[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

说明书

本发明涉及一种基于混合监督模型的高光谱图像恢复方法和系统，属于计算摄像技术领域。首先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。然后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。之后建立基于噪声估计的无监督损失函数。最后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。本方法通过深度网络对退化高光谱图像进行恢复，得到清晰的完整高光谱图像，能够有效解决网络在训练数据与测试数据上表现不一致的问题。本发明通过斯坦无偏估计对高光谱退化过程中的噪声进行评估，使得网络对噪声输入具有鲁棒性，实现了退化高光谱图像的高质量恢复。

技术领域

本发明涉及一种基于混合监督模型的高光谱图像恢复方法和系统，属于计算摄像技术领域。

背景技术

高光谱图像包含丰富的空间信息和光谱信息，被广泛应用于植被生态、大气环境、地质矿产、海洋、军事等领域。然而，受外界环境的影响和仪器自身设备的限制，高光谱图像往往会遭遇各种退化问题，如噪声、欠采样或者数据缺失。这些退化问题严重影响到高光谱图像的后续利用。

高光谱恢复方法可以从低质量的高光谱图像中恢复出高质量高光谱图像，成为了高光谱图像应用的必要预处理手段。

高光谱图像恢复方法总体包括两类，一类是传统的图像恢复方法，另一类是基于深度学习的图像恢复方法。其中，传统的高光谱图像恢复方法利用各种的先验知识来优化求解高质量高光谱图像。例如Yongyong Chen等人使用低秩矩阵来对高光谱去噪问题进行求解；Lizhi Wang等人利用非局部稀疏表示从压缩感知图像中恢复出高光谱图像；XiaolinHan等人使用非因式分解稀疏表示和字典学习，从低分辨率高光谱图像中恢复出高分辨率高光谱图像。这些传统方法依赖于手工提取的特征，虽然有效的考虑到了光谱特性，但是这类方法往往需要迭代求解复杂的优化问题，导致恢复过程耗时长。

基于深度学习的高光谱恢复方法在近年来取得了很好的效果。然而，尽管基于监督学习的深度网络可以从大量数据中自动学习到深层次的特征来进行图像恢复，但由于训练数据和测试数据存在的分布差距，这种数据驱动下学习到的高光谱恢复网络在测试数据上往往表现不如训练数据。此外，随机加性噪声的存在，使得这种表现差距加大。另一方面，无监督的深度网络虽然也可以从单张高光谱图像中学习到特征表示，但训练结果依赖于网络初值，具有不稳定性，同时，这类方法往往需要耗费大量时间迭代优化。

发明内容

本发明的目的是为了克服现有技术存在的不足和缺陷，创造性地提出一种基于混合监督模型的高光谱图像恢复方法和系统。本发明通过深度网络，可以有效利用来自大规模高光谱数据集的外部信息和来自目标退化高光谱的内部信息，获得更好的恢复效果。

本发明采用以下技术方案实现。

一种基于混合监督模型的高光谱图像恢复方法，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。

具体地，本发明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。

具体地，本发明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：