[发明专利]基于矩阵分解网络的无监督高光谱图像超分辨率方法

权利要求书

1.一种高光谱图像超分辨率方法，其特征在于，所述高光谱图像超分辨率方法包括：

步骤1：对高光谱图像处理，生成模拟的低空间分辨率高光谱图像Y和高空间分辨率的多光谱图像Z，作为训练数据；

步骤2：将步骤1生成的数据对(Y，Z)输入自动编码器网络，训练迭代得到点扩散函数B和光谱响应函数R；

步骤3：对于目标高空间分辨率高光谱图像X，假设为末端成员矩阵和对应丰度矩阵的线性组合；将初始末端成员矩阵A₀和初始丰度矩阵S₀作为可训练参数，将步骤2中估计的B和R输入深度CP分解网络，通过深度CP分解网络求解期望末端成员矩阵A；

步骤4：结合步骤2中得到的点扩散函数B和光谱响应函数R，并结合退化模型和矩阵分解模型，对目标进行建模，设计正则项，通过网络展开迭代求解末端成员矩阵A和对应丰度矩阵S，最终得到融合的图像。

2.根据权利要求1所述的高光谱图像超分辨率方法，其特征在于，所述步骤2具体包括：

步骤2.1：所述低空间分辨率高光谱图像Y和高空间分辨率的多光谱图像Z的退化模型被分别建模为：

Z＝RX+N_m，Y＝XB+N_h

其中，N_m和N_h分别代表不同的信噪比，X代表目标高空间分辨率高光谱图像；

联立上面两个式子建模得到：ZB＝RY，最终目标函数为：min||ZB-RY||；

步骤2.2：通过自动编码器网络来求解：

输入生成的数据对(Y，Z)，随机初始化点扩散函数B和光谱响应函数R，B的width和height均为(2*ratio)-1，其中ratio为采样率，即两个数据空间分辨率大小之比，R的大小为(C，c)，其中C代表高光谱数据的波段数，c代表多光谱数据的波段数，将B和R作为网络的可训练参数；

步骤2.3：将R作为卷积核，通过卷积形式实现张量乘法，同理应用于ZB，最终优化目标函数min||ZB-RY||，迭代求解Z₁和Y₁，其中，Z₁和Y₁是通过学习到的B和R二次退化得到的，对得到的Z₁和Y₁归一化处理，并保存B和R。

3.根据权利要求2所述的高光谱图像超分辨率方法，其特征在于，所述步骤3具体包括：

步骤3.1：根据矩阵分解模型：X＝AS，建立目标函数：min||X-AS||，其中A代表末端成员矩阵，S代表对应的丰度矩阵；

步骤3.2：随机初始化末端成员矩阵A和丰度矩阵S，得到初始末端成员矩阵A₀和对应的初始丰度矩阵S₀，得到初始目标图像X₀＝A₀S₀；其中，A大小为(1，rank，H，W)，其中rank为设定的CP秩，H和W为多光谱数据的长和宽，S大小为(C，rank，1，1)，C为高光谱数据的波段数，将步骤2中得到的点扩散函数B和光谱响应函数R作为输入；

步骤3.3：将初始末端成员矩阵A₀输入低秩张量生成模块LRTG，首先通过一个卷积Conv提取浅层特征，然后使用卷积Conv-ReLU-Conv来生成输入的特征图，空间核的大小为3x3，将提取得到的特征图输入深度CP分解模块，先分别在通道，高度和宽度维度上进行全局池化GAP，得到向量C1，C2，C3，三者进行Kroneckor乘积生成张量O，然后引入残差学习来学习不同频率的张量Oi(i＝1,2…r)：

对生成的O_i提取残差部分，看作是O_i无法恢复的高频信息；剩余部分再次由所述低秩张量生成模块LRTG处理以生成O_i+1(i＝1,2…r)；最后，进入低秩张量学习模块LRTL，给定预先定义的CP秩r，通过r次的低秩张量生成模块来生成r个张量{O₁、O₂、...O_r}，最后将所有生成的张量聚合为一个低秩张量，采用卷积层将堆叠张量聚合成期望的末端成员矩阵A。