[发明专利]一种利用深度学习重建高光谱图像的方法

说明书

技术领域

本发明涉及高光谱图像重建领域，具体的说涉及在高光谱图像重建时，一种利用深度学习重建高光谱图像的方法。

背景技术

当今时代，在某些领域普通相机已经不能满足人们的要求。在实际工作、生产中，往往需要通过更高分辨率的图像来对实际的信息进行获取。例如医生往往需要获得病人身体某部分的图像信息，来对其进行更深入的病理分析，此时一般的相机并不能满足此要求。而在相关技术中，彩色相机通过在传感器上加入红、绿、蓝色的滤镜分别来获取场景的颜色记录，这往往忽略了场景的光谱细节。因此为了采集三维高光谱图像往往会采取分时扫描的方法(即通过牺牲时间分辨率或空间分辨率)采集得到高光谱图像。

高光谱成像技术是近二十年来发展起来的基于非常多窄波段的影像数据技术，其最突出的应用是遥感探测领域，并在越来越多的民用领域有着更大的应用前景，它集中了光学、光电子学、电子学、信息处理、计算机科学等领域的先进技术，是传统的二维成像技术和光谱技术有机结合在一起的一门新兴技术。

所谓高光谱图像就是在光谱维度上进行了细致的分割，不仅仅是传统所谓的黑、白或者R、G、B的区别，而是在光谱维度上也有N个通道，例如：本发明可以把400nm-1000nm分为300个通道。因此，通过高光谱设备获取到的是一个数据立方，不仅有图像的信息，并且在光谱维度上进行展开，结果不仅可以获得图像上每个点的光谱数据，还可以获得任一个谱段的影像信息。

发明内容

本发明所要解决的技术问题是：高光谱成像方法仅适用于静态场景，如果采集低空间分辨率的高光谱图像，便会限制其应用范围，即重建图像不清晰，重建速度变慢。

由于在已经有的相关技术中采用的基函数或者小波基获得重建的结果不佳，因此本项目中考虑采用从训练数据集学习得到一个神经网络作为自然界高光谱图像的一个稀疏表示，对初始图像进行编码，并通过深度学习的思想进行解码重建，提供一种利用深度学习重建高光谱图像的方法。具体包括以下步骤：

步骤(1)获得高光谱数据集；

首先将需要训练的样本高光谱图像放在指定文件夹内，然后将每张样本高光谱图像都转换成单通道图片，再将单通道图片切割成20像素点*20像素点的小图片，从而获得高光谱数据集；便于接下来的步骤对高光谱数据集中的图像进行操作；

步骤(2)通过稀疏编码的方式进行训练并得到神经网络；

通过稀疏编码的方式对高光谱数据集中的图像进行处理，得到优化后的高光谱字典；将字典D和二维传感器图像同时输入深度卷积网络模型中，从而进行训练并得到神经网络；

步骤(3)将目标场景中原始的高光谱图像，以空间光谱随机编码的方式编码到光学投影上，形成二维传感器图像；

步骤(4)通过深度神经网络对二维传感器图像进行还原重建，得到高光谱图像。

所述的高光谱字典D的优化过程如下：

通过如下公式对高光谱数据集中的图像进行表示：

其中，h表示向量化的图像，D表示高光谱字典，d_j表示所述高光谱字典的原子，a表示稀疏系数，α_j为矩阵A中的第j个稀疏向量，q为总列数；

利用下述公式(2)进行学习获得优化后的高光谱字典D：

其中，T∈R^n*o为o个图像块所组成的训练集，A＝[a₁,…,a_o]∈R^q*o是每列为k-稀疏向量的矩阵，并且k为指定的稀疏程度，α_i为矩阵A中的第i个稀疏向量；

采用K-SVD算法来求解公式(2)中的优化问题，训练高光谱原子；过完备字典D是从步骤1分割后的大量图像中学习获得的，步骤1分割后的大量图像是三维的空间光谱图像块，每个图像块的分辨率为n＝l_x*l_y*l_λ，其中l_x，l_y，l_λ分别为原子大小；高光谱原子的大小m是在过完备字典训练中的一个重要参数，与训练的图像块大小m＝l_x*l_y相等；设高光谱图像是k-稀疏的，则测量值的数量必须满足条件m>o，其中，o＝(klog(q/k))，q与n成正比关系。

所述的深度神经网络的构建如下：