[发明专利]基于卷积网络的高光谱图像超分辨处理方法

摘要

本发明公开了一种基于卷积网络的高光谱图像超分辨处理方法，主要解决现有技术生成的高分辨高光谱图像分辨率较低的问题，其实现方案是：首先将采集到的低分辨高光谱图像与高分辨多光谱图像构成训练样本和测试样本；然后构建由推理子网络和生成子网络组成的卷积网络；用训练样本去训练卷积网络，并通过最大化低分辨高光谱图像与高分辨多光谱图像的联合似然函数，得到近似分布和真实分布相似度最高的卷积网络；最后将测试样本输入到训练后的卷积网络中，对生成的高分辨高光谱图像进行优化处理，得到最终的高分辨高光谱图像。本发明通过利用深层的卷积神经网络，提高了生成高分辨高光谱图像的分辨率，可用于医疗诊断、遥感、计算机视觉和监视。

主权项

1.一种基于卷积网络的高光谱图像超分辨处理方法，包括如下：(1)从Harvard图像集中获取低分辨高光谱图像L和高分辨多光谱图像H；(2)将低分辨高光谱图像L和高分辨多光谱图像H作为训练样本，将与训练样本不同的低分辨高光谱图像L和高分辨多光谱图像H作为测试样本；(3)构建卷积网络；(3a)设置推理子网络，该网络是由输入为隐变量为的两个卷积神经网络CNN组成的变分自编码网络，其中表示低分辨高光谱图像L的第i个像素点，表示低分辨高光谱图像L的第i个隐变量；(3b)设置生成子网络，该网络是由输入为隐变量为的两个卷积神经网络CNN组成的变分自编码网络，其中表示高分辨多光谱图像H的第j个像素点，表示高分辨多光谱图像H的第j个隐变量；(4)训练卷积网络：(4a)从均值为0、方差为0.01的高斯分布中随机采样，将随机采样的数组作为卷积网络的初始化参数；(4b)将训练样本中的所有低分辨高光谱图像L输入卷积网络中的推理子网络，同时将训练样本中的所有高分辨多光谱图像H输入到卷积网络中的生成子网络；(4c)通过最大化低分辨高光谱图像L与高分辨多光谱图像H的联合似然函数，得到近似分布和真实分布相似度最高的推理子网络和生成子网络；(4d)利用批量随机梯度下降方法，对(4c)得到的推理子网络和生成子网络中的所有参数进行迭代更新，得到更新后的推理子网络和生成子网络；(5)图像优化处理：(5a)将测试样本中的所有低分辨高光谱图像L输入到更新后的推理子网络中，同时将测试样本中的所有高分辨多光谱图像H输入到更新后的生成子网络中，生成高分辨高光谱图像块，并将其进行排列；(5b)对排列后图像块之间的重叠部分的像素值求平均值，得到重构的高分辨高光谱图像；(5c)对重构的高分辨高光谱图像进行优化处理，得到最终的高分辨高光谱图像。