[发明专利]一种高光谱图像去模糊方法、系统及存储介质

说明书

一种高光谱图像去模糊方法、系统及存储介质，方法包括从图像库中获取同一场景的第一高光谱图像和第二高光谱图像，第二高光谱图像的清晰度高于第一高光谱图像；对第一高光谱图像和第二高光谱图像进行归一化处理；在第二高光谱图像加上噪声，得到第三高光谱图像，构建深度降噪神经网络并采用配对图像集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，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的解模糊。本发明最大程度地复原了光谱和空间信息，得到的高光谱图像质量高。

技术领域

本发明涉及图像处理领域，具体涉及一种高光谱图像去模糊方法、系统及存储介质。

背景技术

高光谱成像技术能够获取包含数百个波段狭窄且光谱连续的图像数据，由于携带了丰富的空间和光谱信息，高光谱图像能够用于分辨传统的灰度和彩色图像无法识别的目标，因此被成功地应用于地球遥感、军事侦察、精准农业、工业分选等诸多领域。高光谱图像在获取过程中受到各种因素影响，在空间和光谱维度上存在多种类型的模糊退化，对其进行解模糊复原处理非常重要。然而，高光谱图像的三维结构加大了数据的规模，使得复原处理十分具有挑战性。

目前最先进的主流高光谱解模糊技术可以大致分为传统优化方法和深度学习方法两种。传统的优化方法可以根据图像退化的物理模型，灵活地处理不同的问题，但通常需人工定义恰当的图像先验知识，才能够保证较好的效果，然而构建人工先验通常会增大问题求解的复杂度，且没有充分利用现存数据内含的丰富信息。深度学习方法采用数据驱动的方式，能较好地挖掘图像特性，当训练和测试数据特性匹配时能够获得优异的处理结果，但是当前深度神经网络参数多、可解释性低，以及较少考虑数据产生的物理机制，导致这类方法泛化能力有限，故应用范围也受到限制。

发明内容

本发明的目的在于针对上述现有技术中的问题，提供一种高光谱图像去模糊方法、系统及存储介质，能够最大程度地复原光谱和空间信息，有效避免或减少重建过程中产生的图像失真和畸变，从而得到高质量的清晰高光谱图像，而且灵活性高，运行速度快，适用性好。

为了实现上述目的，本发明有如下的技术方案：

第一方面，提供一种高光谱图像去模糊方法，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。

作为本发明高光谱图像去模糊方法的一种优选方案，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；