[发明专利]一种基于ADMM框架的改进空谱融合高光谱计算重构方法

权利要求书

1.一种基于ADMM框架的改进空谱融合高光谱计算重构方法，其特征在于，所述方法包括以下步骤：

S100：医药高光谱图像在经过编码孔径快照式光谱成像后，获得医药高光谱测量值，将所述医药高光谱测量值向量化，得到向量化后的医药高光谱测量值y；其中，H、W、B分别表示图像的高，宽和光谱波段数；

S200：采用带约束项的拉格朗日乘子法对所述向量化后的医药高光谱测量值y进行优化求解，得到优化求解表达式；

S300：利用改进的空谱融合去噪方法对所述优化求解表达式中的先验项进行求解并迭代，当迭代次数达到预设次数时，得到所述医药高光谱图像的重构值；

去噪网络包括依次连接的光谱去噪模块、空间去噪模块和光谱重建模块，所述光谱去噪模块用于提取输入图像的光谱特征，所述空间去噪模块用于提取空间特征，所述光谱重建模块用于对完成去噪信息后的光谱进行重建；

所述光谱去噪模块用于提取输入图像的光谱特征，具体为：

采用矩阵SVD分解将待去噪的转化为：

 (13)

其中，U表示m阶正交矩阵，Σ表示非负对角矩阵，V表示n阶正交矩阵；

所述空间去噪模块用于提取空间特征，包括：

令，，将所述空间去噪模块定义为S函数，则有：

(14)

所述空间去噪模块的网络结构包括特征提取层、第一编码层、第二编码层、第三编码层、第四编码层、第五编码层、第六编码层、第一解码层、第二解码层、第三解码层和重构层，

所述特征提取层的输入为X0，通过第一3D卷积提取特征得到输出X1，所述输入通道数为1，其中，所述第一3D卷积的输出通道数为16，卷积核大小为(3,3,3)，步长为(1,1,1)，补零为(1,1,1)；

所述第一编码层使用跳跃连接将所述特征提取层的输出X1和输入X0，沿通道数这一维度进行堆叠，并将堆叠后的值，通过第二3D卷积得到输出X2；其中，所述第二3D卷积的输入通道数为17，输出通道数为17，卷积核大小为(3,3,3)，步长为(1,1,1)，补零为(1,1,1)；

所述第二编码层使用跳跃连接将所述特征提取层的输出X1和输入X0，所述第一编码层的输出X2，沿通道数这一维度进行堆叠，并将堆叠后的值，通过第三3D卷积得到输出X3；其中，所述第三3D卷积的输入通道数为34，输出通道数为68，卷积核大小为(3,3,3)，步长为(1,2,2)，补零为为(1,1,1)；

所述第三编码层将X3输入第四3D卷积得到输出X4；其中，所述第四3D卷积的输入通道数为68，输出通道数为68，卷积核大小为(3,3,3)，步长为(1,1,1)，补零为(1,1,1)；

所述第四编码层使用跳跃连接将X3和X4沿通道数这一维度进行堆叠，并将堆叠后的值，通过第五3D卷积得到输出X5；所述第五3D卷积的输入通道数为136，输出通道数为136，卷积核大小为(3,3,3)，步长为(1,1,1)，补零为(1,1,1)；

所述第五编码层使用跳跃连接将X3、X4和X5沿通道数这一维度进行堆叠，并将堆叠后的值，通过第六3D卷积得到输出X6；所述第六3D卷积的输入通道数为272，输出通道数为272，卷积核大小为(3,3,3)，步长为(1,1,1)，补零为(1,1,1)；

所述第六编码层将X6输入第七3D卷积得到输出X7；所述第七3D卷积的输入通道数为272，输出通道数为272，卷积核大小为(3,3,3)，步长为(1,1,1)，补零为(1,1,1)；

所述第一解码层将X7输入第八3D卷积得到输出X8；所述第八3D卷积的输入通道数为272，输出通道数为272，卷积核大小为(3,3,3)，步长为(1,1,1)，补零为(1,1,1)；

将X8和X6相加得到X9；

所述第二解码层将X9输入第一上采样3D卷积得到输出X10；所述上采样3D卷积的输入通道数为272，输出通道数为17，卷积核大小为(3,3,3)，步长为(1,1,1)，补零为(1,1,1)，上采样为(1,2,2)；

将X10和X2相加得到X11；

所述第三解码层将X11输入第二上采样3D卷积得到输出X12；其中，所述第二上采样3D卷积的输入通道数为17，输出通道数为16，卷积核大小为(3,3,3)，步长为(1,1,1)，补零为(1,1,1)，上采样为(1,2,2)；

将X12输入非局部自相似模块，并将所述非局部自相似模块的输出与X1相加得到X13；

重构层将X13输入第九3D卷积得到输出X14；其中，所述第九3D卷积的输入通道数为16，输出通道数为1，卷积核大小为(3,3,3)，步长为(1,1,1)，补零为(1,1,1)；

将X14与X0相加得到X15，即为空间去噪模块的网络结构的输出，将X15赋值给。