[发明专利]超参数保真与深度先验联合学习的高光谱图像超分辨方法

说明书

本发明公开了一种超参数保真与深度先验联合学习的高光谱图像超分辨方法，该方法包括：建立超参数保真模型深度先验正则化的高光谱和多光谱图像融合的变分模型；优化高光谱‑多光谱图像融合变分模型；对模型优化迭代过程进行张量化表示；对变分模型优化的迭代过程进行网络展开，执行优化的迭代过程；使用L1范数作为损失函数，训练网络。本发明具有同时在网络中表示高光谱图像退化模型和数据先验的能力，应用于高光谱‑多光谱图像融合具有优异性能。

技术领域

本发明涉及高光谱-多光谱图像融合技术，特别是一种超参数保真与深度先验联合学习的高光谱图像超分辨方法。

背景技术

高光谱图像包含丰富的空谱信息，能够在像素级区分场景的材料属性，在遥感中具有重要的应用价值。但是高光谱图像的分辨率低，制约其在高分辨率对地观测中的应用。相比而言，多光谱图像分辨率高，能够为高光谱图像提供地物信息。目前，高光谱-多光谱图像融合成为高光谱图像分辨率的增强技术的重要研究方向。

卷积神经网络(CNN)可以利用图像的空间结构提取特征，能够自然地从高光谱和多光谱图像提取深度空谱特征，进而重构高分辨率的高光谱图像，因此在高光谱-多光谱图像融合中受到广泛关注。通过训练CNN表示高低分辨率图像间的映射关系，CNN可以从低分辨率图像推断出高分辨率的高光谱图像。目前，已有多种基于CNN网络结构被提出，例如，三维CNN、双分支CNN和金字塔CNN，用于高光谱-多光谱图像融合。这些CNN融合网络主要是学习从低分辨率高光谱图像和高分辨率多光谱图像到高分辨率高光谱图像间的映射关系，高光谱图像的分辨率退化模型，未能在融合中充分利用上，使得CNN网络结构缺乏科解释性，也限制了融合性能的提升。

最近，已有学者提出在融合网络中利用高光谱图像的分辨率退化模型，以提高网络的可解释性和融合性能。例如，Dian等人[R.Dian,S.Li,A.Guo,L.Fang,Deephyperspectral image sharpening.IEEE Transactions on Neural Networks andLearning Systems,(99),1-11,2018]在Sylvester框架中将CNN和高光谱图像的分辨率退化模型结合，完成高光谱-多光谱图像融合。Zhang等人[L.Zhang,J.Nie,W.Wei,Y.Zhang,etal,Unsupervised Adaptation Learning for Hyperspectral Imagery Super-Resolution.IEEE Conference on Computer Vision and Pattern Recognition,3073-3082,2020]假设高光谱图像的空间退化模型已知，在CNN网络中学习其光谱维退化模型，并通过无监督自适应学习，完成高光谱-多光谱图像融合。Wang等人[W.Wang,W.Zeng,Y.Huang,X.Ding,J.Paisley,Deep Blind Hyperspectral Image Fusion.IEEEInternational Conference on Computer Vision,4150-4159,2019]提出在CNN网络中交替学习退化模型和融合模型。Xie等人[Q.Xie,M.Zhou,Q.Zhao,Z.Xu,D.Meng,MHF-Net:AnInterpretable Deep Network for Multispectral and Hyperspectral ImageFusion.IEEE Transactions on Pattern Analysis and Machine Intelligence,2020]在CNN网络中隐形的学习高光谱图像的空间退化模型，结合低秩先验，重构高分辨率的高光谱图像。尽管上述方法取得了较好的融合性能，但是如何在CNN网络中学习表示高光谱图像的退化模型及其数据先验，还未得到充分研究。

发明内容

本发明的目的在于提供一种超参数保真与深度先验联合学习的高光谱图像超分辨方法，该方法建立深度先验正则的融合模型，通过从海量数据中学习高光谱图像的退化模型和深度先验，重构高分辨率的高光谱图像，获取优异的融合性能。