[发明专利]基于深度残差网络的高光谱图像超分辨率重建方法及装置

权利要求书

1.一种基于深度残差网络的高光谱图像超分辨率重建方法，利用预先训练的深度残差网络进行高光谱图像的超分辨率重建；其特征在于，所述深度残差网络包含2^M个相同的残差块，每个残差块包含至少2个卷积层，各残差块的超参数一致，并实现权值共享，M为大于1的整数；在所述深度残差网络的前向传播过程中分别以每2^j个残差块为一组进行分组，并为每一组残差块引入一个跳跃连接，j＝1，2，…，M。

2.如权利要求1所述方法，其特征在于，所述深度残差网络在训练过程中所使用的训练样本通过以下方法得到：对高分辨率高光谱图像进行退化处理，得到对应的低分辨率高光谱图像；然后分别对高、低分辨率高光谱图像进行分块，每一对高、低分辨率高光谱图像块即为一个训练样本。

3.如权利要求1所述方法，其特征在于，M的值为4。

4.如权利要求1所述方法，其特征在于，使用ADAM算法结合BP算法对所述深度残差网络进行训练。

5.如权利要求4所述方法，其特征在于，训练过程中各卷积层的权值矩阵W与偏置b的参数更新方式具体如下：

m_t＝μ×m_t-1+(1-μ)×g_t

其中，t表示时间步长，g_t表示时间步长t的梯度，m_t是一阶有偏矩估计，n_t是二阶有偏矩估计，是一阶偏差校正矩估计，是二阶偏差校正矩估计，ε是一个非常小的正数，η是学习率，μ、υ是矩估计的指数衰减率并且μ，υ∈[0，1)，θ_t是参数矢量(W、b)，参数矢量每次更新的增量为Δθ_t。

6.一种基于深度残差网络的高光谱图像超分辨率重建装置，包括预先训练的深度残差网络，用于进行高光谱图像的超分辨率重建；其特征在于，所述深度残差网络包含2^M个相同的残差块，每个残差块包含至少2个卷积层，各残差块的超参数一致，并实现权值共享，M为大于1的整数；在所述深度残差网络的前向传播过程中分别以每2^j个残差块为一组进行分组，并为每一组残差块引入一个跳跃连接，j＝1，2，…，M。

7.如权利要求6所述装置，其特征在于，所述深度残差网络在训练过程中所使用的训练样本通过以下方法得到：对高分辨率高光谱图像进行退化处理，得到对应的低分辨率高光谱图像；然后分别对高、低分辨率高光谱图像进行分块，每一对高、低分辨率高光谱图像块即为一个训练样本。

8.如权利要求6所述装置，其特征在于，M的值为4。

9.如权利要求6所述装置，其特征在于，使用ADAM算法结合BP算法对所述深度残差网络进行训练。

10.如权利要求9所述装置，其特征在于，训练过程中各卷积层的权值矩阵W与偏置b的参数更新方式具体如下：

m_t＝μ×m_t-1+(1-μ)×g_t

其中，t表示时间步长，g_t表示时间步长t的梯度，m_t是一阶有偏矩估计，n_t是二阶有偏矩估计，是一阶偏差校正矩估计，是二阶偏差校正矩估计，ε是一个非常小的正数，η是学习率，μ、υ是矩估计的指数衰减率并且μ，υ∈[0，1)，θ_t是参数矢量(W、b)，参数矢量每次更新的增量为Δθ_t。