建；

所述丰度矩阵生成阶段的模型结构以并行的方式分别生成低分辨率高光谱图像的丰度矩阵与高分辨率高光谱图像的丰度矩阵；

步骤6)中所述训练网络的具体方法为：首先将训练样本以小批次的方式依次送入步骤4)中构建的模型，训练样本依次通过模型两个阶段，预测生成了低分辨率高光谱图像与高分辨率高光谱图像的丰度矩阵；接着，两个丰度矩阵分别与端元矩阵相乘，生成合成的低分辨率高光谱图像与高分辨率高光谱图像；其次，将生成的高分辨率高光谱图像与对应的标签做均方差，生成的低分辨率高光谱图像与对应输入的低分辨率图像做均方差，同时将预测的高分辨率的丰度矩阵乘以空间尺度变换矩阵与低分辨率的丰度矩阵做均方差；最后，将三个均方差线性结合作为损失函数，并对丰度矩阵进行L2正则化约束，反向传播迭代训练模型，调整模型参数，在每次迭代过程中，利用乘法规则微调端元矩阵，直至收敛。

2.根据权利要求1所述基于光谱解混卷积神经网络的高光谱图像超分辨方法，其特征在于，步骤2)中退化处理的具体方法为：先后进行高斯滤波、临近下采样操作。

3.根据权利要求1所述基于光谱解混卷积神经网络的高光谱图像超分辨方法，其特征在于，所述特征提取阶段的模型结构包含六个卷积层，每个卷积层后分别连接一个批规范化层和激活函数层，其中每个卷积层分别包含64个3×3大小的卷积核，激活函数采用线性修正单元函数，卷积核与权重参数采用方差为0.01的高斯随机函数初始化方式。

4.根据权利要求1所述基于光谱解混卷积神经网络的高光谱图像超分辨方法，其特征在于，所述低分辨率高光谱图像丰度矩阵预测分支的结构包含四个卷积层，前三个卷积层包含64个3×3大小的卷积核，并且每个卷积层后分别连接一个批规范化层和ReLU激活函数层，最后一个卷积层包含D个3×3大小的卷积核，同时后接softmax函数的回归输出层来预测生成低分辨率高光谱图像的丰度矩阵，其中D为预先设置的端元个数。

5.根据权利要求1所述基于光谱解混卷积神经网络的高光谱图像超分辨方法，其特征在于，所述高分辨率高光谱图像丰度矩阵预测分支以与所述低分辨率高光谱图像丰度矩阵预测分支同样的结构预测高分辨率高光谱图像的丰度矩阵。

6.根据权利要求1所述基于光谱解混卷积神经网络的高光谱图像超分辨方法，其特征在于，步骤5)中所述构造训练样本集的具体方法为：将步骤2)中获取的低分辨率高光谱图像作为训练图像，从第一个像素开始，以边界镜像的填充方式，依次取每个像素各波段上的p×p邻域数据块，构成训练样本；同时，对步骤1)中该低分辨率高光谱图像对应的原始高光谱子像素空间图像进行相同的处理操作，以获得对应的训练标签样本，一共得到含N个样本的训练样本集。

7.根据权利要求6所述基于光谱解混卷积神经网络的高光谱图像超分辨方法，其特征在于，步骤3)中生成的端元矩阵与空间尺度变换矩阵包含于对应的训练图像集中。