一种高光谱图像去模糊方法、系统及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114255190A(43)申请公布日2022.03.29(21)申请号202111605044.3(22)申请日2021.12.24(71)申请人声耕智能科技(西安)研究院有限公司地址710075陕西省西安市雁塔区丈八街办丈八四路20号神州数码科技园5号楼12层A区C区(72)发明人王修珩陈捷(74)专利代理机构西安通大专利代理有限责任公司61200代理人房鑫(51)Int.Cl.G06T5/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书8页附图2页(54)发明名称一种高光谱图像去模糊方法、系统及存储介质(57)摘要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。CN114255190ACN114255190A权利要求书1/2页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＝2CN114255190A权利要求书2/2页20。7.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，直至达到终止条件的步骤包括：输入第一