[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

说明书

本发明提出了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，属于图像处理技术领域。将线性光谱混合模型集成到卷积神经网络中，构建一个端到端的网络模型，对高光谱图像像素高分辨率与低分辨率的丰度矩阵进行估计，结合端元矩阵进而重构高空间分辨率的高光谱图像。本发明模型可以利用分辨率较低的图像进行训练，可以有效减轻其他现有工作对辅助高分辨率数据资源的需求，相较于传统方法具有更高的鲁棒性和光谱保真度。

技术领域

本发明涉及图像处理技术领域，具体涉及基于光谱解混卷积神经网络的高光谱图像超分辨方法。

背景技术

高光谱成像是遥感领域中最重要的探测手段之一，它在获得地表分布信息的同时，也能获得各种地物的光谱信息，从而实现图像与光谱信息的结合。高光谱图像最为突出的特点是其精细的光谱分辨率及丰富的光谱信息，能有效地探测到有别于传统多光谱或人眼所能发现的诊断性的特征，因而显著提升了人类对于世界的认知能力。但是，高光谱图像光谱分辨率的提高是以牺牲空间分辨率为代价的，换言之，高光谱图像普遍存在着空间分辨率上的不足，为此，图像超分辨率技术常被用来增强高光谱图像的空间分辨率。

高光谱图像分辨率增强的方法总体上可以分为两类，一种是基于单幅图像的超分辨率算法，另一种是基于多源图像融合的超分辨率算法。基于图像融合的高光谱图像超分辨率算法需要同一场景下的高分辨率全色图像或多光谱图像来实现，这给该类算法带来了一定的限制；而基于单幅高光谱图像的超分辨率算法无需额外的辅助图像，在实际应用中更具有普适性。传统的单幅图像超分辨方法是基于滤波来实现的，但由于该类算法没有对图像固有特性进行衡量，会导致生成图像的边缘模糊或光谱失真。随着深度学习理论的发展和应用，卷积神经网络（Convolutional Neural Network，CNN）在图像处理领域展现出了巨大的潜力和优势。CNN能自主地学习图像的各种特征并进行拟合，从而形成对图像的精确表示。目前，卷积神经网络已初步被应用到遥感图像超分辨率领域中。但是，现有的基于CNN的图像融合方法，缺少对高光谱图像光谱信息的准确提取，没有考虑光谱混合问题，不能很好地解决图像存在着的光谱失真现象。

复旦大学的专利“基于约束最小二乘的高光谱图像非线性丰度估计方法”(专利申请号：201310284833，申请公开号：CN103413292A)提出了一种基于约束最小二乘的高光谱图像非线性丰度估计方法。该方法从高光谱观测像素的混合模型出发，通过在目标函数中引入丰度的非负性及和为一约束以及非线性参数的有界约束，将高光谱图像非线性解混问题转化为求解丰度矢量和非线性参数的约束非线性最小二乘问题从而利用交替迭代优化算法求解丰度值。但是，该方法仍然存在不足之处，非线性解混模型较为复杂且公式较多，需要大量计算才能得到解混结果，效率低耗时长。

发明内容

本发明的目的在于提出基于光谱解混卷积神经网络的高光谱图像超分辨方法，可以利用分辨率较低的图像进行训练，可以有效减轻其他现有工作对辅助高分辨率数据资源的需求，相较于传统方法具有更高的鲁棒性和光谱保真度。

本发明的技术方案是这样实现的：

本发明提供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，将线性光谱混合模型集成到卷积神经网络中，构建一个端到端的网络模型，对高光谱图像像素高分辨率与低分辨率的丰度矩阵进行估计，结合端元矩阵进而重构高空间分辨率的高光谱图像。

作为本发明的进一步改进，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（Vertex ComponentAnalysis，VCA），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；