基于粒子动力学的高光谱图像超分辨重建方法
摘要文本
本发明提出了一种基于粒子动力学的高光谱图像超分辨重建方法，实现步骤为：(1)获取训练样本集和测试样本集；(2)构建基于粒子动力学的重建网络模型O；(3)初始化参数；(4)获取训练样本的重建图像；(5)对重建网络模型的参数进行更新；(6)获取训练好的重建网络模型；(7)获取高光谱图像重建结果。本发明所构建的基于粒子动力学的高光谱图像超分辨重建网络包括并行排布的多个粒子动力学子网络；相邻的粒子动力学子网络用光谱相关性来增强光谱域中的网络表示，粒子动力学子网络中的光滑粒子模块利用多尺度的超高斯光滑粒子卷积层聚合图像内跨空间位置的上下文信息，提高了对光谱谱带的利用，能够更好地恢复超分辨图像中的光谱信息，进而有效提高了高光谱图像重建的准确性。
申请人信息
- 申请人:西安电子科技大学
- 申请人地址:710071 陕西省西安市雁塔区太白南路2号
- 发明人: 西安电子科技大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 基于粒子动力学的高光谱图像超分辨重建方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202311457039.1 |
| 申请日 | 2023/11/3 |
| 公告号 | CN117522687A |
| 公开日 | 2024/2/6 |
| IPC主分类号 | G06T3/4053 |
| 权利人 | 西安电子科技大学 |
| 发明人 | 张铭津; 郑玲萍; 朱迎峰; 郭杰; 李云松; 高新波 |
| 地址 | 陕西省西安市碑林区太白南路2号 |
专利主权项内容
1.一种基于粒子动力学的高光谱图像超分辨重建方法，其特征在于，包括以下步骤：(1)获取训练样本集和测试样本集：获取K种场景且每种场景包含多幅高光谱图像的共M幅高光谱图像，并对每幅高光谱图像进行预处理后进行降采样，再将每幅预处理高光谱图像作为其降采样后的图像块的标签，然后将M幅预处理高光谱图像分为相邻谱带数之间保持强相关性的D组，最后将每组中半数以上的图像块及其标签组成训练样本集R，将剩余的图像块及其标签组成测试样本集E，其中，K≥32；M≥800，D≥6；11(2)构建基于粒子动力学的重建网络模型O：构建包括并行排布的D个粒子动力学子网络及与其输出端连接的第一融合模块的重建网络模型O，其中，D≥6，粒子动力学子网络用于对输入的样本进行图像重建；融合模块用于对D个粒子动力学子网络输出的重建图像进行融合；(3)初始化参数：初始化迭代次数为s，最大迭代次数为S，S≥10000，第s次迭代的基于粒子动力学的重建网络模型O中可学习参数的权值、偏置参数分别为w、b，并令s＝1；sss(4)获取训练样本的重建图像：将训练样本集R作为重建网络模型O的输入，第d个粒子动力学子网络对第d组训练样本进行特征提取并重建；第一融合模块对D幅重建的光谱特征图逐元素融合，得到与R中训练样本的幅数相等的重建的高光谱图像；11(5)对重建网络模型的参数进行更新：采用L1范数并通过每幅重建的高光谱图像和其对应的训练样本标签计算O的损失值L，并通过空间-光谱全变分正则化计算每幅训练样本标签的垂直、水平和光谱方向的梯度和L；采用链式法则，分别计算对ω、b进行更新，得到本次迭代的重建网络模型O；ssSSTVsss(6)获取训练好的重建网络模型：判断s≥S是否成立，若是，得到训练好的重建网络模型O*，否则，令s＝s+1，O＝O，并执行步骤(4)；s(7)获取高光谱图像重建结果：将测试样本集E作为训练好的重建网络模型O*的输入进行前向传播，得到所有测试样本对应的重建图像。1