[发明专利]基于谱空结合和梯度域损失的高光谱图像超分辨重构方法

说明书

本发明涉及一种基于谱空结合和梯度域损失的高光谱图像超分辨重构方法，属于图像超分辨重构领域。该方法包括：S1：得到高光谱图像；S2：将高光谱图像分成训练集和测试集；S3：将训练集输入谱空结合的神经网络中，并利用空域和梯度域的联合损失来训练；S4：将测试集通过神经网络，得到最后重构结果。本发明所采用的方法与现有的技术相比，在网络结构上更为轻量化，同时具有更高的重构质量，且具有较强的抗噪性能。

技术领域

本发明属于图像超分辨重构领域，涉及一种基于谱空结合网络和梯度域损失的高光谱图像超分辨重构方法。

背景技术

高光谱图像空间分辨率低，极易产生混合端元，导致光谱畸变，破坏端元的空间和光谱一致性。从输入信息来区分，高光谱图像超分辨率重构大致可以分成两种：基于图像融合的重构方法(有辅助图像)、无辅助图像的重构方法。基于图像融合的重构方法采用RGB图像或全色(Panchromatic,PAN)图像或多光谱(Multispectral,MS)图像作为辅助，使用空间和光谱信息来联合约束，从而解混端元、减缓光谱畸变。使用RGB辅助的重构方法，将高光谱超分辨率重构问题看成对LR图像及对应RGB图像求有关稀疏、非负约束的优化问题。Akhtar等人使用稀疏编码策略来重构高光谱图像，充分挖掘其空间结构及信号非负性、稀疏性。Dong等人提出基于非负矩阵结构稀疏编码(Non-Negative Structured SparseRepresentation,NNSR)来探索图像稀疏表示的空间相关性，使用高光谱LR图像和对应的RGB图像重构得到HR图像。基于同一地点高光谱图像和PAN图像的端元具有一致性，Zhao等人通过高光谱图像和对应PAN图像训练过完备字典对，并使用非局部相似性来表示HR图像与LR图像间的映射关系。由于PAN图像是混合可见光波段形成的灰度图像，光谱分辨率低，在与高光谱图像的融合过程易产生光谱畸变。相对于PAN图像，MS图像空间分辨率更低，但谱信息丰富，有几个到十几个波段，能够获得地物的色彩信息。Zhang等人提出了一种基于小波的贝叶斯融合框架，并把高斯混合模型作为先验约束小波系数，对高光谱LR图像和高分辨率MS图像进行融合，最后得到高光谱HR图像。Wei等人通过训练观察图像得到过完备字典，使用带有稀疏正则的优化框架来融合高光谱图像和MS图像，并通过交替优化投影目标图像和系数编码来求解。然而，在实际应用中，难以获得同一场景下光谱覆盖范围相通的MS图像，波段范围不同会导致高光谱图像重构质量下降。无辅助图像的重构方法因其物理要求简单而受到了广泛关注。

无辅助图像的重构只利用高光谱LR图像，结合了高光谱图像的空间、谱信息对重构进行约束。Xing等人利用高光谱图像学习字典，并使用Beta-Bernoulli过程提高字典的自洽性，但计算复杂度高。Akgun等人把高光谱图像看成若干个含有高维特征的凸集，使用POCS(Projection Onto Convex Set)来获得HR图像的解空间，并加入先验信息约束，能够较好保持图像的边缘和细节信息，但解过于依赖初始值、不具有唯一性。Zhang等人提出了一种基于MAP(Maximum A Posterior)的高光谱图像超分辨率重构算法，在求解时加入先验知识以保证解的唯一性，将高光谱图像的波段分成三组并使用主成分分析减少计算量、去除冗余信息。近年来，深度学习在高光谱图像重构上也得到了广泛应用。Yuan等人借鉴迁移学习的思想，利用自然图像LR和HR图像的映射关系来帮助重构高光谱HR图像，但该方法并没有考虑到高光谱图像的谱间信息相关性。3D-FCNN使用三维卷积提取谱空特征，对于同一个探测器采集的高光谱图像无需二次训练即可进行重构。Li等人使用深度卷积网络学习高光谱图像谱段间的差值，结合差值及LR图像初始化HR图像，并采用IBP算法，通过最小化HR图像与其反向投影所得LR图像间的仿真误差，对HR图像进行迭代更新直到收敛。

总体来说，现有技术在解决高光谱图像时存在如下几个问题：

1)方法的时间复杂度与重构质量无法兼顾；

2)现有方法无法捕捉高光谱图像的谱信息做到谱空结合，重构质量不佳。

发明内容