[发明专利]一种高光谱图像去模糊方法、系统及存储介质

权利要求书

1.一种高光谱图像去模糊方法，其特征在于，包括：

从图像库中获取同一场景的第一高光谱图像Y和第二高光谱图像X，所述第二高光谱图像X的清晰度高于第一高光谱图像Y；对第一高光谱图像Y和第二高光谱图像X进行归一化处理；

在第二高光谱图像X加上噪声，得到第三高光谱图像Z，构建深度降噪神经网络并采用配对图像集(Z；X)训练深度降噪神经网络，获得深度降噪先验网络；

构造带正则项的目标函数，将目标函数解耦为最小平方子问题、高光谱图像降噪子问题和对偶变量更新子问题，迭代求解以上三个子问题，直至达到终止条件，所述高光谱图像降噪子问题通过深度降噪先验网络求解，完成第一高光谱图像Y的解模糊。

2.根据权利要求1所述的高光谱图像去模糊方法，其特征在于，所述构建深度降噪神经网络并采用配对图像集(Z；X)训练深度降噪神经网络的步骤包括：

构建三维网络模块：从输入到输出依次为三维卷积层a₁、批标准化层b、激活层c₁；

构建深度降噪神经网络：从输入到输出依次为三维卷积层a₂、激活层c₂、B个三维网络模块和三维卷积层a₃，网络输入通过跳跃连接与三维卷积层a₃的输出一起输入叠层d₁；三维卷积层a₃包含1个3×3×3的滤波器，步长为1；

选用图像集(Z；X)中三分之二的图像对作为训练集，其余三分之一作为测试集；在训练集的每幅图像中随机选取图像自身尺寸1/h大小的M个图像块，再将每幅图像中的M个图像块进行随机翻转和镜像；将经过上述处理的第一高光谱图像Y中的图像块作为网络的输入，将经过上述处理的第二高光谱图像X中的图像块作为标签图像；

损失函数定义如下：

||F(Z；Θ)-X||₁

其中，F(*)代表深度降噪网络映射，Θ代表深度降噪网络模型参数；

利用Adam优化算法，初始学习率为e，每次向前传播时随机取f个样本，算法迭代g代；训练完成得到深度降噪先验网络模型参数，进而获得深度降噪先验网络。

3.根据权利要求2所述的高光谱图像去模糊方法，其特征在于：所述三维卷积层a₁以及三维卷积层a₂均包含32个3×3×3的滤波器，步长均为1；所述激活层c₁以及激活层c₂均为ReLU函数；三维网络模块个数B＝8；在训练集的每幅图像中随机选取图像自身尺寸1/h大小的M个图像块中，h＝4，M＝100；初始学习率e＝0.0002，样本数f＝16，算法迭代次数g＝500。

4.根据权利要求1所述的高光谱图像去模糊方法，其特征在于，在所述构造带正则项的目标函数的步骤中，构造出的目标函数为：

其中，H表示模糊矩阵，表示数据保真项，φ(X)表示正则项，λ表示正则项参数。

5.根据权利要求1所述的高光谱图像去模糊方法，其特征在于，所述将目标函数解耦为最小平方子问题、高光谱图像降噪子问题和对偶变量更新子问题利用基于交叉方向乘子法的即插即用算法完成；所述的终止条件为t＝T，t代表迭代次数，T代表迭代次数的阈值。

6.根据权利要求5所述的高光谱图像去模糊方法，其特征在于，所述迭代次数阈值T＝20。