[发明专利]基于频带间注意力机制对抗学习高光谱单图超分辨率方法

权利要求书

1.一种基于频带间注意力机制对抗学习高光谱单图超分辨率方法，其特征在于，所述基于频带间注意力机制对抗学习高光谱单图超分辨率方法包括以下步骤：

步骤一，搭建三维生成对抗网络模型；将频带注意力机制嵌入生成网络的残差块之间；设计损失函数；

步骤二，对已有的高光谱图像数据集进行预处理，获得生成对抗网络的训练数据集和测试数据集；

步骤三，训练生成对抗网络，以训练数据集中的高分辨率高光谱图像作为对抗网络的输入数据，调整网络参数使输出尽可能接近于1，以低分辨率的高光谱图像作为生成网络的输入数据，将输出的重构图像输入判别网络，调整生成网络参数使判别网络的输出也尽可能接近于1，直至生成对抗网络对训练数据集的处理误差小于最小阈值要求时，停止训练；

步骤四，测试三维生成对抗网络，将测试数据集中低分辨率高光谱图像作为生成网络的输入数据，获得网络的输出数据，根据输出数据对三维生成对抗网络超分辨率处理性能进行评价。

2.如权利要求1所述的基于频带间注意力机制对抗学习高光谱单图超分辨率方法，其特征在于，所述基于频带间注意力机制对抗学习高光谱单图超分辨率方法具体包括以下步骤：

第一步，搭建三维生成对抗网络模型；生成网络由三个结构相同的残差块组成，每个残差块主要由两个内核为5×3×3的三维卷积层组成；判别网络主要由六个三维卷积层和一个平均池化层组成；

第二步，将频带注意力机制嵌入生成网络的残差块之间；基于频带注意力机制的残差块输出为：

其中：

X∈R^c×l×h×w为基于频带注意力机制的残差块的输入，F∈R^c×l×h×w为两个三维卷积的输出，δ为Prelu激活函数，为不同光谱带的权重；

第三步，设计损失函数loss：

l_loss＝α₁l_S+α₂l_E+α₃l_A；

其中，l_S为空间损失函数：

l_S＝l_{l1_loss}+β₁l_{tv_weight_loss}；

其中，l₁为范数损失：

其中，l_{tv_weight_loss}为全变分损失：

其中，

l_E为光谱损失函数：

其中，z_i，j为真实图像第i行、第j列的光谱向量，z′_i，j为重构图像第i行、第j列的光谱向量；

l_A为对抗损失函数：

其中N为训练样本数；

第四步，对已有的高分辨率的高光谱图像进行预处理，使其通过高斯滤波器获得相应低分辨率的高光谱图像；按照一定规则分为训练数据集和测试数据集；

第五步，以损失函数loss最小化为目标，不断训练网络，调整网络参数，当损失函数小于最小精度要求ε时，停止训练，获得最佳超分辨率处理结果；

第六步，将测试数据集作为生成对抗网络的输入数据，获得生成对抗网络的输出数据，根据输出数据求平均峰值信噪比MPSNR、平均结构相似性指数MSSIM、平均均方根误差MRMSE和光谱角制图SAM对神经网络超分辨率处理性能进行评价：

其中，P和分别表示真实图像和重构图像，MAX_k是第k个频段的最大强度，和μ_P分别是和P的均值，和σ_P分别是和P的方差，是和P协方差，C₁和C₂是用于提高稳定性的两个常数，n＝w×l是像素数，z_i，z′_i表示两个光谱z_i和z′_i的点积，||·||₂表示l₂范数运算。