[发明专利]一种基于混合监督模型的高光谱图像恢复方法和系统

权利要求书

1.一种基于混合监督模型的高光谱图像恢复方法，其特征在于，包括以下步骤：

步骤1：根据高光谱图像退化模型和参数，构造有监督高光谱图像数据集；

针对不同高光谱退化任务，根据高光谱退化模型参数和噪声参数来构造高光谱图像训练数据集；高光谱图像训练数据集包括：带噪退化高光谱图像和无噪声原始高光谱图像构成的成对数据集；

高光谱退化模型统一表示为：

y＝Φx+η (1)

其中，y为退化后的高光谱图像，x为原始高光谱图像，Φ为退化矩阵，η为加性高斯噪声；

步骤2：构造高光谱恢复网络，使用有监督高光谱图像数据集对网络进行训练；

使用成对高光谱数据集对网络进行训练，使网络学习到外部先验知识；训练函数如下所示：

其中，下标ex表示数据信息来自非恢复目标的高光谱；表示第i个成对高光谱数据，表示第i个原始高光谱图像，表示通过加噪声得到的第i个退化高光谱图像；N表示高光谱数据集总数；表示高光谱恢复网络，其参数为w_ex；

步骤3：建立基于噪声估计的无监督损失函数；

无监督损失函数使用基于斯坦无偏风险估计SURE和全变分TV的损失函数，通过斯坦无偏风险估计对高光谱退化过程中受到的噪声进行评估；

其中，斯坦无偏估计表示为：

其中，表示对高光谱退化图像y的估计函数，σ表示为噪声强度；N表示高光谱数据集总数；表示位置第i个退化高光谱像素的估计值，y_i表示第i个退化高光谱像素的真实值，表示微分算子；

全变分损失函数表示为：

其中，为微分算子；表示高光谱恢复网络，其参数为w_in；y_in表示退化高光谱图像，in表示数据信息来自恢复目标高光谱；

联合无监督损失函数表示为：

其中，λ为权重因子；

步骤4：使用监督学习得到的网络参数作为网络初值，将退化高光谱图像输入到网络中，利用无监督损失函数进行优化；

其中，估计函数的偏导数通过蒙特卡洛方法获得，表示为：

其中，b代表零均值随机向量单位方差；∈表示一个常量；Φ为退化矩阵；

针对每张退化高光谱，都以监督学习得到的参数值作为网络初始值，使用无监督损失函数，迭代优化该网络初始值，获得恢复后高光谱图片。

2.一种基于混合监督模型的高光谱图像恢复系统，其特征在于，包括有监督训练子系统、无监督训练子系统、恢复子系统；

其中，监督训练子系统用于对网络进行初步训练，使用成对高光谱数据集，使网络学习从外部高光谱数据中到有监督信息；

无监督训练子系统，用于进一步优化有监督训练子系统得到的网络初值，使网络学习到目标高光谱数据的本质信息；

恢复子系统利用无监督训练子系统训练好的网络，进行目标高光谱图像的恢复；

上述子系统之间的连接关系为：监督训练子系统的输出端与无监督训练子系统的输入端相连，无监督训练子系统的输出端与恢复子系统的输入端相连。